پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,036 |
| تعداد دریافت فایل اصل مقاله | 4,882,773 |
پیش بینی مسائل مربوط به زمان بندی پروژه های عمرانی با استفاده از شبکه عصبی LSTM (حافظه طولانی کوتاه مدت) | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 2، دوره 55، شماره 9، آذر 1402، صفحه 1753-1764 اصل مقاله (852.33 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2023.21383.7701 | ||
| نویسندگان | ||
| عرفان فرزاد؛ هادی دهقان منشادی* ؛ محمدعلی دشتی رحمت آبادی | ||
| گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد 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 (معادل 83 درصد کل داده ها) 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 | ||
| مدیریت پروژه؛ زمان بندی؛ هوش مصنوعی؛ حافظه کوتاه مدت بلند مدت؛ پیش بینی | ||
| موضوعات | ||
| مهندسی و مدیریت ساخت و کنترل | ||
| عنوان مقاله [English] | ||
| Predicting construction project scheduling issues using LSTM neural network (long-term short-term memory) | ||
| نویسندگان [English] | ||
| Erfan Farzad؛ Hadi Dehghan Manshadi؛ mohammad ali dashti rahmatabadi | ||
| Ph.D Candidate of Civil Engineering, Yazd Branch, Islamic Azad University, Yazd, Iran | ||
| چکیده [English] | ||
| As the purpose of monitoring the project is to make accurate decisions that can have significant effects on the project’s success, predicting the project’s characteristics becomes more important. According to experts, schedule delays are a frequent issue in many construction projects. This research aims to propose a model that can address project scheduling problems. For this purpose, this study proposes new applications of recurrent neural network architectures based on short-term long-term memory (LSTM) prediction models. Subsequently, the prediction results of the presented models are compared and verified with the historical data of a real project. The data used in this study has been obtained from the South Extension Project of Tehran Metro Line 6. The project started in October 2016 and ended in July 2018, lasting for a total of 21 months. In this study, the training dataset consisted of the initial 14 months' data, which accounted for 83 percent of the total data. We used the construction project progress as a forecasting variable. To evaluate the performance of LSTM models, we used the mean square error (MSE) metric as the evaluation criterion. The results show that the model accurately forecasts the project’s future progress based on its past progress. | ||
| کلیدواژه‌ها [English] | ||
| Project management, scheduling, artificial intelligence, short term long term memory, forecasting | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] Liu, W. Hao, Forecasting the scheduling issues in engineering project management: Applications of deep learning models, Future Generation Computer Systems, 123 (2021) 85-93. [2] Khoshgoftar, A.H.A. Bakar, O. Osman, Causes of delays in Iranian construction projects, International Journal of Construction Management, 10(2) (2010) 53-69. [3] Tian, S. Yuan, Genetic algorithm parameters tuning for resource-constrained project scheduling problem, in: AIP Conference Proceedings, AIP Publishing, 2018. [4] Hu, Q. Huang, S. Chang, H. Wang, J. He, The MBPEP: a deep ensemble pruning algorithm providing high quality uncertainty prediction, Applied Intelligence, 49(8) (2019) 2942-2955. [5] Li, W. Chen, Application of BP neural network algorithm in sustainable development of highway construction projects, Physics Procedia, 25 (2012) 1212-1217. [6] Cen, J. Wang, Crude oil price prediction model with long short term memory deep learning based on prior knowledge data transfer, Energy, 169 (2019) 160-171. [7] Bahdanau, K. Cho, Y. Bengio, Neural machine translation by jointly learning to align and translate, arXiv preprint arXiv:1409.0473, (2014). [8] Li, Z. Zhang, X. Wang, W. Yan, Intelligent decision-making model in preventive maintenance of asphalt pavement based on PSO-GRU neural network, Advanced Engineering Informatics, 51 (2022) 101525. [9] Liu, L. Li, X. Fang, W. Qi, J. Shen, H. Zhou, Y. Zhang, Hard-rock tunnel lithology prediction with TBM construction big data using a global-attention-mechanism-based LSTM network, Automation in Construction, 125 (2021) 103647. [10] Shi, C. Qin, J. Tao, C. Liu, A VMD-EWT-LSTM-based multi-step prediction approach for shield tunneling machine cutterhead torque, Knowledge-Based Systems, 228 (2021) 107213. [11] Luo, M. Wang, P.K.-Y. Wong, J. Tang, J.C. Cheng, Construction machine pose prediction considering historical motions and activity attributes using gated recurrent unit (GRU), Automation in Construction, 121 (2021) 103444. [12] Fang, G. Gong, G. Li, L. Chun, P. Peng, W. Li, A general multi-source ensemble transfer learning framework integrate of LSTM-DANN and similarity metric for building energy prediction, Energy and Buildings, 252 (2021) 111435. [13] Liu, X.-w. Mi, Y.-f. Li, Wind speed forecasting method based on deep learning strategy using empirical wavelet transform, long short term memory neural network and Elman neural network, Energy conversion and management, 156 (2018) 498-514. [14] Song, L. Zhang, G. Xue, Y. Ma, S. Gao, Q. Jiang, Predicting hourly heating load in a district heating system based on a hybrid CNN-LSTM model, Energy and Buildings, 243 (2021) 110998. [15] Rasaizadi, S.E. Seyedabrishami, Traffic state prediction with machine learning algorithms for short-term and mid-term prediction time horizons, Amirkabir Journal of Civil Engineering, 54(4) (2022) 1503-1520. [16] J. Wang, B. Ashuri, Predicting ENR’S construction cost index using the modified K nearest neighbors (KNN) algorithm, in: Construction research congress 2016, 2016, pp. 2502-2509. [17] J. Wang, B. Ashuri, Predicting ENR construction cost index using machine-learning algorithms, International Journal of Construction Education and Research, 13(1) (2017) 47-63. [18] P.M. Institute, A guide to the project management body of knowledge (PMBOK® guide), in, Project Management Institute, 2017. [19] Lu, Y. Peng, X. Chen, M. Skitmore, X. Zhang, The S-curve for forecasting waste generation in construction projects, Waste Management, 56 (2016) 23-34. [20] Cho, B. Van Merriënboer, D. Bahdanau, Y. Bengio, On the properties of neural machine translation: Encoder-decoder approaches, arXiv preprint arXiv:1409.1259, (2014). [21] Chung, C. Gulcehre, K. Cho, Y. Bengio, Empirical evaluation of gated recurrent neural networks on sequence modeling, arXiv preprint arXiv:1412.3555, (2014). [22] Liu, C. Fu, A. Bielefield, Y.Q. Liu, Forecasting of Chinese primary energy consumption in 2021 with GRU artificial neural network, Energies, 10(10) (2017) 1453. [23] Wu, S. King, Investigating gated recurrent networks for speech synthesis, in: 2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), IEEE, 2016, pp. 5140-5144. [24] Zhang, F. Shen, J. Zhao, G. Yang, Time series forecasting using GRU neural network with multi-lag after decomposition, in: Neural Information Processing: 24th International Conference, ICONIP 2017, Guangzhou, China, November 14–18, 2017, Proceedings, Part V 24, Springer, 2017, pp. 523-532. [25] Shah, H. Isah, F. Zulkernine, Stock market analysis: A review and taxonomy of prediction techniques, International Journal of Financial Studies, 7(2) (2019) 26. | ||
|
آمار تعداد مشاهده مقاله: 612 تعداد دریافت فایل اصل مقاله: 772 |
||
