프로젝트 초기단계에서 산정된 공사비는 발주자의 중요한 의사결정에 영향을 미치므로 그 중요성이 강조되고 있지만, 정보의 부족으로 인하여 주로 견적전문가의 경험과 지식에 의존하여 진행된다. 이것은 현재 문제와 가장 유사한 과거 사례를 선택하여 사용하는 사례기반추론으로 발전되었다. 사례기반추론 모델의 예측 성능은 속성 가중치의 산정 결과에 많은 영향을 받으므로, 정확한 속성 가중치의 산정이 요구된다. 기존의 연구는 수학적 방법 또는 전문가의 주관적 판단을 이용하는 방법을 사용한다. 본 연구는 기존 연구의 문제점을 보완하기 위해 유전자 알고리즘을 이용한 사례기반추론 공사비 예측 모델을 제안한다. 공사비 예측 모델은 최근이웃 조회 방법의 과정에 의해 추출한 사례의 공사비 정보를 이용하여 예측 대상의 공사비를 산정한다. 검증 결과 AACE에서 정의한 견적시기별 예측 정확도와 표준화 회귀계수 동일가중치를 사용한 방법보다 높은 오차율을 나타내었다. 따라서 본 연구는 유전자 알고리즘을 도입하여 예측 성능을 향상시키고, 사례기반추론 방법을 사용하여 사용자가 이해하기 용이한 해결책 도출과정을 제시하였다는데 그 의미가 있다.
프로젝트 초기단계에서 산정된 공사비는 발주자의 중요한 의사결정에 영향을 미치므로 그 중요성이 강조되고 있지만, 정보의 부족으로 인하여 주로 견적전문가의 경험과 지식에 의존하여 진행된다. 이것은 현재 문제와 가장 유사한 과거 사례를 선택하여 사용하는 사례기반추론으로 발전되었다. 사례기반추론 모델의 예측 성능은 속성 가중치의 산정 결과에 많은 영향을 받으므로, 정확한 속성 가중치의 산정이 요구된다. 기존의 연구는 수학적 방법 또는 전문가의 주관적 판단을 이용하는 방법을 사용한다. 본 연구는 기존 연구의 문제점을 보완하기 위해 유전자 알고리즘을 이용한 사례기반추론 공사비 예측 모델을 제안한다. 공사비 예측 모델은 최근이웃 조회 방법의 과정에 의해 추출한 사례의 공사비 정보를 이용하여 예측 대상의 공사비를 산정한다. 검증 결과 AACE에서 정의한 견적시기별 예측 정확도와 표준화 회귀계수 동일가중치를 사용한 방법보다 높은 오차율을 나타내었다. 따라서 본 연구는 유전자 알고리즘을 도입하여 예측 성능을 향상시키고, 사례기반추론 방법을 사용하여 사용자가 이해하기 용이한 해결책 도출과정을 제시하였다는데 그 의미가 있다.
Because the estimated cost at early stage has great influence on decisions of project owner, the importance of early cost estimation is increasing. However, it depends on experience and knowledge of the estimator mainly due to shortage of information. Those tendency developed into case-based reasoni...
Because the estimated cost at early stage has great influence on decisions of project owner, the importance of early cost estimation is increasing. However, it depends on experience and knowledge of the estimator mainly due to shortage of information. Those tendency developed into case-based reasoning(CBR) method which solves new problems by adapting previous solution to similar past problems. The performance of CBR model is affected by attribute weight, so that its accurate determination is necessary. Previous research utilizes mathematical method or subjective judgement of estimator. In order to improve the problem of previous research, this suggests CBR schematic cost estimation method using genetic algorithm to determine attribute weight. The cost model employs nearest neighbor retrieval for selecting past case. And it estimates the cost of new cases based on cost information of extracted cases. As the result of validation for 17 testing cases, 3.57% of error rate is calculated. This rate is superior to accuracy rate proposed by AACE and the method to determine attribute weight using multiple regression analysis and feature counting. The CBR cost estimation method improve the accuracy by introducing genetic algorithm for attribute weight. Moreover, this makes user understand the problem-solving process easier than other artificial intelligence method, and find solution within short time through case retrieval algorithm.
Because the estimated cost at early stage has great influence on decisions of project owner, the importance of early cost estimation is increasing. However, it depends on experience and knowledge of the estimator mainly due to shortage of information. Those tendency developed into case-based reasoning(CBR) method which solves new problems by adapting previous solution to similar past problems. The performance of CBR model is affected by attribute weight, so that its accurate determination is necessary. Previous research utilizes mathematical method or subjective judgement of estimator. In order to improve the problem of previous research, this suggests CBR schematic cost estimation method using genetic algorithm to determine attribute weight. The cost model employs nearest neighbor retrieval for selecting past case. And it estimates the cost of new cases based on cost information of extracted cases. As the result of validation for 17 testing cases, 3.57% of error rate is calculated. This rate is superior to accuracy rate proposed by AACE and the method to determine attribute weight using multiple regression analysis and feature counting. The CBR cost estimation method improve the accuracy by introducing genetic algorithm for attribute weight. Moreover, this makes user understand the problem-solving process easier than other artificial intelligence method, and find solution within short time through case retrieval algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 사례 i의 공사비에 대하여 식(3)과같이 표현한다. 공사비가 속성값과 속성 가중치 곱의 합과 완벽히 일치하지 않지만, 실제 공사비와 가장 유사한 값을 갖게 하는 속성 가중치 Wj를 결정하는 것을 목표로 한다.
기존의 연구는 속성 가중치 산정을 위해 경사하강법, 회귀분석법, 계층분석과정 등의 방법을 사용하지만, 이들의 방법은 수학적 오류 혹은 전문가의 주관적 판단에 따라 속성 가중치가 변화하는 단점을 가진다. 따라서 본 연구는 속성 가중치 산정을 위해 유전자 알고리즘을 이용한 사례기반추론 공사비 예측 모델을 제안하였다.
따라서 본연구는 기존의 속성 가중치 산정 방법의 한계를 보완하기 위하여 최적화 문제를 해결하는 기법인 유전자 알고리즘(Genetic Algorithm, GA)을 이용한 사례기반추론 공사비 예측 모델을 제안하고, 모델의 유효성을 검증하는 것을 목적으로 한다.
본연구는 공공아파트 기획 및 계획설계 단계의 공사비 예측 모델 개발을 목표로 한다. 공공아파트 프로젝트는 아파트 동, 지하주차장, 근린생활시설, 부대복리시설, 경비실로 구성된다.
제안 방법
(1) 속성 가중치 산정에 있어서 다수의 속성 변수와 수많은 해 집합으로 인하여 기존의 결정론적 방법론이 가지는 문제점을 보완하기 위해, 최적화 문제 해결 기법인 유전자 알고리즘을 도입 하였다. 이를 통해 표준화 회귀계수, 동일가중치를 사용한 경우 보다 향상된 예측 결과를 얻을 수 있다.
유사사례 추출은 최근이웃 조회 기법의 과정에 따라 속성 유사도와 속성 가중치를 정의하고 사례 유사도 점수를 구하였다. 0.9이상의 사례 유사도 점수를 획득한 과거 사례의 평균 연면적당 공사비를 사용하여, 검증 대상의 공사비를 계산하였다. 모델의 유효성을 검증한 결과, 평균 3.
3개 프로젝트를 분석하여 구축한 데이터베이스는 속성 (Attribute, Xij) 정보와 공사비(Ci) 정보로 구성되어, 신규 데이터(사례)의 저장 작업을 용이하게 하고 유사 과거사례의 조회 시간을 단축한다. 아래의 표 4는 데이터베이스 일부분을 나타낸 것이다.
공사비 예측 모델 개발은 다음과 같은 프로세스에 의해 진행한다. 공사비 예측 모델의 범위를 정의한 후, 설계도면과 내역서를 기반으로 영향요인과 공사비를 분석하여 데이터베이스를 구축한다. 이어서 공사비 예측모델의 요소기술인 사례 기반추론과 유전자 알고리즘을 사용하여 과거 유사사례를 추출한다.
데이터베이스는 수집된 사례의 결과값에 해당하는 공사비와 공사비 변화에 영향을 미치는 영향요인을 구분하여 구축한다.
둘째, 공공아파트 건축부문의 초기단계 공사비 예측을 위하여 사례기반추론과 유전자 알고리즘을 요소기술로 하는 공사비 예측 모델을 구축한다.
내역서에는 1개 단지 전체에 사용된 공종별 아이템의 재료비, 노무비, 경비만 제시되어 있을 뿐 동별 공사비는 나타나 있지 않고, 골조∙마감 물량산출서에는 각 동에 사용된 아이템의 물량이 나타나 있지만 공사비 정보는 제시되어 있지 않다. 따라서 골조∙마감 물량산출서의 동별 아이템 총물량과 내역서의 아이템별 단가를 이용하여 모든 아이템의 비용을 합계하여 동별 공사비를 구한다.
본 연구는 공사비 예측 모델 구축과 검증을 위해 국내의 공공아파트 프로젝트 데이터를 수집하고, 프로젝트 구성요소 중 아파트동의 건축부문을 분석대상으로 한다. 또한, 아파트의 다양한 평면형태, 세대조합의 변화를 반영하기 위해서 면적형별 공사비를 산출한다.
공사비 예측 모델의 성능은 검증 대상의 실제 공사비와 예측 공사비의 차이를 실제 공사비로 나누어 구한 오차율로 나타내었다. 또한, 유전자 알고리즘을 이용한 속성 가중치 산정 방법의 유효성을 판단하기 위하여 동일가중치와 표준화 회귀계수를 이용한 경우의 오차율과 비교하였다.
이어서 속성값을 비교할 수 있는 규칙 또는 수식을 이용하여 과거 사례의 속성 유사도(Attribute Similarity) 점수를 계산하고, 과거 사례 분석을 통해 속성 가중치(Attribute Weight)를 결정한다. 마지막으로 모든 속성들의 유사도 점수와 가중치를 곱한 값을 합계하여 사례 유사도(Case Similarity) 점수를 계산하여, 높은 점수를 획득한 사례를 새로운 문제의 유사사례로 선택한다.
조회 과정은 사례기반추론의 첫 번째 단계로써, 이의 결과는 이어지는 과정에 지속적인 영향을 미치므로 현재 문제와 유사한 과거 사례의 추출이 요구된다. 본 연구는 거리 개념을 도입하여 속성 유사도 점수를 구하고, 유전자 알고리즘을 사용하여 속성 가중치를 결정한다. 정의된 속성 유사도 점수와 속성 가중치를 가중합계하여 사례 유사도 점수를 산정하여, 이를 유사사례 추출의 기준으로 한다.
본 연구에서는 속성 가중치 산정을 위해 기존의 연구에서 사용한 경사하강법, 회귀분석법, 계층분석과정 등의 방법을 사용하지 않고 유전자 알고리즘을 도입한다. 유전자 알고리즘은 적자생존 원리를 기반으로 시행착오를 통해 최적화된 해를 찾기 때문에 지역 최소점과 공선성 등의 문제를 발생시키지 않는다.
본 연구의 공사비 예측 모델은 사례기반추론을 이용하여 데이터베이스에서 예측 대상과 유사한 과거 사례를 추출하고, 그것의 공사비 정보를 이용하여 예측 대상의 공사비를 산정하는 과정을 나타낸 것이다. 공사비 예측 모델 개발은 다음과 같은 프로세스에 의해 진행한다.
분석대상 프로젝트는 다양한 평면형태, 세대조합의 변화를 보인다. 그림4와 같이 한 개의 아파트동이 두 가지 이상의 연면적형으로 이루어져 있기 때문에 수많은 연면적형 조합이 발생하게 된다.
공사비 예측 모델은 기획/계획설계단계와 같은 초기단계를 대상으로 하였으며, 공공아파트 건축부문의 데이터를 이용하였다. 유사사례 추출은 최근이웃 조회 기법의 과정에 따라 속성 유사도와 속성 가중치를 정의하고 사례 유사도 점수를 구하였다. 0.
수집 자료에 따르면 사용된 마감 자재 수준은 49㎡, 59㎡ 연면적형과 84㎡, 114㎡ 연면적형간 차이를 보인다. 이를 반영하기 위하여 49㎡, 59㎡와 84㎡, 114㎡의 공사비 예측 모델을 구분하여 개발한다.
공사비 예측 모델의 범위를 정의한 후, 설계도면과 내역서를 기반으로 영향요인과 공사비를 분석하여 데이터베이스를 구축한다. 이어서 공사비 예측모델의 요소기술인 사례 기반추론과 유전자 알고리즘을 사용하여 과거 유사사례를 추출한다.
첫 번째 과정은 조회 대상에 해당하는 새로운 문제와 과거 사례의 일치하는 속성(Attribute)을 비교하는 것이다. 이어서 속성값을 비교할 수 있는 규칙 또는 수식을 이용하여 과거 사례의 속성 유사도(Attribute Similarity) 점수를 계산하고, 과거 사례 분석을 통해 속성 가중치(Attribute Weight)를 결정한다. 마지막으로 모든 속성들의 유사도 점수와 가중치를 곱한 값을 합계하여 사례 유사도(Case Similarity) 점수를 계산하여, 높은 점수를 획득한 사례를 새로운 문제의 유사사례로 선택한다.
첫째, 선행연구 분석을 통하여 시사점을 도출하고, 사례기반 추론과 유전자 알고리즘의 원리와 적용을 고찰한다.
대상 데이터
본연구는 공공아파트 기획 및 계획설계 단계의 공사비 예측 모델 개발을 목표로 한다. 공공아파트 프로젝트는 아파트 동, 지하주차장, 근린생활시설, 부대복리시설, 경비실로 구성된다. 수집 자료의 분석결과, 각 구성건축물의 총공사비 대비 공사비 비율은 아파트동 81.
84%으로 나타난다. 공사비 예측 모델은 공사비 구성비율이 가장 높은 아파트 동을 대상으로 한다.
공사비 예측 모델은 기획/계획설계단계와 같은 초기단계를 대상으로 하였으며, 공공아파트 건축부문의 데이터를 이용하였다. 유사사례 추출은 최근이웃 조회 기법의 과정에 따라 속성 유사도와 속성 가중치를 정의하고 사례 유사도 점수를 구하였다.
수집된 데이터는 10~15층 규모의 3개 지구, 14개 단지, 143개 동의 공공아파트 공사로써 49㎡, 59㎡, 84㎡, 114㎡의 4가지 연면적형으로 구성된다. 또한, 공공아파트 프로젝트의 구성요소에서 지하주차장과 부속동을 제외한 아파트동의 건축부문을 대상으로 한다. 표2는 수집된 프로젝트의 시행년도, 단지수, 동수, 연면적형별 데이터수를 나타낸 것이다.
본 연구의 공사비 예측 모델은 기본 설계/실시설계에 비하여 상대적으로 정보가 부족한 기획/계획 설계와 같은 초기단계를 대상으로 한다. 또한, 모델 구축과 검증은 국내 공공아파트 데이터를 사용하여 실행한다. 연구는 다음과 같은 절차에 따라 진행한다.
9이상의 사례 유사도 점수를 나타내었다. 띠라서 검증 사례1에 대한 유사사례는 B4를 포함한 18개의 사례를 추출한다.
본 연구는 공사비 예측 모델 구축과 검증을 위해 국내의 공공아파트 프로젝트 데이터를 수집하고, 프로젝트 구성요소 중 아파트동의 건축부문을 분석대상으로 한다. 또한, 아파트의 다양한 평면형태, 세대조합의 변화를 반영하기 위해서 면적형별 공사비를 산출한다.
모델 혹은 시스템의 검증은 사용된 전체 데이터의 10%를 사용하는 것이 일반적이다(Dogan et al 2008). 본 연구는 수집한 168개의 데이터 중 모델 개발에 사용한 151개 데이터를 제외한 17개 데이터를 사용하여 모델 검증을 실시하였다. 검증 대상의 공사비는 사례 유사도 점수 0.
데이터는 정성적 데이터와 정량적 데이터로 구분한다. 본 연구에 사용된 데이터는 정량적 데이터로써, 적합한 수식을 이용하여 속성 유사도 점수를 측정할 수 있다. 아래의 식(2)는 거리 측정의 원리를 이용하여 속성유사도 점수를 구한 것이다.
건설 프로젝트의 시공 전 단계는 기획, 계획설계, 기본설계, 실시설계로 구분할 수 있다. 본 연구의 공사비 예측 모델은 기본 설계/실시설계에 비하여 상대적으로 정보가 부족한 기획/계획 설계와 같은 초기단계를 대상으로 한다. 또한, 모델 구축과 검증은 국내 공공아파트 데이터를 사용하여 실행한다.
수집된 데이터는 10~15층 규모의 3개 지구, 14개 단지, 143개 동의 공공아파트 공사로써 49㎡, 59㎡, 84㎡, 114㎡의 4가지 연면적형으로 구성된다. 또한, 공공아파트 프로젝트의 구성요소에서 지하주차장과 부속동을 제외한 아파트동의 건축부문을 대상으로 한다.
데이터처리
본 연구는 수집한 168개의 데이터 중 모델 개발에 사용한 151개 데이터를 제외한 17개 데이터를 사용하여 모델 검증을 실시하였다. 검증 대상의 공사비는 사례 유사도 점수 0.9 이상을 갖는 사례의 평균 연면적당 공사비와 검증 대상의 연면적을 곱하여 구하였다.
를 도출한다. 이를 위해 Excel 기반의 유전자 알고리즘 상용화 프로그램인 Evoler를 사용하며, 초기 개체집단 50∙교배율 0.05∙변이율 0.1로 실행한다. 다음의 표5는 연면적 형별 속성 가중치를 나타낸 것이다.
이어서, 분산분석(Analysis of Variance, ANOVA)을 사용하여 유전자 알고리즘∙표준화 회귀계수∙동일가중치를 이용한 방법의 평균 오차율의 차이를 검증하였다. 유의수준 0.
이론/모형
또한, 공사비 예측의 입출력 변수는 숫자의 형태로 표현되는 경우가 많다. 따라서 본 연구는 건설 프로젝트와 공사비 예측의 특성을 고려하여 사례기반추론의 조회 방법으로 최근이웃 조회 방법을 사용한다.
사례 유사도를 판단하기 위해서는 속성 유사도와 함께 속성 가중치를 결정하여야 한다. 본 연구는 기계학습방법 중 유전자 알고리즘을 사용하여 속성 가중치를 결정한다.
또한, 각 속성이 갖아야할 속성 가중치의 범위가 정해져 있지 않기 때문에 수많은 해 집단이 존재한다. 이와 같은 특징으로 인해 본 연구는 사례기반추론 모델의 속성 가중치 산정을 위해 유전자 알고리즘을 사용한다.
성능/효과
(2) 사례기반추론 방법을 사용하여 인공신경망 등 타 인공지능 방법에 비해 해결책의 도출과정을 사용자가 이해하기 쉽고, 유사 사례 조회 알고리즘을 통해 빠른 시간에 과거 유사사례를 추출할 수 있다.
기획 및 계획설계 단계는 프로젝트 초기단계에 해당하기 때문에 설계도면이 없고 스페이스 프로그램 정도의 개략 정보만 획득가능하다. 기획 및 계획설계 단계의 정보 수준을 고려하여 세대수, 연면적, 세대구성, 층수, 엘리베이터 수, 엘리베이터 1대당 세대수, 필로티세대수의 7가지 속성을 추출할 수 있다.
이는 AACE가 정의한 견적시기별 예측 정확도보다 우수한 정확도로 볼 수 있다. 또한, 표준화 회귀계수와 동일가중치를 이용한 경우보다 높은 예측 성능을 나타내었다.
프로젝트가 10%~40% 진행되었을 경우, AACE의 예상 견적 정확도는 과소측정은 -10%~-20% / 과대측정은 +10%~+30%에 해당하므로, 본 연구의 공사비 예측 모델은 AACE의 기준보다 우수한 오차율을 보였다. 또한, 표준화 회귀계수와 동일가중치를 이용한 방법은 각각 5.80%와 8.42%의 평균 오차율을 나타내었다.
9이상의 사례 유사도 점수를 획득한 과거 사례의 평균 연면적당 공사비를 사용하여, 검증 대상의 공사비를 계산하였다. 모델의 유효성을 검증한 결과, 평균 3.57%, 표준편차 2.64%의 오차율을 나타내었다. 이는 AACE가 정의한 견적시기별 예측 정확도보다 우수한 정확도로 볼 수 있다.
셋째, 발전 모델의 정확성을 검증하여 본 연구에서 제시한 공사비 예측 방법의 유효성을 확인한다.
수집 자료의 분석결과, 각 구성건축물의 총공사비 대비 공사비 비율은 아파트동 81.2%, 관리노인정 0.97%, 근린생활시설 0.85%, 경비실 0.13%, 지하주차장 16.84%으로 나타난다.
유전자 알고리즘을 이용한 사례기반추론 공사비 예측 모델은 평균 3.57%, 표준편차 2.64%의 오차율을 나타내었다. 특히, 17개 사례 중 12개 사례에 대하여 5% 미만의 오차율이 도출되었다.
이를 AACE에서 프로젝트 정보량에 따라 견적단계를 5단계로 분류하여 정의한 예상 견적 정확도(AACE 1997)와 비교할 수 있다. 프로젝트가 10%~40% 진행되었을 경우, AACE의 예상 견적 정확도는 과소측정은 -10%~-20% / 과대측정은 +10%~+30%에 해당하므로, 본 연구의 공사비 예측 모델은 AACE의 기준보다 우수한 오차율을 보였다. 또한, 표준화 회귀계수와 동일가중치를 이용한 방법은 각각 5.
후속연구
이를 보완하여 정성적 변수를 측정하는 방법을 제시한다면 사용성을 증가시킬 수 있을 것으로 판단된다. 또한, 속성 가중치 산정 방법의 타당성 확보를 위해 동일가중치, 표준화 회귀계수 외에 경사하강법, 계층분석과정 등을 이용한 방법과의 추가적 비교가 필요하다.
본 연구는 사례의 속성으로 정량적 변수만을 다루고 있는 한계를 가지고 있다. 이를 보완하여 정성적 변수를 측정하는 방법을 제시한다면 사용성을 증가시킬 수 있을 것으로 판단된다.
본 연구는 사례의 속성으로 정량적 변수만을 다루고 있는 한계를 가지고 있다. 이를 보완하여 정성적 변수를 측정하는 방법을 제시한다면 사용성을 증가시킬 수 있을 것으로 판단된다. 또한, 속성 가중치 산정 방법의 타당성 확보를 위해 동일가중치, 표준화 회귀계수 외에 경사하강법, 계층분석과정 등을 이용한 방법과의 추가적 비교가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
속성 가중치란 무엇인가?
속성 가중치란 유사한 사례를 탐색할 때 중요한 입력 속성에 높은 가중치를 할당하여 정확한 탐색을 유도하는 방법이다(이장희 2008). 표1에서 보여지 듯 기존의 연구는 사례기반추론의 속성가중치 산정을 위해 동일가중치, 경사하강법, 회귀분석법, 계층분석과정 등 다양한 방법을 사용한다.
동일가중치는 어떠한 단점이 있는가?
동일가중치(Feature Counting)는 모든 속성에 동일한 가중치를 부여하는 방법이며, 속성간의 중요도 차이를 반영하지 못하는 단점이 있다(김종한 외 3인 1996; Karshenas and Tse 2002).
수학적 방법과 전문가 지식을 활용한 계층분석과정과 같은 방법의 단점은 무엇인가?
기존의 연구는 속성 가중치 산정을 위해 경사하강법(Yau and Yang 1998; 김광희와 강경인 2004; 김광희 외 2인 2004), 회귀분석법(김광희 외 2인 2004)과 같은 수학적 방법과 전문가 지식을 활용한 계층분석과정(안성훈과 강경인 2005) 등의 방법을 이용한다. 하지만, 이들의 방법은 다수의 입출력 변수를 최적화하는 과정에서 수학적 오류를 발생시키거나, 전문가의 주관적 판단에 따라 속성 가중치가 변화되는 단점이 있다.
참고문헌 (26)
김광희, 강경인 (2004)." 사례기반추론 기법을 이용한 공동주택 초기 공사비 예측에 관한 연구". 대한건축학회논문집 구조계, 20권 5호, 대한건축학회, pp.83-92
김광희 외2인(2004). " 공동주택 공사비 예측 정확도 비교에 관한 연구, 사례기반추론 기법과 신경망을 중심으로". 대한건축학회논문집 구조계, 20권 5호, 대한건축학회, pp.93-102
지세현외4인(2008)." 공사비 예측을 위한 수량기반 데이터 분석방법 : 공공아파트 수장공사 중심으로". 한국건설관리학회논문집, 제9권 제6호, 한국건설관리학회, pp.20-28
진강규 (2004). 유전자 알고리즘과 그 응용, 제2판, 교우사, 서울, pp.61-63
AACE Recommended Practice No. 17R-97 (1997) : Cost Estimate Classification System, AACE, Inc.
Agnar Aamodt&Enric Plaza (1994)," Case-Based Reasoning: Foundational Issues", Methodological Variations, and System Approaches, AI Communications. IOS Press, Vol.7:1, pp.39-59
Ian Watson & Farhi Marir (1994), Case-Based Reasoning: A Review, The Knowledge Engineering Review, Vol.9 No.4, pp.6-13
Janet Kolodner (1993), Case-Based Reasoning. Morgan Kaufmann Publishers, Inc., San Mateo, pp.289-389
Ji et al. (2009). "Cost Estimation Model for Building Projects Using Case-Based Reasoning". Canadian Journal of Civil Engineering, National Research Council of Canada, under review
Nie-Jia Yau & Jyh-Bin Yang (1998), "Case-Based Reasoning in Construction Management". Journal of Computer-Aided Civil and Infrastructure Engineering, 13, pp.143-150
P. Duverile & J. M. Castelain (1999), "Cost Estimation During Design Step: Parametric Method versus Case Based Reasoning Method", Journal of Advanced Manufacturing Technology, 15, pp.895-906
Sevgi Zeynep Dogan, David Arditi & H.Murat Gunaydin, "Determining Attribute Weights in a CBR Model for Early Cost Prediction of Structural Systems". Journal of Construction Engineering and Management, Vol.132 No.10, 2006, pp.1092-1098
Sevgi Zeynep Dogan, David Arditi & H.Murat Gunaydin, "Using Decision Trees for Determing Attribute Weights in a Case-Based Model of Early Cost Prediction". Journal of Construction Engineering and Management, Vol.134 No.2, 2008, pp.146-152
※ AI-Helper는 부적절한 답변을 할 수 있습니다.