Page 33 - vol.49
P. 33

TSMC/ Facility Published







                    文獻探討




                    2.1  專案成本預估方法                                  因各主包標單工項繁多且變動性高，比價過程需要用人
                                                                   力比對耗費大量時間，為解決此問題，正透過產學合作
                    過去專案一開始的時候，由於資訊短缺，在只知道樓地                       方式，希望建立數位比對系統―藉由系統將歷史資料格
                    板面積、無塵室面積或產能需求的狀況下，只能根據歷                       式化、數位管理，並透過電腦程式自動比對以取代人工。
                    史案例，藉類比方式對面積及產能差異調整成本；再根
                                                                         [10]
                    據「物價」及匯率微調總價，此方法在估價類型中稱之                       吳宗諭     提出兩階段方法進行原油價格預測及原油採
                    為粗略估價 (Order of Magnitude Estimate)，適用於        購決策，第一階段先用資料探勘的技術從眾多變數中
                    工程規劃階段，這階段若能取得初期的廠區配置、地質                       找出影響油價的關鍵因子，並利用格蘭傑因果關係檢
                    與地理條件、建築物規劃等資訊，並加入專案差異因素                       定 (Granger causality test ) 探討重要變數間相互影響
                    與範疇來做成本調整，則有助於估算準確率提高。謝                        的因果關係，訓練三種不同機器學習的模型，分別為
                        [08]
                    文山    在演化式建築工程成本概算模式之研究中有提                     支持向量迴歸 (Support Vector Regression)、長短期
                    及，粗略估價方法分為三種，包含經驗估算法、成本指                       記憶遞歸神經網路 (Long Short-Term Memory) 梯度提
                    標法及成本容量法，這些方法僅透過經驗評判或根據與                       升回歸樹 (Gradient Boosting Regression)，再透過模
                    歷史案例比對面積等簡化因子去調整預估成本，因此估                       型整合的方法，將不同模型的優勢整合起來進行油價
                    算精準度之落差可能來到約 25% 之多。                           的預測。第二階段原油採購決策加入歷史庫存資料、
                                                                   需求和採購資料，並利用第一階段的油價預測結果，
                    粗略估價方法簡單快速但精確度稍嫌不足，若可將更多                       透過強化學習技術 (Conditional Value at Risk Deep
                    項影響價格的細部因子如建築高度、面積、樓層等數值                       Reinforcement Learning ) 建構採購決策模型，使得整
                    系統化並結合程式套入項目單價即計算出總工程費用，                       體效益最佳化，以達成價格預測輔助採購決策之目的。
                    這樣不僅增加估算精準度，也統一了計算方法方便簡潔，
                    如余家祥   [09]  利用過去 102 個實際工程案例為基礎推理，
                    將建築物所在地、基地面積、地上樓層數、總樓地板面                       2.3  字串比對演算法
                    積與地下室周長等多項因子系統化，輸入條件後即可得
                    到其結構與裝修費用，建立一適用於建築工程於規劃、                       目前常見的文字比對演算法，計算相似度的方法通
                    基本設計階段之成本概算系統，以解決估算作業經驗不                       常 可 分 為 三 類：String-based、Corpus-based、
                    足之問題。另鍾恕      [07]  利用個體導向的觀念重新分析估價            Knowledge-based。String-based 根據字串序列和字
                    行為，推導出估算流程與其理論架構，分析每個個體的                       符組成計算相似度；Corpus-based 著重語意，透過
                    思考運算流程、屬性和方法，並利用個體彼此間之主、                       將文字與從大量語意庫 (corpus) 中取得的資訊做語意
                    從關係，設計出能提供不同使用者使用的估價系統。                        比較計算相似度；Knowledge-based 則是利用語意網
                                                                   (semantic networks)的訊息來計算與文字的相似程度。

                                                                         [11]
                                                                   吳佩穎      設計了一套以 Corpus-based 為基礎的中文
                    2.2  成本分析數位化管理
                                                                   文句翻語音合成系統，在大型資料庫中以連續相關比對
                    發包時，廠商投進來的報價往往超過預算，為了防止超                       法選取所有可能的候選合成單元，依據在同一句子中其
                    支壓縮到其他項目預算，需與廠商進行議價；在議價之                       前後中文字位置標記與詞段位置標記是否具備有連續性
                    前需先完成價格及數量合理性確認―透過比對過往案例                       和相關性的特性來作比對，利用 cost function 選取出
                    得到各細項價格漲幅，對比物價指數判斷廠商報價合理                       具有與合成目標最相近之語音及韻律特徵的合成單元，
                    性、確認新增設計項目、運用系統設計 KPI 判定廠商                     最後將選出之最佳合成單元作串接輸出成為合成語音，
                    提報數量是否合理。                                      流程如圖5 所示。










                                                                                                            ��
   28   29   30   31   32   33   34   35   36   37   38