فرزاد, عرفان, دهقان منشادی, هادی, دشتی رحمت آبادی, محمدعلی. (1402). پیش بینی مسائل مربوط به زمان بندی پروژه های عمرانی با استفاده از شبکه عصبی LSTM (حافظه طولانی کوتاه مدت). نشریه مهندسی عمران امیرکبیر, 55(9), 1753-1764. doi: 10.22060/ceej.2023.21383.7701
عرفان فرزاد; هادی دهقان منشادی; محمدعلی دشتی رحمت آبادی. "پیش بینی مسائل مربوط به زمان بندی پروژه های عمرانی با استفاده از شبکه عصبی LSTM (حافظه طولانی کوتاه مدت)". نشریه مهندسی عمران امیرکبیر, 55, 9, 1402, 1753-1764. doi: 10.22060/ceej.2023.21383.7701
فرزاد, عرفان, دهقان منشادی, هادی, دشتی رحمت آبادی, محمدعلی. (1402). 'پیش بینی مسائل مربوط به زمان بندی پروژه های عمرانی با استفاده از شبکه عصبی LSTM (حافظه طولانی کوتاه مدت)', نشریه مهندسی عمران امیرکبیر, 55(9), pp. 1753-1764. doi: 10.22060/ceej.2023.21383.7701
فرزاد, عرفان, دهقان منشادی, هادی, دشتی رحمت آبادی, محمدعلی. پیش بینی مسائل مربوط به زمان بندی پروژه های عمرانی با استفاده از شبکه عصبی LSTM (حافظه طولانی کوتاه مدت). نشریه مهندسی عمران امیرکبیر, 1402; 55(9): 1753-1764. doi: 10.22060/ceej.2023.21383.7701

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 (1.71 M)
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
مراجع
آمار
تعداد مشاهده مقاله: 1,576
تعداد دریافت فایل اصل مقاله: 1,515
پیوندهای مفید
آمار
تعداد نشریات9
تعداد شماره‌ها455
تعداد مقالات5,773
تعداد مشاهده مقاله8,413,778
تعداد دریافت فایل اصل مقاله6,974,116