在建设前期进行投资决策时,工程造价估算值是关键的参考数据,是编制项目建议书和可行性研究报告的依据,贯穿于后续项目实施的各个阶段。精准高效地估算工程造价一直是从业人员关注和研究的重点,估算准确与否将直接影响项目的投资决策,对各参与方至关重要。随着机器学习的蓬勃发展,各种智能算法在工程造价估算领域得到应用,以求能够快速准确地预估工程造价。本研究选择办公建筑为研究对象,选用适宜的机器学习方法,旨在构建误差小于10%的工程造价估算模型,用于项目初期的工程造价管理,主要研究内容如下:首先,在分析国内外研究现状,总结造价估算方法的基础上,阐述办公建筑、工程造价和机器学习的相关理论。针对项目初期信息不完整的情况,通过对文献进行梳理,筛选和调整能反映工程“量”和“价”特点的指标。工程“量”体现在建筑规模和工程特征上,建筑面积、层数和层高等指标能直接反映建筑的规模,结构类型、基础形式等指标可以体现工程的特征。而办公建筑新开工面积、地区生产总值和消费者物价指数可以反映市场经济对工程“价”的影响。在建筑工程指标与市场经济指标相结合的基础上,构建初始指标体系。运用主成分分析法对指标进行降维,消除指标间重复的信息,生成估算模型的输入向量。其次,通过合理选取训练参数与函数,构建BP神经网络模型和SVR模型。将19个地区共计85个办公建筑的样本数据处理后输入到模型中进行训练,并对模型的性能进行评估比较。结果表明,BP神经网络模型的估算误差约为12%,不符合模型期望的误差要求。SVR模型的估算误差约为8%,控制在10%以内,符合估算要求。经分析可知,BP神经网络利用梯度下降法更新权值和阈值,容易陷入局部最优情况,引发网络不稳定。为了改进现有模型的准确度,利用遗传算法对BP神经网络进行优化,建立GA-BP神经网络模型,使网络具有更快的收敛速度和更强的泛化能力。经遗传算法优化后的GA-BP神经网络模型的估算精度是最高的,误差约为6%,有效提高了办公建筑造价估算的准确性。充分利用工程造价管理过程中产生的数据信息,将机器学习相关智能算法运用到工程造价的估算过程中,可以提高造价估算的精度和效率,实现办公建筑造价管理的智能化。在机器学习模型的帮助下,可以使管理人员合理规划和使用工程资金,维护项目各参与方的利益,同时有助于将建筑工程的事后控制转换成事前控制,实现对工程造价的动态管理。