건축 프로젝트에서 초기단계에서의 정확한 공사비예측은 성공적인 프로젝트의 중요한 요소이다. 기존의 연구들을 보면 공사비를 예측하기 위한 방법으로 주요하게 통계학적인 방법이 많이 활용되었다. 많은 통계학적 방법 중에서도, 서포트벡터 회귀는 비용예측 분야에서 우수한 공사비 예측정확도와 학습 데이터를 이용한 뛰어난 예측모형 구축 능력으로 많은 주목을 받고 있다. 하지만 서포트벡터 회귀는 조정해야 할 매개변수가 단순함에도 불구하고 최적의 매개변수 값을 결정하기 위해 시행착오적인 방법을 적용해야 하는 문제점이 있다. 따라서 효율적인 서포트벡터 회귀모형을 구축하기 위해서는, 매개변수에 대한 다른 추가적인 처리과정을 거치지 않고서도 적절하게 서포트벡터 회귀의 매개변수 값이 결정되어야 한다. 이에 본 연구에서는 최적의 매개변수를 보다 효율적으로 결정하기 위한 매개변수 표본추출 자동화 과정을 도입한 방법을 제안했다. 이 방법을 통해서 서포트벡터 회귀모형에 필요한 최적 매개변수 값들을 효율적으로 도출하고, 이 매개변수 값들로 서포트벡터 회귀 예측모형을 구축해서 공동주택 프로젝트의 초기단계에 공사비를 예측할 수 있다. 주요 연구내용은 1)기존의 공동주택건설 초기단계 공사비예측에 관련된 이론적 고찰을 통하여 공사비에 영향을 주는 요인들을 도출하고, 2)도출한 영향요인들을 기반으로 공사비예측을 진행할 수 있게 하는 매개변수 표본추출 자동화 과정을 도입한 서포트벡터 회귀모형을 구축한 후, 3)실제 데이터들을 확보해서 제안하는 예측모형을 검증하는 것이다. 기존의 서포트벡터 회귀모형과 인공신경망 모형하고 비교하여 제안하는 모형의 예측정확도와 실효성을 검증한다. 같은 데이터를 대상으로 제안하는 서포트벡터 모형과 인공신경망 모형으로 각각 공사비를 예측하였을 때의 실험결과를 보면 제안하는 모형의 예측오차율이 8.06%로 인공신경망 모형의 10.89%보다 예측정확도가 더 정확하게 나타났다. 그리고 일정한 시간 내에 서포트벡터 회귀에 대한 전문지식이 없는 사용자가 기존의 서포트벡터 회귀모형으로 공사비를 예측할 경우 오차율이 9.54% 나타났는데, 제안하는 서포트벡터 회귀모형을 사용했을 때에는 8.27%의 오차율을 나타냈다. 이를 통해 제안한 매개변수 표본추출 자동화 과정을 도입한 서포트벡터 회귀모형은 시행착오적인 과정을 거치지 않고서도 효율적이고도 정확하게 공사비예측을 할 수 있다는 것을 검증하였다.
The accurate estimation of construction cost is important to a successful construction projects. In previous studies, the construction cost is mainly estimated by introducing statistical methods. Among the statistical methods, support vector regression (SVR) has attracted a lot of attentions because of the predict accuracy and modeling capability with training data. However, despite the simplicity of the parameter to be adjusted, it is not easy to find out optimal parameters. Therefore, to build an effective SVR model, SVR’s parameters must be set properly without additional parameter handling loads. So this study proposes a novel approach, known as Automated Parameter Sampling Process (APSP), which searches SVR’s optimal parameters, then adopt the parameters to the SVR model for estimating cost of apartment housing projects at the preliminary phase. The aim of this study is to propose an APSP-SVR model and validate it by comparing it with general SVR model and Artificial Neural Network model (ANN). The validation results demonstrate the efficiency and accuracy of proposed model: users who do not have knowledge on support vector regression can use it without manual trial and error process to select optimization parameters, and the error rate of estimations is 8.27%, what general SVR’s is 9.54%. In terms of findings, validate it can effectively do the accurate estimation without through the trial and error process.