유전 알고리즘 - 서포트 벡터 회귀를 활용한 공동주택 공사비 예측에 관한 연구 A Study on Estimating Construction Cost of Apartment Housing Projects Using Genetic Algorithm-Support Vector Regression원문보기
건축 프로젝트에서 초기단계에서의 정확한 공사비 예측은 성공적인 프로젝트의 중요한 요소이다. 기존의 연구에서 공사비를 예측하기 위한 방법으로 통계학적인 방법이 활용되었다. 통계학적 방법 중 서포트 벡터 회기분석은 비용예측 분야에서 뛰어난 일반화 능력으로 많은 주목을 받고 있다. 하지만 서포트회귀분석은 조정해야 할 파라미터가 단순함에도 불구하고 최적의 파라미터를 결정하는 방법은 시행착오적인 방법을 적용해야 하는 문제점이 있었다. 따라서 최적의 파라미터를 보다 효율적으로 결정하기 위해 본 연구에서는 유전 알고리즘을 적용하고, 이를 통해 서포트 벡터 회귀를 효율적으로 활용한 공사비 예측이 가능 할 것이다. 본 연구의 목적은 유전 알고리즘과 서포트 벡터 회귀를 활용하여 공동주택의 프로젝트 초기 기획단계의 공사비 예측모델을 구축하는 것이다. 유전 알고리즘을 통해 최적의 파라미터를 찾아내고, 이를 서포트 벡터 회귀모델에 적용시켜 공사비를 예측하였다.
건축 프로젝트에서 초기단계에서의 정확한 공사비 예측은 성공적인 프로젝트의 중요한 요소이다. 기존의 연구에서 공사비를 예측하기 위한 방법으로 통계학적인 방법이 활용되었다. 통계학적 방법 중 서포트 벡터 회기분석은 비용예측 분야에서 뛰어난 일반화 능력으로 많은 주목을 받고 있다. 하지만 서포트 회귀분석은 조정해야 할 파라미터가 단순함에도 불구하고 최적의 파라미터를 결정하는 방법은 시행착오적인 방법을 적용해야 하는 문제점이 있었다. 따라서 최적의 파라미터를 보다 효율적으로 결정하기 위해 본 연구에서는 유전 알고리즘을 적용하고, 이를 통해 서포트 벡터 회귀를 효율적으로 활용한 공사비 예측이 가능 할 것이다. 본 연구의 목적은 유전 알고리즘과 서포트 벡터 회귀를 활용하여 공동주택의 프로젝트 초기 기획단계의 공사비 예측모델을 구축하는 것이다. 유전 알고리즘을 통해 최적의 파라미터를 찾아내고, 이를 서포트 벡터 회귀모델에 적용시켜 공사비를 예측하였다.
The accurate estimation of construction cost is important to a successful development in construction projects. In previous studies, the construction cost are estimated by statistical methods. Among the statistical methods, support vector regression (SVR) has attracted a lot of attentions because of...
The accurate estimation of construction cost is important to a successful development in construction projects. In previous studies, the construction cost are estimated by statistical methods. Among the statistical methods, support vector regression (SVR) has attracted a lot of attentions because of the generalization ability in the field of cost estimation. However, despite the simplicity of the parameter to be adjusted, it is not easy to find optimal parameters. Therefore, to build an effective SVR model, SVR's parameters must be set properly without additional data handling loads. So this study proposes a novel approach, known as genetic algorithm (GA), which searches SVR's optimal parameters, then adopt the parameters to the SVR model for estimating cost in the early stage of apartment housing projects. The aim of this study is to propose a GA-SVR model and examine the feasibility in cost estimation by comparing with multiple regression analysis (MRA). The experimental results demonstrate the estimating performance based on the percentage of estimations within 25% and find it can effectively do the accurate estimation without through the trial and error process.
The accurate estimation of construction cost is important to a successful development in construction projects. In previous studies, the construction cost are estimated by statistical methods. Among the statistical methods, support vector regression (SVR) has attracted a lot of attentions because of the generalization ability in the field of cost estimation. However, despite the simplicity of the parameter to be adjusted, it is not easy to find optimal parameters. Therefore, to build an effective SVR model, SVR's parameters must be set properly without additional data handling loads. So this study proposes a novel approach, known as genetic algorithm (GA), which searches SVR's optimal parameters, then adopt the parameters to the SVR model for estimating cost in the early stage of apartment housing projects. The aim of this study is to propose a GA-SVR model and examine the feasibility in cost estimation by comparing with multiple regression analysis (MRA). The experimental results demonstrate the estimating performance based on the percentage of estimations within 25% and find it can effectively do the accurate estimation without through the trial and error process.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
상이한 파라미터 설정은 예측성능에 큰 영향을 미치기 때문에 최적화된 파라미터를 선택하는 것은 서포트 벡터 회귀를 설계하는데 중요한 과정이다. 따라서 본 연구에서는 유전 알고리즘이라는 방법을 도입해서 기존의 시행착오적인 과정을 거치지 않고서도 높은 예측정확성을 확보할 수 있는 GA-SVR 모델을 제시하여, 제안하는 공동주택의 공사비 예측모델의 타당성과 실효성을 자체평가와, 다른 기법과의 비교를 통해서 검증하는 것을 연구의 목적으로 한다.
그러나 서포트 벡터 회귀 모델은 조정할 파라미터가 단순하지만 최적의 파라미터를 결정하는 방법에 있어서 다소 시행착오적인 한계가 있다고 밝혔다. 때문에 본 연구에서는 최적의 파라미터를 결정하기 위해 유전 알고리즘을 적용하고, 도출된 최적 파라미터가 서포트 벡터 회귀 모델을 거쳐 공사비 예측을할 수 있는 GA-SVR 모델을 제안하려고 한다.
본 연구는 공동주택 프로젝트 초기 기획단계에 공사비 예측을 위한 GA-SVR 모델을 제안한다. 서포트 벡터 회귀에서는 성능과 밀접한 관련이 있는 몇몇의 파라미터 값을 사용자의 정의에 의존하게 되는데, 파라미터 값에 따른 성능 변화를 예측하기 어렵다.
이러한 환경에 적응한다는 개념을 도입하여 정량화해서 적합도 라고 한다. 본 연구에서는 최고의 예측정확도를 가지고 있는 예측모델의 최적화 된 파라미터를 찾기 위하여, 데이터를 학습시켜 구축된 모델의 예측정확도를 적합도로 한다. 따라서 예측정확도는 평균 제곱근 오차(Root Mean Square Error, RMSE)를 통해 계산한다.
위에서 말하는 절차와는 달리, 본 논문에서는 GA-SVR 라는 모든 파라미터를 동시에 최적화 하는 방법을 제안하려고 한다. Chen(2007)의 기본 모형을 토대로 서포트 벡터 회귀모형을 구축하는데 필요한 여러 개의 파라미터들 중에서, 공사비 예측에 활용할 수 있는 파라미터를 선정해서 Fig.
제안 방법
위에서 말하는 절차와는 달리, 본 논문에서는 GA-SVR 라는 모든 파라미터를 동시에 최적화 하는 방법을 제안하려고 한다. Chen(2007)의 기본 모형을 토대로 서포트 벡터 회귀모형을 구축하는데 필요한 여러 개의 파라미터들 중에서, 공사비 예측에 활용할 수 있는 파라미터를 선정해서 Fig. 1과 같이 GA-SVR 모델을 제안한다.
공사비 예측방법 및 서포트 벡터 회귀와 유전 알고리즘에 관련된 기존의 연구 및 문헌을 고찰한다. GA-SVR 모델 제안하고 공동주택 프로젝트 초기 기획단계 공사비 예측에 영향을 미치는 요인을 추출한 후, 수집한 실제 공사비를 활용하여 제안한 GA-SVR 모델의 성능평가를 진행해 예측 정확성을 검증한다.
따라서 사용자 정의 파라미터의 최적 값을 구하기 위한 방법으로 유전 알고리즘을 사용한다. 개발언어로는 파이슨(Python)을 사용하며, 개발 알고리즘은 개방된 라이브러리(open source library)를 기반으로 LIBSVM(a LIBrary for Support Vector Machines)를 활용하여 유전 알고리즘과 서포트 벡터 회귀의 결합 모델인 GA-SVR을 구축한다.
건설 사업은 프로젝트의 성격에 따라 다른 특성을 갖기 때문에, 본 연구에서는 공동주택을 중심으로 한 수도권, 전남 지역의 33개의 케이스를 바탕으로 초기 기획단계에서 데이터를 수집할 수 있는 요인을 감안하여 기초형식, 지붕 형식, 마감수준, 연면적, 대지면적, 건축면적, 용적률, 건폐율, 평균층수, 지하층수, 동수 와 총세대수를 변수로 설정 하였다(Table 1).
공사비 예측방법 및 서포트 벡터 회귀와 유전 알고리즘에 관련된 기존의 연구 및 문헌을 고찰한다. GA-SVR 모델 제안하고 공동주택 프로젝트 초기 기획단계 공사비 예측에 영향을 미치는 요인을 추출한 후, 수집한 실제 공사비를 활용하여 제안한 GA-SVR 모델의 성능평가를 진행해 예측 정확성을 검증한다.
도출된 파라미터 값을 적용하여 구한 예측 공사비를 실제 공사비와 비교해 모델의 타당성을 검증했다(Table 3, Fig. 3). 케이스 16과 케이스 18의 경우 오차율이 이상적으로 크게 나와 데이터 특성이 정확히 반영되지 않은 것으로 판단되어 평균오차율의 계산에서 제외하였다.
0001의 차이만을 보였다. 따라서 2500세대까지의 파라미터 값 중 최적 값을 선택하여 공사비 예측을 실시하였다.
사례기반추론은 도출된 결과를 이해하기 쉽고, 신규사례를 데이터베이스에 저장하는 것 이외에 추가적인 작업 없이도 학습을 진행할 수 있다는 장점이 있어서 경험 지향적인 문제해결 기법으로 공사비 예측에 가장 적합하다(Jin 2014). 때문에 마지막으로 사례기반 추론방법으로 예측하여 얻은 결과와 비교하여 제안한 GA-SVR 모델의 실효성을 평가한다.
서포트 벡터 회귀 모델의 일반화 성능(예측정확도)과 효율성은 파라미터 C, γ, ε와 관계된다. 때문에 본 연구에서의 주요 문제는 학습 데이터를 통해 각각의 매개 변수에 대한 별도의 최적화 된 파라미터를 찾는 것이 아니라 세 변수의 상관관계를 고려한 최적의 파라미터 셋을 찾는 것이다.
기존의 연구들에서 사용한 방법들을 보면, 파라미터를 선택할 때 많은 시행착오적인 방법들을 사용하였다. 먼저 부동한 파라미터 셋을 기반으로 서포트 벡터 회귀 모델을 만든 다음 그 모델들을 각각 하나씩 평가하여 최적화된 파라미터를 결정하였다. 그러나 이런 과정은 많은 시간과 운이 필요하다(Chen 2007).
보정한 데이터를 케이스 1부터 18, 케이스 19부터 33으로, 2개의 데이터 셋으로 나누어서 GA-SVR 모델의 성능평가를 수행한다. 케이스 1부터 18을 가지고 모델의 자체 성능평가를 통해 모델의 타당성을 검증하고, 케이스 19부터 33으로 다른 예측방법과 비교하여 제안하는 모델의 실효성을 검증한다.
최소한의 정보를 가지고 공사비를 예측하는 모델은 프로젝트 초기 기획단계에 필요하다. 본 연구에서는 서포트 벡터 회귀를 도입하여 공사비를 예측하였다. 서포트 벡터 회귀는 분류 문제에 있어서 뛰어난 일반화 능력을 보이지만, 데이터 집합에 따라 시행착오적인 방법으로 적합한 파라미터 값을 매번 찾아야 하고, 몇 개의 특정 값을 임의로 정해서 그 값이 최적화 된 값인지에 대한 객관성이 부족한 단점이 있다.
수집된 데이터는 입력 변수들의 특성 및 크기가 다르기 때문에 이를 표준화 하였다. 기초형식은 PHC파일 사용 유무에 따라 1과 0으로 입력하였다.
서포트 벡터 회귀는 분류 문제에 있어서 뛰어난 일반화 능력을 보이지만, 데이터 집합에 따라 시행착오적인 방법으로 적합한 파라미터 값을 매번 찾아야 하고, 몇 개의 특정 값을 임의로 정해서 그 값이 최적화 된 값인지에 대한 객관성이 부족한 단점이 있다. 이러한 단점을 보완하기 위해 서포트 벡터 회귀에서 사용되는 파라미터 값을 유전 알고리즘으로 최적화해서, 그 적용가능성을 검토하였다. 본 연구에서 제안한 GASVR 모델은 유전 알고리즘을 통해 세대가 진화하면서 최적 파라미터를 얻었기 때문에 시행착오를 거치지 않으면서도 최적화 된 파라미터 값을 찾을 수 있었다.
기초형식은 PHC파일 사용 유무에 따라 1과 0으로 입력하였다. 지붕 형식의 경우 철근콘크리트 위 슁글 지붕(Reinforced Concrete capped by Shingles Roof, RCSR)을 이용한 사례에 1을, 경량철골 경사 지붕(Light Steel Sloping Roof, LSSR)을 사용한 사례에 0을 입력 하였다. 수량적 요인에 해당하는 공사비 영향 요인 에서는 각각의 영향요인 별로 그 단위가 다르게 나타났다.
케이스 19부터 케이스 33을 대상으로 GA-SVR 모델의 타당성을 검증하고(Table 4), 동일한 데이터로 사례기반 추론방법과 비교하여 제안하는 모델의 실효성을 검증했다.
보정한 데이터를 케이스 1부터 18, 케이스 19부터 33으로, 2개의 데이터 셋으로 나누어서 GA-SVR 모델의 성능평가를 수행한다. 케이스 1부터 18을 가지고 모델의 자체 성능평가를 통해 모델의 타당성을 검증하고, 케이스 19부터 33으로 다른 예측방법과 비교하여 제안하는 모델의 실효성을 검증한다. 모델 자체의 예측 정확도를 측정하기 위해서 리브 원 아웃 교차검증 (leave-one-out crossvalidation) 방법을 사용한다.
데이터처리
본 연구에서는 최고의 예측정확도를 가지고 있는 예측모델의 최적화 된 파라미터를 찾기 위하여, 데이터를 학습시켜 구축된 모델의 예측정확도를 적합도로 한다. 따라서 예측정확도는 평균 제곱근 오차(Root Mean Square Error, RMSE)를 통해 계산한다.
수집된 실제사례 데이터들을 가지고 교차검증(Cross Validation)을 통해서 GA-SVR 결합 모델의 성능을 측정하고, 기존 연구에서 사용한 방법들과 비교하여 평가한다.
예측 정확도는 평균 제곱근 오차와 PRED(25)(percentage of PREDictions within 25%)를 사용해서 오차율(error)로 평가한다. PRED(25)는 예측 값이 실제 값의 25%범위 내에 있는 비율을 나타내며, 좋은 모델일수록 PRED(25)의 수치는 높게 나타나게 된다.
이론/모형
그리고 자재비 및 인건비는 매년 물가상승률에 따라 그 가격이 상승하며, 공사 수행시기마다 특정 자재의 원자재 값 폭등과 같은 현상이 발생하여 시기별로 제반비용이 달라질 수 있으므로 건설공사비 지수(Korea Institute of Construction Technology 2013)를 이용하여 2010년 1월 기준으로 공사 수행시기를 보정하였다. 또 지역별로 자재비 및 노무비의 차이가 발생하고, 대도시에서 떨어진 지역일수록 자재의 운송비가 상승하기 때문에 지역별 차이가 발생한다.
서포트 벡터 회귀에서는 성능과 밀접한 관련이 있는 몇몇의 파라미터 값을 사용자의 정의에 의존하게 되는데, 파라미터 값에 따른 성능 변화를 예측하기 어렵다. 따라서 사용자 정의 파라미터의 최적 값을 구하기 위한 방법으로 유전 알고리즘을 사용한다. 개발언어로는 파이슨(Python)을 사용하며, 개발 알고리즘은 개방된 라이브러리(open source library)를 기반으로 LIBSVM(a LIBrary for Support Vector Machines)를 활용하여 유전 알고리즘과 서포트 벡터 회귀의 결합 모델인 GA-SVR을 구축한다.
케이스 1부터 18을 가지고 모델의 자체 성능평가를 통해 모델의 타당성을 검증하고, 케이스 19부터 33으로 다른 예측방법과 비교하여 제안하는 모델의 실효성을 검증한다. 모델 자체의 예측 정확도를 측정하기 위해서 리브 원 아웃 교차검증 (leave-one-out crossvalidation) 방법을 사용한다. 이 방법은 초기 n개의 데이터 셋을 n-1개의 학습 데이터와 1개의 검증 데이터로 분할한후, 각각의 데이터를 대상으로 검증을 n번 반복 수행한다.
또 지역별로 자재비 및 노무비의 차이가 발생하고, 대도시에서 떨어진 지역일수록 자재의 운송비가 상승하기 때문에 지역별 차이가 발생한다. 이에 지역별 공사비 지수(Korean National Housing Corporation, 2005)를 이용하여 수도권을 기준으로 공사비를 보정하였다(Table 2).
(7) 변이: 변이는 교차 후에 발생한다. 제안하는 모델에서는 다음 세대에서의 변이 발생 여부를 polynomial mutation method에 따라서 결정한다. 변이 발생 확률을 0.
성능/효과
(2) 적합도 정의: 생태계에서 개체들은 환경에 대한 적응여부에 따라 적자생존의 원칙으로 자연적으로 도태되고 진화한다. 이러한 환경에 적응한다는 개념을 도입하여 정량화해서 적합도 라고 한다.
Lim(2010)은 공사비에 영향을 미치거나 예측하는데 필요한 모든 영향요인을 감안할 경우, 공사비 예측의 정확도는 향상되겠지만 수집할 수 있는 데이터의 한계가 발생하고 데이터를 수집하는데 소요되는 인력 및 비용의 낭비가 발생할 수 있을 뿐만 아니라 이후에 공사비 예측방법이 복잡해짐에 따라 투입되는 시간이 증가하여 효율성이 떨어질 수 있다고 판단하고, 도출된 영향요인에 대한 전문가 면담을 실시하여 중복되는 영향요인을 통합하고, 공동주택의 특성을 반영할 수 없는 요인을 제거하였다. 결론적으로 공동주택 초기공사비에 영향을 미치는 영향요인을 연면적, 용적률, 건폐율, 대지면적, 건축면적, 층수, 지하층수, 동수, 총 세대수, 평균평수, 마감수준, 층고, 지붕형식, 주차장면적, 기초형식 등 15개 요인으로 설정하였다.
이러한 단점을 보완하기 위해 서포트 벡터 회귀에서 사용되는 파라미터 값을 유전 알고리즘으로 최적화해서, 그 적용가능성을 검토하였다. 본 연구에서 제안한 GASVR 모델은 유전 알고리즘을 통해 세대가 진화하면서 최적 파라미터를 얻었기 때문에 시행착오를 거치지 않으면서도 최적화 된 파라미터 값을 찾을 수 있었다. 제안한 모델의 자체평가를 통해서 객관적으로 최적의 파라미터를 찾아가는 과정을 보여주었고, 실제 값과 예측 값을 비교한 결과 기존 연구에서 제안한 사례기반 추론방법보다 더 좋은 예측정확도를 나타내었다.
사례기반 추론방법에서의 전진제거 방식과 후진제거 방식으로 분석한 결과, 전진제거 사례기반 추론방법을 사용한 경우 평균오차율과 PRED(25)가 각각 12.07%, 70%로 나타났고, 후진제거 사례기반 추론방법을 사용한 경우에는 각각 17.51%, 90%로 나타났다. 제안한 GA-SVR을 적용했을 경우 각각 5.
Son(2012)은 주성분 분석방법 (Principal Component Analysis, PCA)을 서포트 벡터 회귀에 적용해서 공사비를 예측할 수 있는 PCA-SVR 모델을 개발하였다. 연구에서 기존에 진행되었던 다중선형회귀 (Multiple Linear Regression), 의사결정나무 (Decision Tree, DT), 인공신경망, 서포트 벡터 회귀를 단독으로 사용 할 때 보다 PCA-SVR모델이 예측정확도가 높다는 것을 검증했다. 서포트 벡터 회귀는 인공신경망보다 높은 예측력을 나타낼 뿐만 아니라 인공신경망의 한계점으로 지적되었던 과대적합으로 인한 일반화 어려움, 국소최적화와 같은 문제점들을 완화하는 장점을 갖고 있기 때문에 많은 관심을 받고 있다(Park 2009).
33%로 우수한 예측 정확도를 보인다. 이전 연구의 경우, 상관관계 분석을 통해 서포트 벡터 회귀 모델의 파라미터를 결정하기 위해 여러 차례 선별과정을 거치는데, 본 연구에서는 이러한 과정을 거치지 않고서도 우수한 예측 정확도를 나타냄을 알 수 있었다(Table 5).
51%, 90%로 나타났다. 제안한 GA-SVR을 적용했을 경우 각각 5.31%, 93.33%로 우수한 예측 정확도를 보인다. 이전 연구의 경우, 상관관계 분석을 통해 서포트 벡터 회귀 모델의 파라미터를 결정하기 위해 여러 차례 선별과정을 거치는데, 본 연구에서는 이러한 과정을 거치지 않고서도 우수한 예측 정확도를 나타냄을 알 수 있었다(Table 5).
본 연구에서 제안한 GASVR 모델은 유전 알고리즘을 통해 세대가 진화하면서 최적 파라미터를 얻었기 때문에 시행착오를 거치지 않으면서도 최적화 된 파라미터 값을 찾을 수 있었다. 제안한 모델의 자체평가를 통해서 객관적으로 최적의 파라미터를 찾아가는 과정을 보여주었고, 실제 값과 예측 값을 비교한 결과 기존 연구에서 제안한 사례기반 추론방법보다 더 좋은 예측정확도를 나타내었다. 최적 파라미터를 찾는 과정을 단순화 시키면서 정확도를 향상시켰기 때문에 서포트 벡터 회귀를 적용한 연구 및 공사비 예측 실효성을 높일 수 있을 것으로 기대된다.
후속연구
제안한 모델의 자체평가를 통해서 객관적으로 최적의 파라미터를 찾아가는 과정을 보여주었고, 실제 값과 예측 값을 비교한 결과 기존 연구에서 제안한 사례기반 추론방법보다 더 좋은 예측정확도를 나타내었다. 최적 파라미터를 찾는 과정을 단순화 시키면서 정확도를 향상시켰기 때문에 서포트 벡터 회귀를 적용한 연구 및 공사비 예측 실효성을 높일 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공신경망의 한계점은 무엇인가?
그중에서도 인공신경망은 비용 예측분야에서 회귀분석보다 우수한 것으로 나타나면서 점점 더 활용되고 있다(Bode 2000). 그러나 인공신경망은 입력패턴 분포추정을 위한 대량의 학습 데이터가 필요하고, 과도적합(over fitting) 문제로 인해 일반화가 어려울 뿐만 아니라 초기화 작업에서 연구자가 공사비 예측에 대한 경험이 없으면 변수설정에 어려움을 겪고 결과해석이 어렵다는 한계가 있다(Park 2006). 이러한 문제의 해결방안으로 서포트 벡터 회귀(Support Vector Regression, SVR) 방법이 제시되었다.
서포트 회귀분석의 장단점은 무엇인가?
통계학적 방법 중 서포트 벡터 회기분석은 비용예측 분야에서 뛰어난 일반화 능력으로 많은 주목을 받고 있다. 하지만 서포트 회귀분석은 조정해야 할 파라미터가 단순함에도 불구하고 최적의 파라미터를 결정하는 방법은 시행착오적인 방법을 적용해야 하는 문제점이 있었다. 따라서 최적의 파라미터를 보다 효율적으로 결정하기 위해 본 연구에서는 유전 알고리즘을 적용하고, 이를 통해 서포트 벡터 회귀를 효율적으로 활용한 공사비 예측이 가능 할 것이다.
사용자 정의 파라미터의 최적 값을 구하기 위해 유전 알고리즘을 사용하는 이유는?
본 연구는 공동주택 프로젝트 초기 기획단계에 공사비 예측을 위한 GA-SVR 모델을 제안한다. 서포트 벡터 회귀에서는 성능과 밀접한 관련이 있는 몇몇의 파라미터 값을 사용자의 정의에 의존하게 되는데, 파라미터 값에 따른 성능 변화를 예측하기 어렵다. 따라서 사용자 정의 파라미터의 최적 값을 구하기 위한 방법으로 유전 알고리즘을 사용한다.
참고문헌 (22)
Bode, J. (2000). "Neural networks for cost estimation: Simulations and pilot application." International Journal of Production Research, 38(6), pp. 1231-1254.
Chen, K. Y., and Wang, C. H. (2007). "Support vector regression with genetic algorithms in forecasting tourism demand." Tourism Management, 28(1), pp. 215-226.
Cherkassky, V., and Mulier, F. (1998). Learning from data: Concepts, theory, and methods, Wiley, New York, USA.
Cho, H. G., Kim, K. G., Kim, J. Y., and Kim, G. H. (2013). "A comparison of construction cost estimation using multiple regression analysis and neural network in elementary school project." Journal of the Korea Institute of Building Construction, 13(1), pp. 66-74.
Duverlie, P., and Castelain, J. M. (1999). "Cost estimation during design step: Parametric method versus case based reasoning method." The International Journal of Advanced Manufacturing Technology, 15(12), pp. 895-906.
Holland, J. H. (1975). Adaptation in natural and artificial systems, MA: MIT Press, London, UK.
Jin, R. Z. (2014). "Development of cash flow forecasting model in the early stage of construction project." Ph.D. Dissertation, The graduate School of the University of Seoul, Seoul, Korea.
Kim, G. H., Yoon, J. E., An, S. H., Cho, H. H., and Kang, K. I. (2004). "Neural network model incorporating a genetic algorithm in estimating construction costs." Building and Environment, 39(11), pp. 1333-1340.
Kim, M. J., Moon, H. S. and Kang, L. S. (2013). "Development of an approximate cost estimating model for bridge construction project using CBR method." Korean Journal of Construction Engineering and Management, KICEM, 14(3), pp. 42-52.
Korea Institute of Construction Technology (2013) "Construction Cost Index", Korea Statistical Information Service.
Korea National Housing Corporation (2005) "Public housing construction cost analysis", Korea Land and Housing Corporation, pp. 368-369.
Kwon, K. T., and Park, S. K. (2009). "Estimation of software project effort with genetic algorithm and support vector regression." The Korea Information Processing Society Transactions. Part D., 16D(5), pp. 729-736.
Lee, H. S., Lee, H. K., Park, M. S., Kim, S. Y. and Ahn, J. S. (2012). "Conceptual cost estimating system development for public apartment projects." Korean Journal of Construction Engineering and Management, KICEM, 13(4), pp. 152-163.
Lim, S. Y. (2010). "A study on improving the estimation accuracy of apartment project cost." MS thesis, Chonnam National University, Kwang Ju, Korea.
Pai, P. F., and Hong, W. C. (2005). "Forecasting regional electric load based on recurrent support vector machines with genetic algorithms." Electric Power Systems Research, 74(3), pp. 417-425.
Park, J. S. (2006). "An empirical comparison between support vector regression and neural networks." MS thesis, Dongguk University, Seoul, Korea.
Park, S. K. (2009). "Estimation of software project effort with genetic algorithm and support." MS thesis, Kangnung National University, Won Ju, Korea.
Park, U. Y., and Kim, G. H. (2007). "Construction cost of apartment housing projects based on support vector regression at the early project stage." Journal of the Architectural Institute of Korea, 23(4), pp. 165-172.
Scholkopf, B., and Smola, A. (2002). Learning with kernels, MIT Press, London, UK.
Scholkopf, B., Burges, J., and Smola, A. (1999). Advances in kernel methods: Support vector learning, MIT Press, London, UK.
Son, H. J., Kim, C. M., and Kim, C. W. (2012). "Hybrid principal component analysis and support vector machine model for predicting the cost performance of commercial building projects using pre-project planning variables." Automation in Construction, 27, pp. 60-66.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.