Tiefes Ensemble-Lernen mit CNNs, DPCNNs und LSTMs zur Klassifikation von Baukosten

Mit dem Fortschritt der Kosteninformationen im Bauwesen ist die automatische Klassifikation von Bauprojektkosten zu einem entscheidenden Schritt zur Verbesserung der Managementeffizienz geworden. Traditionelle regelbasierte oder manuelle Methoden sind unzureichend, um zunehmend komplexe Ingenieuretexte zu bewältigen. Um dieses Problem anzugehen, schlägt diese Studie ein Deep-Learning-Framework vor, das Convolutional Neural Networks (CNNs), Deep Pyramid Convolutional Neural Networks (DPCNNs) und Long Short-Term Memory-Netzwerke (LSTMs) integriert. Ein standardisierter Datensatz mit 12.838 Datensätzen wurde auf Grundlage von Expertenannotation erstellt. Sechs Basislinienmodelle wurden sowohl unter der Zeichenebene- als auch unter der Wortebene-Tokenisierung trainiert, und ihre Vorhersagen wurden durch eine Mehrheitsabstimmungsstrategie kombiniert. Die experimentellen Ergebnisse zeigen, dass das Ensemble-Modell eine Genauigkeit von 97,59 % im Testdatensatz erreichte und besser abschnitt als Einzelmodelle, wobei die Zeichenebene-Tokenisierung bessere Ergebnisse lieferte. Die Ergebnisse bestätigen die Wirksamkeit von Modelle-Ensembling zur Verbesserung der Klassifikationsgenauigkeit und Robustheit und bieten eine praktikable Lösung für die intelligente Textklassifikation im Kostenmanagement sowie einen praktischen Referenzrahmen für die Digitalisierung und intelligente Anwendungen.