論文の概要: A Granular Framework for Construction Material Price Forecasting: Econometric and Machine-Learning Approaches

• arxiv url: http://arxiv.org/abs/2512.09360v1
• Date: Wed, 10 Dec 2025 06:44:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.418074
• Title: A Granular Framework for Construction Material Price Forecasting: Econometric and Machine-Learning Approaches
• Title（参考訳）: 建設材料価格予測のためのグラニュラーフレームワーク:計量と機械学習のアプローチ
• Authors: Boge Lyu, Qianye Yin, Iris Denise Tommelein, Hanyang Liu, Karnamohit Ranka, Karthik Yeluripati, Junzhe Shi,
• Abstract要約: 本研究では,構築仕様研究所 (CSI) MasterFormat を対象データ構造として活用する予測フレームワークを開発した。 予測精度を高めるため、このフレームワークは原材料価格、商品指数、マクロ経済指標などの説明変数を統合する。
• 参考スコア（独自算出の注目度）: 2.7594090818615933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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. 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.
• Abstract（参考訳）: 建設資材価格の持続的なボラティリティは、コスト見積、予算設定、プロジェクト提供に重大なリスクをもたらし、粒度でスケーラブルな予測方法の緊急の必要性を浮き彫りにしている。 本研究では, 建設仕様研究所(CSI) MasterFormat を対象データ構造として活用し, 6桁のセクションレベルでの予測を可能にし, 建築材料の幅広い範囲にわたる詳細なコスト予測を支援するための予測フレームワークを開発した。 予測精度を高めるため、このフレームワークは原材料価格、商品指数、マクロ経済指標などの説明変数を統合する。 4つの時系列モデル、Long Short-Term Memory (LSTM)、Autoregressive Integrated moving Average (ARIMA)、Vector Error Correction Model (VECM)、Chronos-Boltをベースライン構成(CSIデータのみ)と説明変数付き拡張バージョンの両方で評価した。 その結果、説明変数を組み込むことで、全てのモデルにおける予測性能が大幅に向上することが示された。 LSTMモデルは,従来の統計時系列モデルであるARIMAよりも最大59倍の精度で,RMSE値が1.390,MAPE値0.957であった。 複数のCSI部門にわたる検証によってフレームワークのスケーラビリティが確認され、ディビジョン06(Wood, Plastics, Composites)がデモケースとして詳細に紹介された。 この研究は、所有者と請負業者が予算化の実践を改善し、決定的レベルでより信頼性の高いコスト見積を実現するための堅牢な方法論を提供する。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Dynamic Lagging for Time-Series Forecasting in E-Commerce Finance: Mitigating Information Loss with A Hybrid ML Architecture [0.8192992814374568]
  動的ラグ機能工学と適応型ローリングウインドウ表現を統合したハイブリッド予測フレームワークを提案する。 提案手法は、請求書レベルの行動モデリング、サポートデータの構造化ラグ、およびカスタム安定性を考慮した損失関数を明示的に組み込んだものである。
  論文  参考訳（メタデータ） (2025-09-24T15:33:16Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• Reqo: A Robust and Explainable Query Optimization Cost Model [2.184775414778289]
  GRU(Gated Recurrent Units)によって集約された双方向グラフニューラルネットワーク(Bi-GNN)に基づくツリーモデルアーキテクチャを提案する。 我々は,確率的MLを用いて,コスト見積の不確実性を効果的に定量化する,新しい学習とランクのコストモデルを実装した。 さらに,学習型コストモデルに特化して設計された最初の説明可能性手法を提案する。
  論文  参考訳（メタデータ） (2025-01-29T04:48:51Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Enhanced forecasting of stock prices based on variational mode decomposition, PatchTST, and adaptive scale-weighted layer [1.9635048365486127]
  本研究では、変分モード分解(VMD)、PatchTST、適応スケール重み付け層(ASWL)を統合した新しい複合予測フレームワークを提案する。 VMD-PatchTST-ASWLフレームワークは従来のモデルに比べて予測精度が大幅に向上している。 この革新的なアプローチは、さまざまな財務分析や投資決定の文脈における潜在的な応用を含む、株価指数の価格予測のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-29T17:00:47Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
  我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。 当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。 統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
  論文  参考訳（メタデータ） (2020-04-17T19:41:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。