Estimating labor resource requirements in construction projects using machine learning
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».