تحلیل مقایسهای الگوریتمهای یادگیری عمیق برای پیشبینی تاخیر در پروژه های ساخت و ساز در ایران

پروژه های ساخت و ساز در ایران اغلب با تاخیر مواجه می شوند که چالش های قابل توجهی را برای مدیران پروژه ایجاد کرده و منجر به زیان های مالی و نارضایتی ذینفعان می شود. مدیریت موثر این تاخیرها برای حفظ زمان بندی پروژه و بهینه سازی استفاده از منابع ضروری است. این مطالعه فرضیه ای را بررسی می کند که بیان می دارد الگوریتم های پیشرفته یادگیری عمیق می توانند به طور قابل توجهی پیش بینی و مدیریت تاخیرهای پروژه های ساخت و ساز در ایران را بهبود بخشند. این پژوهش بر سه الگوریتم تمرکز دارد: شبکه های تخاصمی مولد (GAN)، حافظه کوتاه مدت بلند (LSTM) و پرسپترون چندلایه (MLP)، و اثر بخشی آنها را در مجموعه داده هایی با عدم توازن کلاس های مختلف ارزیابی می کند. یک روش شناسی ساختاریافته برای ارزیابی الگوریتم ها بر اساس معیارهای کلیدی عملکرد از جمله دقت، میزان مثبت واقعی، حساسیت، ویژگی و خطاهای دسته بندی نادرست به کار گرفته شد. مدل GAN با دقت ۹۱٪ و نرخ خطای ۹٪ عملکرد بهتری نسبت به LSTM دقت (۸۸٪ خطا (۱۲٪) و MLP دقت (۸۳٪، خطا (۱۷٪) داشت. همچنین مدل GAN برتری خود را در دقت (۹۰٪) و حساسیت (۸۷٪) نشان داد و به عنوان قابل اعتمادترین الگوریتم برای ارزیابی ریسک تاخیر شناخته شد. در حالی که LSTM موثر بود دقت آن کمی کمتر (۸۸٪) بود اما توانایی تعمیم خوبی برای داده های دیده نشده داشت. MLP ضعیف ترین عملکرد را نشان داد زیرا نرخ های خطای بالاتری داشت و از استحکام کمتری برخوردار بود. این یافته ها نشان می دهند که مدل های یادگیری عمیق به ویژه GAN، می توانند به طور قابل توجهی در بهبود تصمیم گیری و کاهش تاخیر در پروژه های ساخت و ساز نقش داشته باشند.