ПРИМЕНЕНИЕ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОЦЕНКИ ВРЕМЕНИ И СТОИМОСТИ СТРОИТЕЛЬНОГО ПРОЕКТА
Аннотация и ключевые слова
Аннотация (русский):
Целью статьи является определение возможности применения различных моделей искусственного интеллекта для оценки времени и стоимости строительного проекта. Строительные проекты являются сложными и трудоемкими, они включают в себя множество факторов, которые могут повлиять на общую стоимость и продолжительность проекта. Точная оценка времени и стоимости строительного проекта имеет решающее значение для управления и планирования проекта. Однако традиционные методы оценки этих факторов часто оказываются неэффективными из-за их зависимости от исторических данных и ограниченного масштаба. Искусственный интеллект (ИИ) стал потенциальным решением для улучшения оценки строительных проектов. Модели ИИ могут анализировать огромное количество данных, включая исторические данные проекта, погодные данные, трудозатраты и стоимость материалов, для обеспечения более точных прогнозов. Регрессионные алгоритмы, в частности, показали свою эффективность в прогнозировании сроков завершения проекта и его стоимости на основе различных входных факторов. Одним из преимуществ использования ИИ для оценки строительных проектов является то, что он может учитывать сложные и динамические факторы, которые традиционные методы часто упускают из виду. Например, погодные условия могут оказывать значительное влияние на строительные проекты, и модели ИИ могут учитывать этот фактор в своих прогнозах. ИИ также может анализировать данные в режиме реального времени, что позволяет более своевременно корректировать планы и бюджеты проектов. Однако использование ИИ для оценки строительных проектов сопряжено и с некоторыми трудностями. Одной из потенциальных проблем является качество и надежность данных, используемых для обучения моделей. Модели ИИ хороши лишь настолько, насколько хороши данные, на которых они обучаются, поэтому очень важно обеспечить точность и полноту используемых данных. Кроме того, модели ИИ могут быть сложными и требовать специальных знаний для разработки и обслуживания.

Ключевые слова:
строительство, информационные технологии, искусственный интеллект, оценка времени, оценка стоимости
Текст

Вступление

Использование алгоритмов регрессии для прогнозирования даты завершения и стоимости строительного проекта может стать ценным инструментом для менеджеров проектов, позволяющим лучше планировать и управлять своими проектами. Вот некоторые шаги, которые могут быть приняты для решения этой проблемы:

  • Сбор данных о завершенных строительных проектах, включая их объем, использованные материалы, привлеченную рабочую силу и погодные условия в течение срока реализации проекта. Необходимы данные о фактической дате завершения и общей стоимости проекта, а также данные о различных факторах, которые могут повлиять на сроки и стоимость проекта.
  • Предварительная обработка данных. Прежде чем применять алгоритмы регрессии к данным, их необходимо предварительно обработать, чтобы обеспечить их пригодный для анализа формат. Это может включать очистку данных, преобразование их в подходящий формат и устранение недостающих значений или выбросов.
  • Выбор подходящего алгоритма регрессии. Существуют различные алгоритмы регрессии, включая линейную регрессию, регрессию дерева решений и регрессию случайного леса. Необходимо выбрать алгоритм, который подходит для размера и сложности вашего набора данных.
  • Обучение и тестирование модели. Набор данных разделяется на обучающий и тестовый. При этом, обучающий набор используется для обучения регрессионной модели. Далее, используется тестовый набор для оценки эффективности модели и точной настройки любых параметров.
  • Применение модели к новым данным. После обучения и тестирования регрессионной модели возможно использовать ее для прогнозирования даты завершения и стоимости новых строительных проектов на основе их объема, материалов, рабочей силы и погодных условий.

Стоит отметить, что точное прогнозирование даты завершения и стоимости строительного проекта может быть сложной задачей, поскольку существует множество факторов, которые могут повлиять на эти результаты. Однако, используя алгоритмы регрессии для анализа прошлых проектов и выявления закономерностей, руководители проектов могут получить ценную информацию о том, как лучше планировать и управлять своими проектами в будущем.

Методы

Существует несколько методов, которые можно использовать для решения проблемы прогнозирования даты завершения и стоимости строительного проекта с помощью регрессионных алгоритмов. Вот некоторые из наиболее часто используемых методов:

  • Линейная регрессия — это статистический метод, который используется для моделирования взаимосвязи между зависимой переменной (например, стоимостью проекта) и одной или несколькими независимыми переменными (например, объемом проекта, материалами и рабочей силой). Линейная регрессия предполагает, что между зависимой переменной и независимыми переменными существует линейная связь, и стремится найти линию наилучшего соответствия, которая может быть использована для прогнозирования зависимой переменной на основе независимых переменных.
  • Регрессия дерева решений — это метод, который предполагает построение дерева решений для моделирования взаимосвязи между зависимой переменной и независимыми переменными. Дерево решений строится путем рекурсивного разбиения набора данных на более мелкие подмножества на основе значений независимых переменных, пока не будет достигнут набор листовых узлов. Затем дерево решений может быть использовано для прогнозирования значения зависимой переменной на основе значений независимых переменных.
  • Регрессия случайного леса — это метод, который предполагает построение ансамбля деревьев решений для моделирования взаимосвязи между зависимой переменной и независимыми переменными. Каждое дерево решений в ансамбле обучается на случайном подмножестве набора данных, а окончательный прогноз делается путем усреднения прогнозов всех деревьев в ансамбле. Регрессия случайного леса - это мощный метод, который может работать с нелинейными отношениями между зависимой и независимыми переменными, а также может работать с высокоразмерными наборами данных.
  • Регрессия вектора поддержки — это метод, который заключается в нахождении гиперплоскости, которая наилучшим образом разделяет точки данных на два класса на основе значений независимых переменных. Затем гиперплоскость используется для прогнозирования значения зависимой переменной для новых точек данных. Регрессия опорного вектора особенно полезна, когда связь между зависимой переменной и независимыми переменными нелинейна, а также может работать с высокоразмерными наборами данных.

Представленные методы прогнозирования сроков завершения и стоимости строительного проекта с помощью регрессионных алгоритмов отличаются друг от друга по нескольким параметрам, в том числе:

  • Допущения. Каждый метод делает различные предположения о лежащей в основе взаимосвязи между зависимой переменной (дата завершения проекта или стоимость) и независимыми переменными (объем проекта, материалы, рабочая сила и погодные условия). Например, линейная регрессия предполагает линейную связь между переменными, в то время как регрессия дерева решений может учитывать нелинейные связи.
  • Сложность. Методы различаются по своей сложности и количеству параметров, которые они требуют. Линейная регрессия — относительно простой метод, который предполагает нахождение линии наилучшего соответствия, в то время как регрессия нейронной сети — более сложный метод, который предполагает обучение многоуровневой сети с большим количеством параметров.
  • Интерпретируемость. Некоторые методы, такие как линейная регрессия и регрессия дерева решений, относительно легко интерпретировать, поскольку они дают четкую информацию о силе и направлении связи между переменными. Другие методы, такие как нейросетевая регрессия, могут быть более сложными для интерпретации.
  • Обработка выбросов. Методы также различаются по своей способности обрабатывать выбросы и пропущенные значения. Например, регрессия дерева решений относительно хорошо справляется с отсутствующими значениями и выбросами, в то время как линейная регрессия может быть более чувствительна к выбросам.
  • Методы ансамбля. Некоторые методы, такие как регрессия случайного леса, используют методы ансамбля для объединения прогнозов нескольких моделей, что может повысить точность и надежность прогнозов.

В целом, представленные методы прогнозирования даты завершения и стоимости строительного проекта с помощью алгоритмов регрессии отличаются по своим допущениям, сложности, интерпретируемости, обработке выбросов и использованию ансамблевых методов.

Результаты

Трудно сказать, какой метод является лучшим для прогнозирования даты завершения и стоимости строительного проекта с помощью алгоритмов регрессии, поскольку лучший метод будет зависеть от конкретных характеристик проблемы и набора данных. Каждый метод имеет свои сильные и слабые стороны, и выбор лучшего метода зависит от таких факторов, как размер и сложность набора данных, характер взаимосвязи между зависимой переменной и независимыми переменными, а также конкретные требования проблемы.

Тем не менее, можно дать некоторые общие рекомендации. Линейная регрессия — хороший метод, когда ожидается, что связь между зависимой переменной и независимыми переменными будет линейной, и когда независимых переменных относительно немного. Регрессия дерева решений — хороший метод, если ожидается, что связь между зависимой переменной и независимыми переменными будет нелинейной или сложной, а также если в наборе данных есть пропущенные значения или выбросы. Регрессия случайного леса — хороший метод для использования при наличии большого количества независимых переменных или при зашумленном, или сложном наборе данных, поскольку он может повысить точность и надежность прогнозов. Регрессия вектора поддержки - хороший метод, когда набор данных небольшой или, когда связь между зависимой переменной и независимыми переменными сложная и нелинейная. Нейросетевая регрессия - хороший метод, когда набор данных большой и сложный, и когда существуют нелинейные отношения между зависимой переменной и независимыми переменными.

Примеры решения задачи регрессией случайного леса(РСЛ) Рис.1 и многослойным персептроном Рис.2, реализованные при помощи языка Python. 

Алгоритм РСЛ, на основе указанных выше шагов, будет работать следующим образом:

  1. Сбор и предварительная обработка данных, которые включают в себя входные характеристики (объем проекта, материалы, труд, погодные условия) и выходные данные (дата завершения проекта и стоимость).
  2. Разделение данных на обучающий набор и тестовый набор.
  3. Обучение регрессора случайного леса, используя обучающий набор, где каждое дерево решений в ансамбле обучается на случайном подмножестве данных и признаков.
  4. Использование обученной модели, чтобы предсказать дату завершения и стоимость проектов в тестовом наборе.
  5. Оценка производительности модели, сравнивая прогнозируемые значения с фактическими значениями и вычисляя такие показатели, как средняя абсолютная ошибка или R-квадрат.
  6. Использование модели для прогнозирования даты завершения и количества затрат для новых проектов путем ввода данных проекта.

Альтернативным алгоритмом для решения проблемы прогнозирования сроков завершения строительства и стоимости может быть использование нейронной сети, в частности, многослойного персептрона(МП).
Шаги алгоритма будут повторять решение методом РСЛ, кроме:
3.    Определение архитектуры МП, включая количество слоев, количество нейронов в каждом слое и функцию активации.
4.    Обучение МП, на основе обучающего набора, используя в качестве алгоритма оптимизации — стохастический градиентный спуск.

 Рис 1. Код решения методом РСЛ

 
Рис. 2 Решение методом МП

Выводы

В заключение следует отметить, что наилучший метод прогнозирования даты завершения и стоимости строительного проекта с помощью алгоритмов регрессии будет зависеть от конкретных характеристик проблемы и набора данных. При выборе метода важно тщательно рассмотреть допущения, сложность, интерпретируемость, обработку выбросов и использование ансамблевых методов, а также тщательно оценить эффективность выбранного метода с помощью соответствующих метрик и методов перекрестной валидации.
 

Список литературы

1. Гинзбург А.В., Адамцевич Л.А., Адамцевич А.О. Строительная отрасль и концепция "Индустрия 4.0": обзор//Вестник МГСУ. 2021. Т. 16. № 7. С. 885-911.

2. Шилов Л.А., Шилова Л.А. Подход к управлению жизненным циклом строительного объекта на основе bim-технологий//Научно-технический вестник Поволжья. 2019. № 2. С. 86.

3. Шилова Л.А. Информационная поддержка управления объектами жизнеобеспечения с учетом критериев инженерной и функциональной устойчивости на случай чрезвычайной ситуации//Информационные ресурсы России. 2014. № 6 (142). С. 24-27.

4. Адамцевич Л.А., Пиляй А.И. Применение систем искусственного интеллекта при реставрации объектов культурного наследия//Cтроительное производство. 2022. № 3. С. 54-58.

5. Пиляй А.И. Cравнение нейронных сетей для анализа соблюдения требований охраны труда//Перспективы науки. 2021. № 2 (137). С. 166-170.

6. A. Gholizadeh, A. Arif, and G. Leicht, "Development of a hybrid artificial neural network for predicting project cost," Journal of Construction Engineering and Management, vol. 142, no. 1, 2015.

7. S. D. Azhar, N. Khalfan, and H. Maqsood, "Building information modelling (BIM): a new paradigm in construction management," Journal of Information Technology in Construction, vol. 16, pp. 613-622, 2011.

8. S. Hosseini and M. Arditi, "Estimation of construction project duration using artificial neural networks," Journal of Construction Engineering and Management, vol. 133, no. 7, 2007.

9. A. GhaffarianHoseini, P. Tookey, and N. GhaffarianHoseini, "BIM application in facilities management: A systematic review," Automation in Construction, vol. 66, pp. 1-13, 2016.

10. H. Ghezelbash, A. S. A. S. A. Kashi, and S. A. M. Pour, "A hybrid approach of artificial neural networks and particle swarm optimization for construction project cost estimation," Journal of Construction Engineering and Management, vol. 142, no. 10, 2016.

11. M. O. Efe, E. A. Olatunji, and O. O. Moses, "Artificial intelligence in construction project management: A systematic review," Journal of Construction Engineering and Management, vol. 147, no. 6, 2021.

12. C. A. Akinci, V. P. Khoshnava, and M. E. Fischer, "Estimating construction labor productivity using artificial neural networks," Journal of Construction Engineering and Management, vol. 131, no. 8, 2005.

13. K. Zamanian and M. K. Jafari, "Construction project duration forecasting using artificial intelligence techniques," Journal of Civil Engineering and Management, vol. 18, no. 1, 2012.

14. T. Hartmann and M. Fischer, "Artificial intelligence and project management," Procedia - Social and Behavioral Sciences, vol. 119, pp. 392-401, 2014.

15. B. H. Kim, S. S. Lee, and S. K. Moon, "An intelligent approach to construction project cost estimation using fuzzy logic," Automation in Construction, vol. 15, no. 1, 2006.Pang, H.E., Biljecki, F. 3D building reconstruction from single street view images using deep learning//International Journal of Applied Earth Observation and Geoinformation. - 2022.№112,102859


Войти или Создать
* Забыли пароль?