30244

ارائه مدلي جهت توسعه الگوريتم‌هاي مبتني بر علوم داده در پيش‌بيني هزينه‌هاي پروژه هاي ساخت و ساز

كارشناسي ارشد

مهندسي صنايع- مديريت پروژه

1399

1402/7/15

سيامك نوري

مهندسي صنايع

امروزه شاهد توسعه روزافزون كاربرد تكنيك هايي مبتني بر علوم داده و هوش مصنوعي در كليه حوزه ها هستيم. اين تكنيك ها قدرت بالايي در زمينه پردازش پيچيدگي انواع مسائل و عملكردي مطلوب در حل آنها دارند. در مورد مسائل "پيش بيني نتيجه" تكنيك هاي مبتني بر علوم داده، به طور مشخص الگوريتم هاي يادگيري ماشين با كشف و يادگيري روابط ميان حجم بالاي داده هاي تاريخي گذشته، به تطبيق شرايط و تصميم گيري در خصوص مسائل مشابه در آينده پرداخته و امر پيش بيني را با كمترين خطا (نسبت به روش هاي سنتي) به انجام ميرسانند. بنابراين در اين تحقيق تلاش نموديم در حل مساله ي "پيش بيني هزينه ي پروژه هاي ساخت و ساز" نيز جهت افزايش دقت، كاهش خطاي پيش بيني و همچنين جلوگيري از زيان هاي حاصل از خطاي پيش بيني، از الگوريتم هاي يادگيري ماشين استفاده نماييم. در اين راستا با بهره گيري از الگوريتم هاي ياد شده و با استفاده از داده هاي تاريخي گذشته، هزينه ي ساخت پروژه هاي ساخت و ساز را در مرحله طراحي اوليه يعني زماني كه برنامه ريزي و تدوين منشور پروژه در حال انجام است، پيش بيني مينماييم. دقت بالاي پيش بيني هزينه و در نتيجه بودجه بندي مناسب از جهت تسهيل مديريت هزينه و كمك به جلوگيري از توقف پروژه ها بدليل عدم تامين مالي به موقع، تاثير چشم گيري در مديريت موفق پروژه يعني تحويل در زمان مقرر و محدوده بودجه تعيين شده خواهد داشت. بدين منظور از الگوريتم يادگيري عميق (DNN) بدلايلي همچون قدرت بالا در تشخيص روابط پيچيده داده ها بهره برده و از آنجايي كه در آموزش مدل هايي با معماري يادگيري عميق نياز به حجم بالاي داده وجود دارد، شبكه GAN را جهت افزايش حجم داده ها به كار ميبريم. همچنين با توجه به تاثير به سزاي عوامل اقتصادي كلان بر هزينه ها، در كنار عوامل مستقيم هزينه هاي پروژه از فاكتورهاي اقتصاد كلان همچون نرخ بهره و شاخص بازار سهام و.... جهت افزايش دقت پيش بيني به عنوان داده هاي ورودي مدل استفاده مينماييم. در اين راستا ابتدا با استفاده از زبان پايتون الگوريتم مدل يادگيري عميق جهت پيش بيني نوشته و با استفاده از داده هاي واقعي شامل اطلاعات اختصاصي و مقادير شاخص هاي اقتصادي كلان مرتبط با 372 نمونه آموزش داده شد و پس از 1000 تكرار، دقت مدل با معيار R-squared به مقدار 0.76 رسيد. در قدم بعد مدل با تركيب داده هاي واقعي و 30000 نمونه مصنوعي توليد شده توسط مدل GAN كه به همين منظور نوشته شده بود، آموزش داده شده و دقت پيش بيني مدل افزايش يافته و مقدار 0.98 براي معيار R-squared حاصل شد.

1402/10/03

Providing a model for the development of data science-based algorithms in predicting the cost of construction projects

1/1/1900 12:00:00 AM

In this study, we focused on predicting the costs of construction projects using machine learning algorithms due to the increasing use of AI-based techniques in all fields, their high processing power for complex problems, and their particularly desirable performance in predicting outcomes based on historical data. Moreover, there is a need for increased accuracy in estimating the costs of construction projects in the early stages to prevent losses resulting from prediction errors. To this end, we employed deep learning algorithms (DNN) for their ability to recognize complex data relationships. Given that training deep learning models requires a large volume of data, we utilized the GAN network to augment the dataset. In addition to the direct project costs, we used macroeconomic factors such as interest rates and stock market indices to increase prediction accuracy. Ultimately, we achieved high accuracy in generating synthetic data and predicting costs compared to previous studies. Initially, we wrote a deep learning model algorithm in Python for prediction and tested it using real data containing specific information and relevant macroeconomic indicators for 372 samples, achieving a model accuracy of 0.76 with an R-squared metric. Next, the model was executed using a combination of real data and 30,000 synthetic samples generated by the GAN model, which was developed for this purpose. As a result, the model's prediction accuracy increased to an R-squared value of 0.98.

يادگيري عميق , هوش مصنوعي , پيش‌بيني هزينه ساخت و ساز

Deep Learning , artificial intelligence , construction cost prediction

Roxana Khaleghi

Dr. Siamak Noori