Journal of Construction Engineering and Management· 2026Q1
İnşaat Malzemesi Fiyat Tahmini İçin Granüler Bir Çerçeve: Ekonometrik ve Makine Öğrenmesi Yaklaşımları
Granular Framework for Construction Material Price Forecasting: Econometric and Machine-Learning Approaches
- 2atıf
- Q1SCImago
- 2026yıl
Kısa özet
CSI MasterFormat verilerini ve açıklayıcı değişkenleri (hammadde fiyatları, emtia endeksleri, makroekonomik göstergeler) kullanan yeni bir tahmin çerçevesi, inşaat malzemesi fiyatları için ARIMA'ya göre %59'a varan oranlarda daha iyi doğruluk sağladı; LSTM modelleri en yüksek performansı gösterdi (Bölüm 06 için RMSE 4.19, MAPE 1.60).
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- CSI MasterFormat verilerini kullanarak granüler bir inşaat malzemesi fiyat tahmini çerçevesi geliştirildi.
- Açıklayıcı değişkenlerin (hammadde fiyatları, emtia endeksleri, makroekonomik göstergeler) dahil edilmesi, test edilen tüm modellerde doğruluğu artırdı.
- LSTM modeli en yüksek doğruluğu elde etti (Bölüm 06 için RMSE 4.19, MAPE 1.60), bu da ARIMA'ya göre %59'luk bir iyileşme sağladı.
- Çerçeve, birden fazla CSI Bölümü genelinde ölçeklenebilirlik gösterdi ve Bölüm 06 (Ahşap, Plastik ve Kompozitler) bir vaka çalışması olarak ayrıntılı olarak sunuldu.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract The persistent volatility of construction material prices poses significant risks to cost estimation, budgeting, and project delivery, underscoring the urgent need for granular and scalable forecasting methods. This study develops a forecasting framework that leverages the Construction Specifications Institute (CSI) MasterFormat as the target data structure, enabling predictions at the six-digit Section level and supporting detailed cost projections across a wide spectrum of building materials. To enhance predictive accuracy, the framework integrates explanatory variables such as raw material prices, commodity indexes, and macroeconomic indicators. Five time-series models, long short-term memory (LSTM), autoregressive integrated moving average (ARIMA), vector error correction model (VECM), vanilla Transformer, and Chronos-Bolt, were evaluated under both baseline configurations (using CSI data only) and extended versions with explanatory variables. Results demonstrate that incorporating explanatory variables significantly improves predictive performance across all models. Among the tested approaches, the LSTM model consistently achieved the highest accuracy, with root mean squared error (RMSE) values as low as 4.19 and mean absolute percentage error (MAPE) values of 1.60 based on Division 06 as a representative demonstration, representing improvements of up to 59% over the traditional statistical time-series model, ARIMA. Validation across multiple CSI Divisions within the residential-material confirmed the framework’s scalability, while Division 06 (Wood, Plastics, and Composites) is presented in detail as a demonstration case. This research offers a robust methodology that enables owners and contractors to improve budgeting practices and achieve more reliable cost estimation at the definitive level.
Yazarların özeti; kaynağından alınmıştır. Journal of Construction Engineering and Management, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yöneylem Araştırması ve Yönetim Bilimi
Management Science and Operations ResearchDecision Sciences