Mekansal-zamansal makine öğrenimi modeli ile risk bilgili inşaat ilerleme tahmini

Bu çalışma inşaat ilerleme tahmini için mekansal-zamansal makine öğrenimi (ML) modellerinin ilk uygulaması olup planlamada kullanılan ağ tabanlı yöntemlerin ML modellerinde yansıtılamayan boşluklarını ele almaktadır. Mevcut zamansal ML modelleri kısa dizilimli yüksek frekanslı inşaat aktivitelerinde zorlanmakta bu da tahmin doğruluğunu sınırlamaktadır. Bu zorlukları aşmak için çalışmada 40 adet mekansal-zamansal model değerlendirilmiş bunlardan GatedGNN tabanlı 14 model en doğru ve dayanıklı olarak belirlendi. Çalışmada 175 haftalık inşaat ilerleme raporlarından elde edilen 2 milyondan fazla kayıttan oluşan bir veri kümesi kullanıldı. GatedGNN, GatedGNN-RNN ve GatedGNN-GRU modelleri diğerlerinden daha iyi performans göstererek maliyet ve takvim performans göstergelerinde %80 ile %95 arasında doğruluk elde etmiştir. Çalışmada veri kalitesi sorunları veri zehirlenmesi, etiket değiştirme ve özellik manipülasyonu gibi saldırılar olarak modellenerek modellerin dayanıklılıkları da test edildi. GatedGNN modelleri bu saldırılar altında doğruluklarını %80'in üzerinde korumuştur ancak küçük veri kümelerinde FGSM saldırısı doğruluğu düşürmüştür. Öne çıkan modeller proje yöneticilerinin sonuçları daha iyi tahmin etmelerine ve stratejik kararlar almalarına yardımcı olabilmektedir.