공사비 예산 예측을 위한 ANN모델과 MLR모델 개발 및 비교 연구 - 공공청사 건축공사비 예산을 중심으로 - (Study on the Development and Comparison of ANN and MLR Models for Construction Budget Estimation - Focusing on the Construction Budget for Public Building Projects -)

서지정보

· 발행기관 : 한국건설관리학회
· 수록지 정보 : 한국건설관리학회 논문집 / 26권 / 1호 / 31 ~ 44페이지
· 저자명 : 박지영, 김한수

초록

공사비 예산은 해당 건설사업의 사업성과 타당성을 결정짓는 중요한 잣대이기 때문에, 건설사업에서 공사비 예산을 체계적으로 예측하여 적정한 공사비 예산을 설정하는 것은 발주자에게 매우 중요한 현안이다. 또한, 사업 초기 단계에 설정된 공사비 예산의 준수가 가능한 설계가 진행되고 있는지를 점검하기 위해서는 공종별로 분기된 공사비 관리가 필요하다. 공사비 예산 예측의 전통적인 방법은 실적 데이터를 활용한 견적자의 경험 및 판단에 의존하는 것이다. 그러나 주관적인 견적자의 경험 및 판단에 의존한 예측은 공사비 산정의 불확실성을 높이는 단점이 있으며 이를 개선하기 위해서는 보다 정교하며 진화된 모델을 활용할 필요가 있다. 본 연구의 목적은 공공청사 건축공사비 예산을 중심으로 Artificial Neural Network (ANN)기법과 Multiple Linear Regression (MLR)기법을 활용한 공사비 예산 예측 모델을 개발 및 비교하여 각 모델이 건축공사비 예산 예측에 활용할 수 있는 모델인지 검증하고, 주요 특징과 시사점을 도출하는 데 있다. 연구 결과로 ANN 및 MLR을 활용한 모델을 개발하였으며, 각각 –36.3%~58.0%, -27.7%~32.8%의 오차율 범위를 보여 두 모델 모두 공사비 예산 예측을 위한 방법론으로 유용하게 활용될 수 있음을 확인하였다. 이 과정에서 균질성을 가지는 데이터에 대해서는 MLR이 ANN에 비해 상대적으로 안정적인 예측 성능을 보이고 있다는 특징을 확인할 수 있었다.

영어초록

The construction budget is crucial for determining a project's feasibility, making systematic budget prediction essential for project owners. To ensure compliance with the initial budget during the design phase, it is necessary to manage the budget with a breakdown by work type. Traditional methods rely on estimators' experience and judgment using historical data, which can introduce uncertainty. The objective of the study is to develop and compare budget prediction models using Artificial Neural Network (ANN) and Multiple Linear Regression (MLR) techniques, focusing on public office building construction costs. The study evaluates the effectiveness of these models for budget prediction and identifies key characteristics. The results show that the models using ANN and MLR have error ranges of -36.3% to 58.0% and -27.7% to 32.8%, respectively, demonstrating their utility. Additionally, the MLR model exhibited more stable predictive performance for homogeneous data compared to the ANN model.

참고자료

· 없음