مقایسه عملکرد الگوریتمهای یادگیری ماشین در پیش بینی تاخیر پروژه های عمرانی مطالعه موردی ۱۰۱ پروژه واقعی در ایران

پروژه های عمرانی در ایران همواره با چالش تاخیر و افزایش هزینه مواجه هستند. پیش بینی دقیق تاخیر می تواند نقش کلیدی در بهبود مدیریت پروژه ایفا کند. در این پژوهش عملکرد هفت الگوریتم یادگیری ماشین شامل رگرسیون خطی، درخت تصمیم، شبکه عصبی مصنوعی، بگینگ رگرسور، جنگل تصادفی، درخت های اضافی، گرادیان بوستینگ و رگرسیون بردار پشتیبان (SVR) برای پیش بینی میزان تاخیر بر حسب روز در ۱۰۱ پروژه عمرانی تکمیل شده در ایران مقایسه شده است. پس از پیش پردازش و نرمال سازی داده ها مدل ها با استفاده از اعتبارسنجی متقابل ۵ بخشی آموزش و تنظیم شدند. نتایج نشان داد مدل گرادیان بوستینگ با ضریب تعیین (R۲) برابر ۰.۷۹ و میانگین خطای مطلق (MAE) برابر ۹.۱۰ روز و مدل SVR با کرنل خطی با R۲=۰.۷۸ و MAE=۱۰.۴ روز بهترین عملکرد را داشتند. مدل رگرسیون خطی با R۲=۰.۵۲ ضعیف ترین عملکرد را نشان داد که حاکی از غیرخطی و پیچیده بودن روابط موثر بر تاخیر است. بر اساس اصل سادگی تیغ اوکام و زمان آموزش کمتر، مدل SVR با کرنل خطی به عنوان مدل نهایی انتخاب شد. این مطالعه نشان می دهد که مدل های یادگیری ماشین غیرخطی ابزاری قابل اتکا برای پیش بینی تاخیر در پروژه های عمرانی با داده های محدود هستند.

کلیدواژه ها:

پیش بینی تاخیر پروژه ، یادگیری ماشین ، رگرسیون بردار پشتیبان ، پروژه های عمرانی ، مدیریت ریسک داده محور