Application of reinforcement learning for integrating project risk analysis and risk response planning: A case study on construction projects
Notice bibliographique
Résumé
Project Risk Management contains processes ranging from planning to control. It is applied to identify risks, analyze them, and design responses to change the occurrence rate and/or the effect of project risks. It is important for project managers to analyze the effects of the risks in projects and also consider project risks in their decisions. If project risks are not addressed during the risk management process, issues such as schedule delays, cost overruns, and even project failure may occur. This paper aims to introduce a Markov method to integrate project risk analysis and risk response planning. This method is applied to forecast the following status of the project when limited information about the project is available. Moreover, earned value management (EVM) methods were used to include various types of project risks through the project lifecycle. The model also offers the capability to choose the most effective risk response for managing project risks through the application of the Markov decision process (MDP). Eventually, we introduce a case study to demonstrate functionality and effectiveness of the presented approach. Solving the model allows for identifying the best set of risk response strategies tailored to each specific project state. The computational results illustrate that the current state of the project has a significant impact in the process of risk response planning. Since uncertainty is the inherent characteristic of projects, the use of the project’s current state is more reliable than the previous status of projects, and the Markov method is applied in this research because it uses the current state for its modelling. Using this method, managers can predict the future state of projects and find the best response in each status 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 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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».