Forecasting Construction Equipment Productivity Based on Weather Conditions: A Data-Driven Time-Series Machine Learning Approach
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
Accurate forecasting of construction equipment productivity is crucial for effectively planning and controlling construction resources. Traditional approaches often rely on data from previous projects and the subjective experience of project managers, which can result in inaccurate estimates. Moreover, previous studies in forecasting construction equipment productivity often tend to overlook the time dependencies in the data which is inherent to the nature of construction productivity. This study presents a generic data-driven framework for forecasting productivity data from ongoing construction field activities and weather conditions, utilizing daily report logs. The framework combines machine learning (ML) models with time-series analysis to forecast, over time, the productivity of construction equipment while considering weather conditions as exogenous factors. Modeling construction productivity as a time series enables the reflection of temporal dependencies in the data. The framework was evaluated through a case study involving excavation activities for an infrastructure project over eight months. The ML-based time-series model yielded a model fit (R2) of 0.89, outperforming the classical Seasonal Autoregressive Integrated Moving Average (SARIMAX) time-series model, which achieved an R2 of 0.71. Moreover, the ML-based time-series model showed a 63% reduction in the estimation error compared to the project manager’s approach. Once the construction field productivity is accurately estimated, project managers can leverage the estimates to make data-driven resource allocation decisions.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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