针对工程总承包（EPC）项目前期投资概算不确定性高、传统线性模型精度不足的现状，本研究提出一种基于集成学习算法的工程量指标预测框架。选取2018至2023年间竣工的98个高校宿舍楼EPC项目为样本，构建包含17项特征指标的体系。对比分析随机森林（RF）、梯度提升决策树（GBDT）与BP神经网络在32项核心指标上的预测效能。实证显示，三种模型决定系数均突破0.97。其中BP神经网络精度微幅领先，但存在“黑箱”局限；而集成学习模型在保持高精度的同时，能有效揭示总建筑面积、结构类型等因素的驱动作用。研究证明，该模型能为限额设计提供透明决策支撑，具有显著应用价值 。

[1] 高小喆. 建筑工程造价全过程管控技术分析. 中国招标. 2025(11):156-8.
[2] 胥筱娅. 大数据背景下工程造价数据挖掘与成本预测方法探析. 城市建设. 2025(28):23-5.
[3] 付龙洋. 基于大数据分析的房建工程造价精准预测方法探讨. 数字经济. 2026(Z1):84-5.
[4] 陆军. 基于XGBoost的居住建筑投资估算模型的构建和应用研究 [硕士]: 新疆大学; 2023.
[5] 周梦蝶, 王嘉君, 王欣悦. 基于机器学习算法的市政工程造价预测与效果研究. 工程机械与维修. 2025(06):52-4.
[6] 冀心成, 汪衍凯, 张迎, 许彦杰. 贝叶斯优化梯度提升树的室内日光照度分布预测. 计算机与现代化. 2023(09):44-50.
[7] 尚首良. 基于BP神经网络模型的住宅工程造价预测模型研究 [硕士]: 华南理工大学; 2023.
[8] 郭春溪. 基于PSO-BP神经网络的装配式建筑造价预测模型研究. 江西建材. 2025(12):382-4+8.