A Granular Framework for Construction Material Price Forecasting: Econometric and Machine-Learning Approaches
建筑材料价格的细粒度预测：计量与机器学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确比较多种时间序列模型开展材料价格预测，并加入宏观经济指标，因此归入时间序列和预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
建筑材料价格的细粒度预测：计量与机器学习方法
- 研究问题
- 如何在建筑材料分类的细粒度层面形成可扩展的价格预测？研究比较仅用历史分类价格与加入原材料及宏观指标的预测表现。
- 方法与思路
- 作者按 CSI 六位分类组织预测目标，比较 LSTM、ARIMA、VECM 与 Chronos-Bolt 的基础及扩展配置，并跨多个材料部门验证。
- 材料陈述的贡献
- 摘要称，加入解释变量改善了各模型预测表现，所测配置中 LSTM 精度最高；框架可扩展至多个材料部门并支持详细成本预测。
- 阅读关注点
- 应核对预测期、训练测试划分、解释变量的实时可得性及调参方式，并确认误差指标的单位与不同部门之间的可比性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未完整说明样本与验证设计，所报精度及改善幅度不能视为普遍优势。
原文摘要
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. Four time-series models, Long Short-Term Memory (LSTM), Autoregressive Integrated Moving Average (ARIMA), Vector Error Correction Model (VECM), 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 RMSE values as low as 1.390 and MAPE values of 0.957, representing improvements of up to 59\% over the traditional statistical time-series model, ARIMA. Validation across multiple CSI divisions 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.