摘要：為了解決傳統模型認為建筑鋼材造價成本是線性變化因素,不滿足實際應用,且模型結構的確定很難,在很大程度上會導致過擬合,預估準確性較差,穩定性低。通過數據相關性分組挖掘研究建筑鋼材造價成本預估模型。按照各項目特征獲取歷史工程項目鋼材造價特征指標屬性集合,通過模糊模式識別,依據就近原則對待篩選樣本項目和待預估樣本項目的相符程度進行判斷,得到和待預估項目最相近的若干歷史項目當成建立預估模型的輸入樣本?；谧钚《酥С窒蛄繖C進行數據相關性分組挖掘,建立建筑鋼材造價成本預估模型。在建立模型中,正則化參數與核函數的寬度是影響建筑鋼材造價成本預估結果的主要參數,通過粒子群算法獲取兩個參數的最優值。把得到的參數值帶入模型,重新進行訓練學習,獲取較優的建筑鋼材造價成本預估模型。在進行實驗時,選擇桿塔鋼材、基礎鋼材和接地鋼材三個指標作為建立模型的輸入向量,將人工神經網絡模型與實踐序列模型作為對比進行測試。結果表明:通過人工神經網絡和時間序列模型對建筑鋼材造價成本進行預估,獲取的預估數據有好有壞,穩定性較低,整體預估數據誤差顯著高于建立模型預估誤差?？梢娊⒛Ｐ皖A估精度高,穩定性好。