論文の概要: Predicting the Impact of Scope Changes on Project Cost and Schedule Using Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2412.02041v1
• Date: Mon, 02 Dec 2024 23:54:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:43:24.352737
• Title: Predicting the Impact of Scope Changes on Project Cost and Schedule Using Machine Learning Techniques
• Title（参考訳）: 機械学習によるスコープ変化のプロジェクトコストとスケジュールへの影響予測
• Authors: Soheila Sadeghi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the dynamic landscape of project management, scope changes are an inevitable reality that can significantly impact project performance. These changes, whether initiated by stakeholders, external factors, or internal project dynamics, can lead to cost overruns and schedule delays. Accurately predicting the consequences of these changes is crucial for effective project control and informed decision-making. This study aims to develop predictive models to estimate the impact of scope changes on project cost and schedule using machine learning techniques. The research utilizes a comprehensive dataset containing detailed information on project tasks, including the Work Breakdown Structure (WBS), task type, productivity rate, estimated cost, actual cost, duration, task dependencies, scope change magnitude, and scope change timing. Multiple machine learning models are developed and evaluated to predict the impact of scope changes on project cost and schedule. These models include Linear Regression, Decision Tree, Ridge Regression, Random Forest, Gradient Boosting, and XGBoost. The dataset is split into training and testing sets, and the models are trained using the preprocessed data. Model robustness and generalization are assessed using cross-validation techniques. To evaluate the performance of models, we use Mean Squared Error (MSE) and R2. Residual plots are generated to assess the goodness of fit and identify any patterns or outliers. Hyperparameter tuning is performed to optimize the XGBoost model and improve its predictive accuracy. The study identifies the most influential project attributes in determining the magnitude of cost and schedule deviations caused by scope modifications. It is identified that productivity rate, scope change magnitude, task dependencies, estimated cost, actual cost, duration, and specific WBS elements are powerful predictors.
• Abstract（参考訳）: プロジェクト管理の動的な状況では、スコープの変更は避けられない現実であり、プロジェクトのパフォーマンスに大きな影響を与えます。 これらの変更は、利害関係者や外部要因、あるいはプロジェクト内部のダイナミクスによって開始されるもので、コストオーバーランやスケジュール遅延につながる可能性がある。 これらの変化の結果を正確に予測することは、効果的なプロジェクト管理と情報的意思決定に不可欠である。 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。 この研究は、WBS(Work Breakdown Structure)、タスクタイプ、生産性率、見積コスト、実際のコスト、時間、タスク依存性、スコープ変更の規模、スコープ変更のタイミングなど、プロジェクトタスクに関する詳細な情報を含む包括的なデータセットを利用している。 複数の機械学習モデルを開発、評価し、スコープ変更がプロジェクトのコストとスケジュールに与える影響を予測する。 これらのモデルには線形回帰、決定木、リッジ回帰、ランダムフォレスト、グラディエントブースティング、XGBoostが含まれる。 データセットはトレーニングとテストセットに分割され、モデルは前処理されたデータを使用してトレーニングされる。 モデルの堅牢性と一般化は、クロスバリデーション技術を用いて評価される。 モデルの性能を評価するために,平均正方形誤差(MSE)とR2を用いる。 残留プロットは、適合の良さを評価し、任意のパターンや外れ値を特定するために生成される。 ハイパーパラメータチューニングは、XGBoostモデルを最適化し、予測精度を向上させる。 この研究は、スコープ修正によるコストとスケジュールのずれの大きさを決定する上で、最も影響力のあるプロジェクト特性を明らかにした。 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。

関連論文リスト

• Reqo: A Robust and Explainable Query Optimization Cost Model [2.184775414778289]
  GRU(Gated Recurrent Units)によって集約された双方向グラフニューラルネットワーク(Bi-GNN)に基づくツリーモデルアーキテクチャを提案する。 我々は,確率的MLを用いて,コスト見積の不確実性を効果的に定量化する,新しい学習とランクのコストモデルを実装した。 さらに,学習型コストモデルに特化して設計された最初の説明可能性手法を提案する。
  論文  参考訳（メタデータ） (2025-01-29T04:48:51Z)
• Enhancing Project Performance Forecasting using Machine Learning Techniques [0.0]
  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。
  論文  参考訳（メタデータ） (2024-11-26T22:09:55Z)
• Do Influence Functions Work on Large Language Models? [10.463762448166714]
  影響関数は、個々のトレーニングデータポイントがモデルの予測に与える影響を定量化する上で重要である。 我々は,複数のタスクにまたがる影響関数を評価し,ほとんどの設定において不整合なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-09-30T06:50:18Z)
• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• VIRL: Volume-Informed Representation Learning towards Few-shot Manufacturability Estimation [0.0]
  本研究は,3次元幾何エンコーダの事前学習のためのボリュームインフォームド表現学習手法であるVIRLを紹介する。 VIRLによって事前訓練されたモデルでは,データ制限による一般化性の向上が大幅に向上した。
  論文  参考訳（メタデータ） (2024-06-18T05:30:26Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• Striving for data-model efficiency: Identifying data externalities on group performance [75.17591306911015]
  信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。 我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。 以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
  論文  参考訳（メタデータ） (2022-11-11T16:48:27Z)
• How Much More Data Do I Need? Estimating Requirements for Downstream Tasks [99.44608160188905]
  小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か? データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。 本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
  論文  参考訳（メタデータ） (2022-07-04T21:16:05Z)
• 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)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。