投资估算是项目前期决策的关键环节,对于控制项目的成本十分重要,能够决定一个项目的成功与否,工程实践证明,前期的投资决策对项目成功的影响程度高达70%。因此,建立一套科学准确有效的估算方法是至关重要的。传统的投资估算主要依靠估价师的个人经验,采用拟建工程与已建工程的相似程度进行类比得出拟建工程项目的估算造价,有生产能力指数法、系数估算法等,这些估算方法速度快,但准确度不高。随着计算机技术的进步,越来越多的学者开始研究如何使用人工智能估算方法来提高投资估算的准确性与科学性。其中,人工神经网络、支持向量机等方法由于在解决非线性回归问题上具有很大优势,在许多研究中都得到充分应用。此外,为了提高人工智能方法的估算精度,更多研究者们也将优化算法引入估算过程中,例如遗传算法、粒子群算法、差分进化算法等。前人研究在很大程度上完善了人工智能估算体系,弥补了传统估算中估价师根据自身经验进行估算的缺陷,使得估算精度有了很大提高。论文主要对建筑工程项目投资估算的科学性与准确性作出研究,不同于现有研究,本文创新性地将估算过程中存在的不确定性和风险考虑在内,并以概率性置信区间的形式体现出来。如此,得到一种更加切实可行的人工智能估算方法,用来辅助前期投资决策,提高决策效率。在本研究中,提出一种灰狼优化算法,通过引入灰狼优化算法来解决在投资估算时只考虑点值,缺乏理性考虑,忽视预测中存在不确定性的问题,提出一种概率置信区间预测方法,大大降低了决策风险。针对现有的研究在投资估算预测值的确定时仅取点值,缺乏对于估算不确定性的合理考虑,使得决策风险大幅增加的问题,论文引入灰狼优化算法提高点预测模型的预测精度,并在此基础上提出一种概率性置信区间预测方法。首先,在对工程项目案例有一定搜集之后,本文采用SPSS统计分析软件的探索性因子分析功能对初步选取的17个工程特征指标降维综合提取公共预测因子,这些指标既包含定性指标也包含定量指标,其中定性指标在降维前已得到量化。在探索性因子分析之后,所提取出的6个公共因子是相互独立的,并且可以代表原有指标的绝大部分信息,它们将作为模型的输入变量。然后根据52个实际案例经过线性插值形成的152个样本建立支持向量机回归模型,随机划分122个训练集样本和30个测试集样本,使用训练集样本训练模型,使用测试集样本测试模型的性能。在模型训练过程中,采用灰狼优化算法寻找支持向量机回归模型的最优参数,提高点预测模型的预测精度。最后,根据刚才得到的点预测模型的预测误差,创新性地提出一种基于预测误差分布特性统计分析的非参数置信区间估计方法,主要通过核密度估计方法求得预测误差的概率密度函数,并将概率密度函数转化为概率分布函数,从而求得不同置信度下的投资估算概率性预测区间。论文通过多组案例研究结果表明:在经过灰狼算法优化后,本文的支持向量机回归模型的预测精度高达93%;在设置置信度为95%时,区间预测的综合评价指标CWC为2.17,成本估算的区间覆盖率PICP为93.33%,这说明确定性预测结果和概率性预测结果都能得到符合预期的效果。因此,本文提出的区间预测方法可靠性较高,模型具有有效性,进一步完善了现有的人工智能估算体系,可以对工程建设项目前期的投资决策做出具有现实意义的指导,并为决策人员提供更加丰富的预测信息,减少前期投资决策的不确定性,增加预测模型的抗风险能力,对项目成功具有十分重大的意义。