近年来我国商业地产行业蓬勃发展,不断出现各种新型的商业地产业态,随着市场的不断发展,这一细分地产业态的建造成本估算就显得尤为重要。在传统的造价估算模式下,商业地产造价预测多基于政府或者行业发布的造价定额结合一定的调整参数进行计算,这种计算方法主观性较大、过程繁琐且缺乏说服力,已经不能适应行业管理需要。行业内迫切需要引进先进的计算方法和思路,通过可量化的、科学化的计算来提高造价预测的效率和准确性。通过对国内外相关领域的研究成果检索和分析发现,多年来造价预测领域的研究大多的集中在传统住宅项目和市政项目,针对商业地产项目的造价预测研究比较少。商业地产特别是写字楼项目样本案例少、设计独特、系统复杂、建造难度大、不可复制等特点决定此类项目的造价预测与传统住宅或者市政工程有很大不同,其预测模型不能生搬硬套。因此针对这一细分地产领域的造价预测研究具有较大的理论意义和实践价值。随着计算机科学以及人工智能理论的不断发展,一些人工智能算法逐渐被应用到工程造价预测中来并取得了大量的研究成果。例如BP神经网络算法在传统住宅和市政工程领域的应用便是近年的研究热点。BP神经网络算法适用于具有大样本量的项目造价预测,而在商业地产特别是写字楼项目这样的小样本预测场景下可能出现过拟合的现象,从而影响预测精度与稳定性。本文尝试在传统BP神经网络基础上选择更适用于小样本预测的广义回归神经网络算法(GRNN)对若干已竣工的写字楼项目进行训练和预测,用以验证该方法在商业地产造价预测领域的应用价值。与BP神经网络相比,广义回归神经网络在逼近性能、训练速度和数据分类等很多方面的表现更为优秀且参数设置更为简单,尤其在数据缺乏或者不稳定时仍然具有较好的表现。另外,商业地产造价的影响因素繁多,若将所有的造价影响因素全部作为模型的输入数据,会使模型的复杂度成倍增加。前人的研究中多根据行业经验,主观地选择具有代表性的造价影响因子,而这种选择缺乏足够的科学性和说服力。本文引入主成分分析法(PCA)对原始样本数据进行降维处理。PCA法通过线性变换将原始数据转化成为新的数据矩阵即数据主成分,这些主成分保留了大部分的原始信息,而且主成分之间彼此相互独立,从而实现了原始数据的降维并解决了数据量纲和权重不统一的问题。最后,为了验证PCA-GRNN模型的预测精度和稳定性,本文还选取近年较为常用的支持向量机和BP神经网络模型,将同样的样本数据分别代入其中进行训练和预测,通过相对误差、平均相对误差率和均方根误差等指标的对比分析,证明了相较于近年常用的造价预测方法,PCA-GRNN预测方法在商业地产造价预测这种小样本多影响因子的场景中具有更高的精度和稳定性且操作更为简便。该模型具有BP神经网络自适应、自学习的能力,同时具有适用于小样本场景、人为设置参数少的特点。以上的探索过程参考了前人的研究成果也有创新之处,本文主要的创新点如下:一、将数学建模方法引入写字楼地产的造价预测领域中来;二、建立了基于主成分分析法和广义回归神经网络的小样本造价预测模型;三、研究过程中引入常用的数据预测模型进行对比研究。通过研究得出如下主要结论:一、将数学建模方法引入写字楼地产的造价预测领域具有较高的可行性,为解决行业困扰提供了新的思路;二、建立了基于PCA-GRNN的小样本预测模型,为类似的小样本工程造价的预测进行了较好的理论探索。本文在研究过程中首次尝试支持向量机方法在商业地产造价预测领域的应用,该方法的核心函数选择和参数调整十分复杂,如何建立适用于地产领域的核心函数选择方法和参数设置方法值得进一步深入研究。