《AUTOMATION IN CONSTRUCTION》：AI-driven decision support system for construction cost forecasting and consultation using optimized deep learning and language models
编辑推荐：
本研究开发了一个基于AI的决策支持系统，通过整合深度学习模型xLSTM、大型语言模型LLMs以及多源数据（历史CCI记录、宏观经济指标和传统中文新闻情感分析），提升建筑成本指数CCI的预测精度和决策支持能力，并采用PWO算法优化超参数配置。
Jui-Sheng Chou|Mei-Yuan Lin|Nguyen-Ngan-Hanh Pham
国立台湾科技大学，台北，台湾
摘要
建筑材料价格的波动通过建筑成本指数（CCI）显著影响项目预算和投标策略。本文开发了一个基于人工智能的决策支持系统，用于建筑成本预测和咨询，该系统整合了深度学习和大型语言模型（LLMs），以实现智能的CCI预测。多源数据框架结合了历史CCI记录、宏观经济指标以及从中文建筑新闻中提取的情感信息。时间序列预测采用了扩展长短期记忆（xLSTM）网络，而情感模型则使用量化低秩适应（QLoRA）进行了微调。QLoRA微调后的LLMs和xLSTM预测模型的超参数通过Pilgrimage Walk Optimization（PWO）算法进行了优化，从而为短期和中期预测提供了两种特定的配置。实验结果表明，整合情感特征和基于PWO的调优能够显著提高预测准确性，相比基线模型有明显提升。所部署的平台集成了CCI预测、情感分析和检索增强咨询功能，提供了可解释的预测结果，有助于加强建筑管理中的成本控制和决策制定。
引言
在建筑行业中，资源成本（包括材料、劳动力和设备）占总项目支出的最大份额。其中，材料价格的波动是成本超支的主要原因[1]。鉴于建筑项目的长期周期和资源密集型特点，这种波动会显著影响正在进行的工作的盈利能力以及投标时采用的定价策略。建筑成本指数（CCI）是整体成本趋势的关键指标，承包商在准备投标时会定期参考该指数，以考虑预期的成本上涨[2]。因此，准确预测CCI趋势对于改善成本控制、增强投标竞争力和支持长期财务规划至关重要。
在台湾，由于自然资源有限，大多数关键建筑材料需要进口，CCI对国际市场动态特别敏感。全球经济周期、地缘政治紧张局势和汇率波动进一步增加了成本预测的复杂性[3]。尽管对及时成本信息的需求日益增长，但台湾建筑行业仍面临数据相关挑战。政府发布的定价信息仅每月发布一次且存在显著延迟，而相关市场信息则通过财经新闻、行业报告和政策公告传播。手动整合这些碎片化的文本信息既耗时又容易忽略影响材料价格趋势的关键信号。
随着数字通信渠道的扩展，市场相关信息现在来自在线新闻平台、社交媒体和其他实时信息流。虽然这些非结构化数据来源丰富且即时，但将其纳入预测工作流程颇具挑战性。在这种情况下，人工智能（AI）技术（如自动新闻提取、自然语言处理（NLP）和情感分析）为整合此类信息并改进中长期价格预测提供了机会。大型语言模型（LLMs）的最新进展进一步增强了在非结构化文本中识别模式和支持数据驱动的市场动态解释的能力。
然而，现有的CCI预测方法主要集中在结构化的数值指标上，而嵌入在建筑相关新闻和政策报告中的行业特定市场信号在预测工作流程中尚未得到充分利用。在台湾背景下，许多信息是以中文发布的，这需要能够准确解释当地术语和行业特定表达的语言模型。因此，当前的预测实践缺乏系统地将文本信息与经济指标结合的机制，从而限制了行业领域知识在CCI预测模型中的整合。这些局限性凸显了需要一种能够整合异构数据源并提高预测可靠性的综合预测方法。
为了解决这些挑战，本研究开发了一个专为台湾建筑市场设计的综合预测和咨询平台。该系统结合了深度学习（DL）、LLMs和检索增强生成（RAG），将宏观经济指标与从建筑相关新闻中提取的情感信息相结合，从而提高了CCI预测的性能。尽管以台湾为实证背景，但该方法论框架可广泛应用于其他数据稀缺或依赖进口的市场，通过替换本地经济指标、特定语言的情感模型和区域新闻来源，可以增强该方法的应用性。
本研究的贡献如下：
(1)一个针对中文建筑相关新闻的领域适应性情感分类模型，使用量化低秩适应（QLoRA）进行微调。
(2)一个多模态预测框架，将LLM派生的情感信息与数值经济指标相结合，以提高CCI预测的准确性。
(3)应用Pilgrimage Walk Optimization（PWO）算法对预测模型和语言模型的超参数进行优化。
(4)一个综合咨询平台，利用基于RAG的摘要和查询功能支持市场解读，以提高用户交互性和可解释性。
本文的其余部分组织如下。第2节回顾了人工智能在金融和建筑成本预测中的应用相关理论和先前研究，以及深度学习（DL）、LLMs和元启发式优化的最新进展。第3节介绍了研究方法论，包括数据预处理、使用量化低秩适应（QLoRA）进行情感模型微调、使用Pilgrimage Walk Optimization（PWO）算法进行超参数优化，以及时间序列预测模型的设计。第4节报告了情感分类和CCI预测模块的开发和评估。第5节介绍了综合咨询平台，第6节总结了主要发现、局限性及未来研究的方向。
节选
文献综述
预测建筑成本指数（CCI），其主要受材料价格波动驱动，涉及金融市场分析、人工智能（AI）、情感分析和优化理论的跨学科研究。为了为本研究奠定全面的基础，本节综合了四个互补视角的先前研究。首先探讨了材料价格在复杂金融系统中的演变情况，特别关注研究方法论
本节介绍了研究方法论和整体技术框架，如图1所示。研究分为三个主要阶段。
第一阶段涉及数据收集和预处理，整合商品价格数据、宏观经济指标和从新闻中提取的情感信息，构建一套全面的时间序列特征。
第二阶段专注于开发建筑成本指数（CCI）预测模型。该模型基于深度学习（DL）
模型开发与性能分析
本章介绍了本研究两个主要模块的建模过程和分析结果：情感分类和建筑成本指数（CCI）预测。范围包括数据标注、模型训练、优化策略以及预测性能的评估。
情感分析模块在一台配备Intel Core i7–14,700处理器、NVIDIA RTX A6000 48GB GPU和64GB DDR5内存的专业工作站上进行了微调。系统运行在Windows
预测与智能咨询平台的开发
本研究开发的建筑成本指数预测和智能咨询平台采用模块化系统架构，整合了三个核心组件：（i）预测模块，（ii）智能咨询模块，以及（iii）报告导出模块。这种模块化设计实现了功能分离，同时支持预测和决策支持的集成分析工作流程。该平台主要使用Python实现，具有网页界面
结论
本文研究了原材料价格波动对台湾建筑项目成本和投标策略的影响。提出了一个用于建筑成本指数（CCI）的智能预测和咨询系统。通过整合时间序列深度学习模型、LLMs和元启发式优化，该框架有效地结合了结构化经济指标和从建筑相关新闻中提取的情感特征。由此产生的模块化系统能够
知识产权
我们确认已充分考虑了与本工作相关的知识产权保护问题，且不存在出版障碍，包括时间方面的问题。在此过程中，我们确认遵守了所在机构的知识产权规定。
研究伦理
本文不涉及任何作者进行的涉及人类参与者或动物的临床或干预性研究。问卷调查已由国立台湾科技大学（NTUST）土木与建筑工程系的机构审查委员会审查，并被认为无需进行完整的伦理审查。与编辑部的联系
手稿标题页上的通讯作者是：Jui-Sheng Chou。该作者使用其在EVISE中的账户提交了本手稿。我们了解到这位通讯作者是编辑流程（包括EVISE和与编辑部的直接沟通）的唯一联系人。他负责与其他作者沟通进展、修订提交以及最终稿件的批准。CRediT作者贡献声明
Jui-Sheng Chou：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、概念化。Mei-Yuan Lin：撰写 – 原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理。Nguyen-Ngan-Hanh Pham：撰写 – 审稿与编辑、可视化、方法论、调查。
作者身份
所有列出的作者均符合期刊要求。我们确认所有作者都对本文的创作做出了重要贡献，每位作者均符合期刊的标准。我们确认所有列出的作者都已阅读并批准了手稿。我们确认所有列出的作者都已批准手稿中作者的排序。
资金支持
本项工作获得了资金支持。本文所述工作的所有资金来源如下：国家科学技术委员会，台湾。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。致谢
作者感谢国家科学技术委员会（NSTC 114-2221-E-011-055-MY3）对本研究的财务支持。
