工程造价管理贯穿于工程建设的全过程之中,工程造价的合理确定和有效控制作为工程造价管理的核心内容,准确与否将直接影响工程建设项目的经济效益,其重要程度不言而喻。2020年《工程造价改革方案》出台,强调加强对历史工程数据的积累,利用大数据和人工智能等信息化技术为概预算编制提供依据,体现了工程造价改革趋势,为数据运用指明了方向。在信息时代,建筑行业信息化迅速发展,如何在工程建设前期阶段,高效利用数据信息快速、准确地进行工程造价预测,成为投资控制和成本规划的关键,值得深入研究。近年来,BP神经网络、多元回归分析、灰色预测、模糊数学等方法在工程造价预测研究方面应用广泛,但构建的预测模型尚有不足。如BP神经网络模型虽然具有一定的非线性映射能力,但由于自身“黑匣子”特点,模型预测推理过程难以解释,泛化能力不佳。本文分析了单一模型的优势与不足,引入Stacking方法,利用集成学习思想将多个模型进行融合,有效提高了工程造价的预测精度,为实际工程提供参考。首先,通过文献调研方式得出高层住宅工程造价影响因素,针对初建的指标体系,采用热力图方法,去除相关性较强的指标,保证高层住宅工程造价特征指标的科学性和独立性,完成高层住宅工程造价指标体系的构建。其次,在Python环境下,对收集的诸多高层住宅项目工程造价历史数据进行仿真分析,利用高层住宅工程特征指标体系,完成基于岭回归、随机森林、XGBoost算法的价格预测模型,并运用岭迹图、网格搜索法等方法对各模型进行参数优化,既检验了单一模型的预测精度,又提高了单一模型的预测性能。最后,构建基于Stacking融合的工程造价预测模型,依据模型性能评价指标将三种单一模型、融合模型的预测值与样本真实值进行对比分析,得出以岭回归为元学习器的集成学习模型预测精度最高,且融合之后的模型结果更稳定。本文基于Stacking算法建立了高层住宅工程造价预测模型,模型预测结果平均绝对误差控制在±5%以内,能够满足项目建设前期工程造价管理和控制的要求,对建筑工程造价预测具有实际指导意义。