Estimating labor resource requirements in construction projects using machine learning
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
Purpose Existing labor estimation models typically consider only certain construction project types or specific influencing factors. These models are focused on quantifying the total labor hours required, while the utilization rate of the labor during the project is not usually accounted for. This study aims to develop a novel machine learning model to predict the time series of labor resource utilization rate at the work package level. Design/methodology/approach More than 250 construction work packages collected over a two-year period are used to identify the main contributing factors affecting labor resource requirements. Also, a novel machine learning algorithm – Recurrent Neural Network (RNN) – is adopted to develop a forecasting model that can predict the utilization of labor resources over time. Findings This paper presents a robust machine learning approach for predicting labor resources’ utilization rates in construction projects based on the identified contributing factors. The machine learning approach is found to result in a reliable time series forecasting model that uses the RNN algorithm. The proposed model indicates the capability of machine learning algorithms in facilitating the traditional challenges in construction industry. Originality/value The findings point to the suitability of state-of-the-art machine learning techniques for developing predictive models to forecast the utilization rate of labor resources in construction projects, as well as for supporting project managers by providing forecasting tool for labor estimations at the work package level before detailed activity schedules have been generated. Accordingly, the proposed approach facilitates resource allocation and enables prioritization of available resources to enhance the overall performance of projects.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,017 |
| Études des sciences et des technologies | 0,001 | 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