31511

ارائه چارچوب پيش بيني تاخيرات مالي پروژه ها با استفاده از يادگيري ماشين

كارشناسي ارشد

مهندسي عمران

1400

1403/06/28

حسن ملكي تبار

محمدرضا محمدي

مهندسي عمران

اين پژوهش به ارائه چارچوبي براي پيش‌بيني تاخيرات مالي پروژه‌هاي عمراني با استفاده از الگوريتم‌هاي يادگيري ماشين مي‌پردازد. تاخيرات مالي، يكي از مهم‌ترين چالش‌هاي پروژه‌هاي ساخت‌وساز در ايران است كه مي‌تواند منجر به افزايش هزينه‌ها، تأخير در تكميل پروژه‌ها و كاهش اعتماد بين پيمانكاران و كارفرمايان شود. در اين تحقيق، با استفاده از داده‌هاي جمع‌آوري‌شده از پروژه‌هاي ساختماني و پياده‌سازي الگوريتم‌هاي يادگيري ماشين، مدلي براي پيش‌بيني اين تاخيرات ارائه شده است. همچنين با اعمال پيش‌پردازش بر روي داده ها، تاثير هريك از ويژگي هاي درنظر گرفته شده، بر روي خروجي مدل بررسي شد. در نهايت خروجي مدل يادگيري ماشين با مقادير پيش‌بيني شده توسط خبرگان مقايسه گرديد. نتايج اين تحقيق نشان مي‌دهد كه مدل‌هاي يادگيري ماشين، به‌ويژه ايكس‌جي‌بوست، عملكرد قابل توجهي در پيش‌بيني تاخيرات مالي داشته و نسبت به پيش‌بيني‌هاي انساني دقت بالاتري دارند. طبق نتايج حاصله و بر اساس ويژگي هاي داده شده به مدل، مدل هاي ماشين در دسته‌بندي پروژه ها بر اساس مدت اوليه پيمان به طور ميانگين %535، بر اساس مبلغ اوليه پيمان %466 و بر اساس شرايط مالي كارفرما %512 عملكرد و دقت بالاتري داشتند. برخلاف روش‌هاي سنتي كه عمدتاً مبتني بر تجربيات فردي و تحليل‌هاي ذهني هستند، يادگيري ماشين با تحليل دقيق داده‌ها و شناسايي الگوهاي پنهان، پيش‌بيني‌هايي با دقت بيشتر و خطاي كمتر ارائه مي‌دهد. اين امر نشان‌دهنده پتانسيل بالاي استفاده از الگوريتم‌هاي يادگيري ماشين در پروژه‌هاي عمراني است.

1403/08/19

Providing a framework for predicting projects financial delays using machine learning

9/18/2025 12:00:00 AM

This research presents a framework for predicting financial delays in construction projects using machine learning algorithms. Financial delays are one of the most significant challenges in construction projects in Iran, leading to increased costs, project completion delays, and a loss of trust between contractors and clients. In this study, models for predicting these delays were developed using data collected from construction projects and implemented through machine learning algorithms. The results indicate that machine learning models, particularly XGBoost, demonstrate significant accuracy in predicting financial delays and outperform human predictions. Unlike traditional methods that rely primarily on individual experience and subjective analysis, machine learning offers more precise predictions with lower error by analyzing data and identifying hidden patterns. This underscores the high potential of using machine learning algorithms in managing financial risks in construction projects.

يادگيري ماشين , تاخيرات مالي , پروژه‌هاي عمراني , پيش‌بيني , مديريت ساخت

Machine Learning , Financial Delays , Construction Projects , Prediction , Construction Management

Amirhossein Darabi

Hasan Malekitabar