Bu çalışmada, İnşaat Maliyet Endeksi (CCI) tahmininde Holt-Winters Üstel Düzeltme Parametrelerinin PSO ve Walk-Forward Cross-Validation (WFCV) ile optimizasyonu yoluyla, Ortalama Mutlak Yüzde Hatasını (MAPE) en aza indirmeye odaklanılarak, tahminin doğruluğunu artırmak amaçlanmaktadır. Bu amaca ulaşmak için, Holt-Winters model parametreleri Parçacık Sürü Optimizasyonu (PSO) ve WFCV ile optimize edilmiştir. Bir metasezgisel optimizasyon algoritması olan PSO, sırasıyla geçmiş gözlemlerin, eğilimlerin ve mevsimselliğin ağırlığını belirleyen yumuşatma parametrelerinin (alfa, beta ve gama) optimal değerlerini aramak için uygulanmaktadır. WFCV, modelin performansını değerlendirir ve sağlamlığı sağlar. CCI tahminleri için 22'ye ve eğitim verileri için 2'ye düşürülen MAPE'ler, çalışmada optimize edilmiş Holt-Winters modelinin bulgularıdır. Elde edilen alfa, beta ve gama değerleri sırasıyla 0.99, 0.77 ve 0'dır ve mevsimselliğin ihmal edilmesinin önemini vurgulamaktadır. Yakınsama grafikleri, optimizasyon yaklaşımının geleneksel parametre değerleri veya rastgele seçimlere göre üstünlüğünü gösterir. Sonuçlar, Holt-Winters modeli, Parçacık Sürü Optimizasyonu ve WFCV kullanılarak hassas CCI tahmini için verimli bir şekilde hesaplanmıştır. Optimize edilmiş parametre değerleri, inşaat projesi maliyet tahmini ve bütçe yönetiminde bilinçli karar vermeye yardımcı olabilir niteliktedir. Bu çalışmanın, CCI tahmini için güvenilir ve sağlam bir optimizasyon metodolojisine katkıda bulunarak alandaki ilerlemeleri desteklediği düşünülmektedir.
This research aims to enhance the accuracy of Construction Cost Index (CCI) forecasting using Holt-Winters exponential smoothing (ES) by optimizing its parameters, focusing on minimizing the Mean Absolute Percentage Error (MAPE) for precise CCI forecasts. To reach this aim, The Holt-Winters model parameters are optimized through Particle Swarm Optimization (PSO) and Walk-Forward Cross-Validation (WFCV). PSO, a metaheuristic optimization algorithm, is being applied to search for optimal values of the smoothing parameters (alpha, beta, and gamma) that determine the weightage of past observations, trends, and seasonality, respectively. WFCV is assessed the model's performance and ensures robustness. Reduced MAPEs of 22 for CCI forecasts and 2 for training data are the findings of the optimized Holt-Winters model. The obtained alpha, beta, and gamma values are 0.99, 0.77, and 0, respectively, highlighting the importance of while neglecting seasonality. Convergence graphs demonstrate the superiority of the optimization approach over conventional parameter values or random selections. By employing PSO and WFCV, the study efficiently fine-tunes the Holt-Winters model for precise CCI forecasting. Optimized parameter values enable data driven decision-making in construction project cost estimation and budget management. This research contributes a reliable and robust optimization methodology for CCI forecasting, supporting advancements in the field.
Alan : Eğitim Bilimleri; Sosyal, Beşeri ve İdari Bilimler; Ziraat, Orman ve Su Ürünleri
Dergi Türü : Uluslararası
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|