論文の概要: Enhancing Project Performance Forecasting using Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2411.17914v1
• Date: Tue, 26 Nov 2024 22:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:28:28.959876
• Title: Enhancing Project Performance Forecasting using Machine Learning Techniques
• Title（参考訳）: 機械学習技術によるプロジェクトパフォーマンス予測の強化
• Authors: Soheila Sadeghi,
• Abstract要約: 本研究は,プロジェクトパフォーマンス指標を予測するための機械学習に基づく手法を提案する。 天気パターンや資源の可用性などの外部要因を、予測の精度を高める機能として組み込んでいる。 本研究は,都市道路再建事業を事例として,提案手法の有効性を検証することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate forecasting of project performance metrics is crucial for successfully managing and delivering urban road reconstruction projects. Traditional methods often rely on static baseline plans and fail to consider the dynamic nature of project progress and external factors. This research proposes a machine learning-based approach to forecast project performance metrics, such as cost variance and earned value, for each Work Breakdown Structure (WBS) category in an urban road reconstruction project. The proposed model utilizes time series forecasting techniques, including Autoregressive Integrated Moving Average (ARIMA) and Long Short-Term Memory (LSTM) networks, to predict future performance based on historical data and project progress. The model also incorporates external factors, such as weather patterns and resource availability, as features to enhance the accuracy of forecasts. By applying the predictive power of machine learning, the performance forecasting model enables proactive identification of potential deviations from the baseline plan, which allows project managers to take timely corrective actions. The research aims to validate the effectiveness of the proposed approach using a case study of an urban road reconstruction project, comparing the model's forecasts with actual project performance data. The findings of this research contribute to the advancement of project management practices in the construction industry, offering a data-driven solution for improving project performance monitoring and control.
• Abstract（参考訳）: 都市の道路再建事業をうまく管理・提供するためには,プロジェクトパフォーマンス指標の正確な予測が不可欠である。 従来のメソッドは静的なベースライン計画に依存しており、プロジェクトの進捗や外部要因の動的な性質を考慮できないことが多い。 本研究では,都市道路再建プロジェクトにおけるWBS(Work Breakdown Structure)カテゴリ毎に,コスト分散や成果値などのプロジェクトパフォーマンス指標を予測する機械学習アプローチを提案する。 提案モデルでは,ARIMA(Autoregressive Integrated Integrated Average)やLSTM(Long Short-Term Memory)ネットワークなどの時系列予測技術を用いて,過去のデータとプロジェクト進捗に基づいて将来のパフォーマンスを予測する。 このモデルには、天気パターンや資源の可利用性といった外部要因も組み込まれており、予測の正確性を高めている。 機械学習の予測力を応用することにより、パフォーマンス予測モデルは、ベースライン計画からの潜在的な逸脱を積極的に識別し、プロジェクトマネージャがタイムリーに修正を行うことができる。 本研究は,都市道路再建事業のケーススタディを用いて,提案手法の有効性を検証することを目的としている。 本研究は, 建設業におけるプロジェクトマネジメントの実践の高度化に寄与し, プロジェクトパフォーマンス監視と管理を改善するためのデータ駆動型ソリューションを提供する。

関連論文リスト

• Predicting the Impact of Scope Changes on Project Cost and Schedule Using Machine Learning Techniques [0.0]
  本研究の目的は、機械学習技術を用いて、スコープ変更がプロジェクトコストやスケジュールに与える影響を推定する予測モデルを開発することである。 本研究は,プロジェクトタスクに関する詳細な情報を含む包括的データセットを利用する。 生産性率、スコープ変更の大きさ、タスク依存性、推定コスト、実際のコスト、期間、および特定のWBS要素が強力な予測因子であることが確認された。
  論文  参考訳（メタデータ） (2024-12-02T23:54:00Z)
• Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage [0.0]
  モデルデータ効率を改善するための尺度の予測精度への影響を定量化する。 負荷予測モデルに2年以上のトレーニングデータを使用することで,予測精度が大幅に向上することはなかった。 再使用したモデルと3ヶ月のデータでトレーニングされたモデルでは、ベースラインよりも平均10%高いエラーがあった。
  論文  参考訳（メタデータ） (2024-02-19T21:01:11Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• Estimating Task Completion Times for Network Rollouts using Statistical Models within Partitioning-based Regression Methods [0.01841601464419306]
  本稿では,通信ネットワークのロールアウト計画問題に対するデータと機械学習に基づく予測ソリューションを提案する。 マイルストーン完了時間の履歴データを使用することで、モデルはドメイン知識を取り入れ、ノイズを処理し、プロジェクトマネージャに解釈できる必要があります。 本稿では,各パーティションにデータ駆動統計モデルを組み込んだ分割型回帰モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-20T04:28:12Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
  自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。 運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。 提案手法は,既存手法の予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T14:59:48Z)
• Acting upon Imagination: when to trust imagined trajectories in model based reinforcement learning [1.26990070983988]
  モデルベース強化学習(MBRL)は、行動の結果を予測する環境力学のモデル(s)を学習することを目的としている。 仮想軌道のオンライン評価のための不確実性推定手法を提案する。 その結果,性能を犠牲にすることなく計算コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2021-05-12T15:04:07Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• Forethought and Hindsight in Credit Assignment [62.05690959741223]
  我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。 本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
  論文  参考訳（メタデータ） (2020-10-26T16:00:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。