پیش بینی مسائل مربوط به زمان بندی پروژه های عمرانی با استفاده از شبکه عصبی LSTM (حافظه طولانی کوتاه مدت)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آزادا اسلامی واحد یزد، یزد، ایران

2 دانشجوی دکتری رشته عمران گرایش مهندسی و مدیریت ساخت، واحد یزد، دانشگاه آزاد اسلامی، یزد،

3 عضو هیئت علمی گروه عمران، دانشگاه آزاد اسلام یزد، یزد، ایران

چکیده

از آنجایی که هدفِ نظارت بر پروژه، تصمیم گیری دقیق بوده که می‌تواند تأثیرات به سزایی بر موفقیت پروژه داشته باشد، پیش بینی ویژگی های پروژه از اهمیت بیشتری برخوردار می‌گردد. متخصصان بر این باورند که قریب به اتفاق پروژه‌های عمرانی از تاخیرات رنج می‌برند. لذا یکی از مهمترین ویژگی پروژه‌های عمرانی، مسائل مربوط به زمان است. این پژوهش مدلی را پیشنهاد می‌کند تا بتوان مشکلات زمان‌بندی پروژه‌ها را تا حدودی مرتفع نمود. برای این منظور، این پژوهش کاربردهای جدید مدل‌های پیش‌بینی حافظه‌ی کوتاه مدت بلند مدت (LSTM) را که یک معماری از شبکه عصبی بازگشتی است، ارائه می‌کند. از سوی دیگر به منظور مقایسه و اعتبار سنجی روش LSTM مدل یادگیری دروازه‌ای(GRU) مورد بررسی قرار می‌‌گیرد. متعاقب آن، نتایج پیش بینی مدل‌های ارائه شده، با داده‌های یک پروژه‌ی واقعی مقایسه و راست آزمایی می‌شود. در این مطالعه برای پیش بینی از داده‌های پروژه‌ی توسعه جنوبی خط شش مترو تهران که در سال 97 به پایان رسیده است، استفاده شده و جهت سنجش دقت از معیار ریشه میانگین مربعات استفاده شده است. مدت زمان در نظر گرفته شده برای مدل سازی 17 ماه بوده به طوری که اطلاعات چهارده ماه ابتدایی به عنوان داده‌ی آموزش و سه ماه آتی پروژه (معادل 17 درصد کل داده ها) به عنوان داده‌ی آزمون استفاده شده است. متغیر پیش بینی کننده در این پژوهش درصد پیشرفت فیزیکی پروژه می باشد. نتایج نشان می‌دهد که حافظه‌ی کوتاه مدت بلند مدت و کاربردهای پیشنهادی مدل، می‌تواند با دقت خوبی پیشرفت پروژه را پیش بینی کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predicting construction project scheduling issues using LSTM neural network (long-term short-term memory)

نویسندگان [English]

  • Hadi Dehghan Manshadi 1
  • Erfan Farzad 2
  • mohammad ali dashti rahmatabadi 3
1 Department of Civil Engineering, Yazd Branch, Islamic Azad University, Yazd, Iran
2 Ph.D Candidate of Civil Engineering, Yazd Branch, Islamic Azad University, Yazd, Iran
3 faculty of civil eng., yazd branch, islamic azad university, yazd,iran
چکیده [English]

Because the goal of project oversight is to make accurate decisions that can have a significant impact on project success, predicting project features becomes even more important. Experts believe that the vast majority of construction projects suffer from delays. Therefore, one of the most important features of construction projects is issues related to time. This article proposes a model to solve project scheduling problems to some extent. To this end, this study presents new applications of short-term long-term memory prediction (LSTM) models, which are a recursive neural network architecture. On the other hand, in order to compare and validate the LSTM method, the gateway learning model (GRU) is examined. Subsequently, the prediction results of the proposed models are compared and verified with the data of a real project. In this study, to predict the real data of the southern development project of Tehran Metro Line 6, which was completed in 1997, was used and to measure the accuracy, the root mean square measure was used. The results show that short-term long-term memory and proposed applications of the model can accurately predict project progress. Also, in the GRU forecast compared to LSTM, the square root of the mean squared decreased by about 30%.

کلیدواژه‌ها [English]

  • Project management
  • Scheduling
  • Artificial intelligence
  • Short term long term memory
  • Forecasting
نشریه مهندسی عمران امیرکبیر
دوره 55، شماره 9
آذر 1402
صفحه 2-2

فایل ها

هم رسانی

ارجاع به این مقاله

آمار