Conceptual estimation of construction duration and cost of public highway projects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
State Highway Agencies (SHAs) and Departments of Transportation (DOTs) allocate their limited resources to thousands of competing projects in multi-year transportation programs using expert judgement for the expected construction costs and durations. Such estimates overlook influencing parameters known in the planning phase and the importance of building reliable databases to support decision making. Meanwhile, it is possible to generate meaningful predictions in early stages of project development based on historical data gathering and analysis. The present research introduces a newly developed method for conceptual cost and duration estimation for public highway projects utilizing an ensemble of machine learning (ML) models and data collected for projects completed between 2004 and 2015 (roads, bridges, and drainage projects). Unlike previous studies, the proposed method includes project parameters that affect construction durations and costs and were not studied simultaneously before. The parameters considered are facility type, project scope, highway type, length, width, location, level of technical complexity, and new parameters pertinent to payment and procurement methods. The developed method was tested using 29 and 56 randomly selected projects, and the results yielded a Mean Absolute Percentage Error (MAPE) of 7.4% and 4.5% for the duration and cost, respectively, which are lower than the estimation errors of methods reported in recent literature. Additionally, the generalization abilities were assessed by the Mann-Whitney test, and the developed method is found to successfully handle diverse projects. Thus, machine learning models can assist agencies in the review process of competing projects from a high-level management perspective to ultimately develop better management execution programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle