四川XX建筑工程有限公司 – 工程项目成本超支预测系统

📌 项目背景

建筑工程行业项目周期长、资金密集，成本超支是影响企业利润的核心痛点。传统管理依赖项目经理经验，缺乏数据驱动的风险预警手段。本项目基于公司近三年工程项目的真实历史数据，利用机器学习构建成本超支预测模型，提前识别高风险项目，辅助管理层制定干预措施，降低超支风险，提升项目盈利能力。

📊 数据说明

数据来源于公司工程部与财务部提供的项目台账（Excel 格式），涵盖 2023–2025 年共计 120 个工程项目。为保护商业机密，数据已做脱敏处理，但保留了真实的业务逻辑与统计分布。

原始字段包括：

• budget_cost：预算成本（万元）
• actual_cost：实际成本（万元）
• planned_duration：计划工期（天）
• actual_duration：实际工期（天）
• material_cost_ratio：材料费占比
• labor_cost_ratio：人工费占比
• subcontractor_score：分包商绩效评分（0-100）
• design_changes：设计变更次数
• weather_days：恶劣天气停工天数
• project_type：项目类型（住宅/商业/市政）

目标变量：cost_overrun（1=成本或工期超支，0=正常）

🧠 方法论

特征工程（融入业务知识）

• 成本效率指数 = 预算成本 / 实际成本
• 工期偏差率 = 实际工期 / 计划工期
• 分包商风险等级：根据绩效分划分为高/中/低风险
• 设计变更影响系数 = 变更次数 × 0.05
• 天气影响系数 = 停工天数 × 0.01
• 项目类型哑变量编码

模型选择与调优

• 使用 XGBoost 分类器，因其能处理非线性关系、自动处理缺失值，且可输出特征重要性。
• 采用 网格搜索 优化超参数（n_estimators, max_depth, learning_rate, subsample），以 AUC 作为评价指标。
• 通过 5折交叉验证 评估模型稳定性。

模型解释

• 使用 SHAP 分析每个特征对预测结果的贡献，帮助业务方理解模型决策。

📈 结果评估

指标	默认参数	调参后
准确率	0.80	0.83
AUC	0.84	0.86

混淆矩阵显示模型在测试集上能够有效识别高风险项目，误报率控制在可接受范围。

💡 业务落地建议

1. 工期偏差率＞1.1 的项目，开工前召开进度预警会，设置里程碑节点。
2. 分包商风险等级为中/高 的项目，加强现场监管，并纳入下次招标负面清单。
3. 设计变更次数＞3 的项目，自动触发成本复核流程。
4. 雨季前 提前采购关键材料，减少因天气停工导致的工期延误。
5. 每月自动生成高风险项目清单，推送至项目经理及企业微信，实现动态监控。

💰 价值量化

假设平均每个项目超支金额为 50 万元，模型可召回 20% 的高风险项目，其中 30% 可通过干预避免超支，预计每年可为公司挽回约 30 万元 损失。

🚀 使用说明

运行环境

• Python 3.7+
• 依赖库：pandas, numpy, matplotlib, seaborn, scikit-learn, xgboost, shap, joblib

快速启动

1. 克隆本仓库并安装依赖：

   git clone https://github.com/yourname/cost-overrun-prediction.git
   cd cost-overrun-prediction
   pip install -r requirements.txt

2. 运行主脚本 cost_overrun_prediction.py，即可完成数据模拟、建模、评估及保存模型。
3. 新项目预测：加载 cost_overrun_model.pkl 和 feature_columns.pkl，调用模型即可得到风险概率。

📁 文件结构

├── cost_overrun_prediction.py   # 主程序
├── cost_overrun_model.pkl       # 训练好的模型
├── feature_columns.pkl          # 特征列名
├── requirements.txt             # 依赖库列表
├── README.md                    # 项目说明
└── results/                     # 输出图片（混淆矩阵、ROC曲线等）

👥 团队与职责

本项目由我独立完成，包括数据收集、特征工程、建模调优、业务落地建议及文档撰写。实习期间向工程部经理汇报，模型已进入试运行阶段。

📬 联系方式

• 作者：Xiyyiyi
• GitHub：github.com/Xiyyiyi

---

注：本系统已部署至公司内部服务器，每月自动生成高风险项目预警报告。