محمدسالار وفايي

Predicting Time an‎d Cost Status of Projects Using Machine Learning Methods

پژوهش حاضر با هدف پيش‌بيني وضعيت زماني و مالي پروژه‌ها و شناسايي عوامل كليدي اثرگذار انجام شد. داده‌هاي واقعي 87 پروژه بازرگاني جمع‌آوري و با استفاده از روش‌هاي افزايش داده، به 593 ركورد توسعه يافتند. الگوريتم‌هاي يادگيري ماشين شامل رگرسيون خطي، رگرسيون بردار پشتيبان، جنگل تصادفي، ايكس‌جي‌بوست و مدل تركيبي ايكس‌جي‌بوست + جنگل تصادفي + رگرسيون خطي روي داده‌ها پياده‌سازي و با معيارهاي ضريب تعيين، ريشه ميانگين مربعات خطا، ميانگين قدر مطلق خطا و ميانگين درصد خطاي مطلق ارزيابي شدند. در بُعد مالي، رگرسيون خطي و مدل تركيبي بهترين عملكرد را ارائه دادند؛ ضريب تعيين به ترتيب 0.9428 و 0.9432 و ميانگين درصد خطاي مطلق كمتر از 8٪ بود كه نشان‌دهنده دقت بالاي پيش‌بيني هزينه‌هاي واقعي است. در بُعد زماني، الگوريتم‌هاي غيرخطي مانند جنگل تصادفي و ايكس‌جي‌بوست عملكرد بهتري داشتند و مدل تركيبي با ضريب تعيين0.9209 و درصد خطاي مطلق2.43% دقت متوازن و قابل توجهي ارائه كرد. تحليل ارزش شاپلي نشان داد كه متغيرهايي مانند مدت‌زمان برنامه‌ريزي‌شده و هزينه برنامه‌ريزي‌شده بيشترين تأثير را بر پيش‌بيني‌هاي مدل‌ها داشتند. اين نتايج، ضمن بهبود دقت پيش‌بيني‌ها، امكان تفسيرپذيري بالاتر و شناسايي عوامل كليدي اثرگذار بر مديريت پروژه‌ها را فراهم كرد. با وجود محدوديت‌هايي مانند حجم محدود داده‌ها، پژوهش نشان داد كه تركيب الگوريتم‌هاي يادگيري ماشين و استفاده از روش‌هاي تفسيرپذير، مي‌تواند راهكاري مؤثر براي پيش‌بيني دقيق و مديريت آگاهانه پروژه‌ها باشد.

مديريت پروژه , يادگيري ماشين , پيش‌بيني زماني پروژه , پيش‌بيني مالي پروژه , ارزش شاپلي