Deep learning-based forecasting for construction project duration at completion
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
Project duration-at-completion (DAC) forecasting is a significant challenge in construction, where inaccuracies can lead to inefficient resource allocation, poor risk management, cost overruns, liquidated damages, and unrealistic stakeholder expectations. Especially during the construction phase, which manages the largest project budget and meets contractual milestones. This research aims to enhance DAC forecast accuracy by leveraging historical data using Deep Learning (DL), providing weekly work packages-level and project-level predictions.A Data Acquisition Model (DAM) collected duration-influencing factors per work package in a time series format, to then apply Long Short-Term Memory (LSTM), One-Dimensional Convolutional Neural Network (CONV-1D), and Multilayer Perceptron (MLP) algorithms. Once the optimal was selected, the overall DAC was computed by consolidating individual predictions and using the current project schedule, Precedence Diagramming and Critical Path Methods. By doing so, LSTM outperformed MLP and CONV-1D, with MASE 0.27, 0.29, and 0.54 for Concrete, Excavation and Backfill work packages. The LSTM-based model surpassed the widely used EVM and ESM, while a Monte Carlo-based sensitivity analysis verified its robustness. This deep-learning model was automated through a GUI, delivering forecasting Gantt charts, performance curves, critical path charts, interacting with Primavera P6 to capture data. This model aims to leverage Artificial Intelligence capabilities in construction.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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