9204

برآورد هزينه و زمان‌بندي پروژه با استفاده از يادگيري ماشين

كارشناسي

مهندسي صنايع

1403

دكتر سيد فريد قنادپور

-

1403/07/01

مهندسي صنايع

Project Cost and Time Estimation Using Machine Learning

در جهاني كه زمان و هزينه‌ها به‌عنوان معيارهاي موفقيت پروژه‌ها شناخته مي‌شوند، يافتن روش‌هاي دقيق براي پيش‌بيني اين دو عامل كليدي، همواره چالشي بزرگ براي مديران پروژه‌ها بوده است. روش‌هاي سنتي پيش‌بيني، علي‌رغم كاربرد گسترده‌شان، غالباً با خطاهاي بالايي همراه‌اند كه منجر به افزايش هزينه‌ها و تأخيرات غيرمترقبه مي‌شوند. اين پژوهش، با هدف ارائه مدلي دقيق و كارآمد براي پيش‌بيني زمان و هزينه پروژه‌ها، از الگوريتم‌هاي پيشرفته يادگيري ماشين بهره مي‌برد. روش‌هاي استفاده‌شده شامل جنگل تصادفي، تقويت گراديان شديد(XGBoost)، تقويت تطبيقي(AdaBoost)، تقويت دسته‌اي(CatBoost) و ماشين تقويت گراديان سبك(LightGBM) بوده و داده‌هاي 181 پروژه واقعي با ويژگي‌هاي متنوع مورد تحليل قرار گرفته‌اند. فرآيند تحقيق شامل گام‌هايي چون درك عميق كسب‌وكار، تحليل داده‌ها با روش‌هاي بصري‌سازي و شناسايي توزيع‌هاي آن، آماده‌سازي داده‌ها از طريق حذف داده‌هاي ناقص و نرمال‌سازي و در نهايت پياده‌سازي مدل‌هاي يادگيري ماشين است. بهترين تنظيمات براي مدل‌ها انتخاب شده و عملكرد آن‌ها با معيارهايي نظير ميانگين خطاي مطلق(MAE)، درصد خطاي مطلق ميانگين(MAPE)، ريشه ميانگين مربعات خطاي نرمال شده(NRMSE) و ضريب تعيين (R²) ارزيابي گرديد. نتايج نشان مي‌دهد كه الگوريتم جنگل تصادفي براي پيش‌بيني هزينه و الگوريتم XGBoost براي پيش‌بيني زمان پروژه‌ها دقت بالايي دارند، به‌طوري‌كه در مطالعه موردي، اين الگوريتم‌ها تنها 0.52% و 0.29% انحراف از مقادير واقعي را نشان دادند. به‌كارگيري يادگيري ماشين مي‌تواند دقت پيش‌بيني‌ها و مديريت منابع را به‌طور چشمگيري بهبود بخشد، و مديران را قادر سازد تا با اعتماد به‌نفس بيشتري تصميم‌گيري كرده و برنامه‌ريزي نمايند. اين پژوهش، افق‌هاي تازه‌اي را براي بهينه‌سازي مديريت پروژه‌ها و بهره‌برداري مؤثر از منابع آشكار مي‌سازد و مطالعه آن براي كشف روش‌هاي نوين در اين حوزه ضروري است.

يادگيري ماشين , تقويت گراديان شديد , مديريت ارزش كسب‌شده , برآورد هزينه , برآورد مدت زمان , جنگل تصادفي , يادگيري عميق