論文の概要: Bayesian-Monte Carlo Schedule Updating for Construction Digital Twins: A Probabilistic Framework for Dynamic Project Forecasting

• arxiv url: http://arxiv.org/abs/2605.17608v1
• Date: Sun, 17 May 2026 19:09:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.390083
• Title: Bayesian-Monte Carlo Schedule Updating for Construction Digital Twins: A Probabilistic Framework for Dynamic Project Forecasting
• Title（参考訳）: Bayesian-Monte Carlo Schedule Updating for Construction Digital Twins: a Probabilistic Framework for Dynamic Project Forecasting
• Authors: Atena Khoshkonesh, Mohsen Mohammadagha, Vinayak Kaushal, Navid Ebrahimi,
• Abstract要約: 建設プロジェクトは、労働生産性の変動、資材利用率、気象条件、プロジェクトの調整などによるスケジュールの遅れや不確実性をしばしば経験する。 CPM(Critical Path Method)のような従来の決定論的スケジューリング手法は、一定の活動期間を仮定するので、動的プロジェクトの不確実性を適切に表現することはできない。 本研究では, ベイジアン・モンテ・カルロ確率的スケジュール更新フレームワークについて述べる。
• 参考スコア（独自算出の注目度）: 0.13999481573773073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Construction projects frequently experience schedule delays and forecasting uncertainty due to variability in labor productivity, material availability, weather conditions, and project coordination. Conventional deterministic scheduling methods such as the Critical Path Method (CPM) assume fixed activity durations and therefore cannot adequately represent dynamic project uncertainty. This study presents a Bayesian-Monte Carlo probabilistic schedule updating framework for construction digital twin environments. The proposed methodology integrates stochastic activity-duration modeling, Bayesian recursive updating, Monte Carlo simulation, and uncertainty propagation within a unified computational framework for adaptive schedule forecasting. Activity durations are modeled using lognormal probability distributions and continuously updated through Bayesian inference as new project observations become available. Monte Carlo simulation is then used to propagate updated uncertainty throughout project networks and generate probabilistic completion-time forecasts, delay-risk estimates, and activity criticality measures. Simulation experiments using PSPLIB benchmark project networks demonstrate that the proposed framework improves forecasting accuracy and uncertainty representation compared with deterministic CPM and static probabilistic scheduling approaches. The framework further supports adaptive project forecasting through integration of BIM reports, drone observations, IoT telemetry, productivity logs, and site monitoring data.
• Abstract（参考訳）: 建設プロジェクトは、労働生産性の変動、資材利用率、気象条件、プロジェクトの調整などによるスケジュールの遅れや不確実性をしばしば経験する。 CPM(Critical Path Method)のような従来の決定論的スケジューリング手法は、一定の活動期間を仮定するので、動的プロジェクトの不確実性を適切に表現することはできない。 本研究では, ベイジアン・モンテ・カルロ確率的スケジュール更新フレームワークについて述べる。 提案手法は,確率的アクティビティ・デュレーションモデリング,ベイジアン再帰的更新,モンテカルロシミュレーション,不確実性伝搬を適応スケジュール予測のための統一計算フレームワークに組み込む。 活動期間は対数正規確率分布を用いてモデル化され、新しいプロジェクト観測が利用可能になるとベイズ推論を通じて継続的に更新される。 モンテカルロシミュレーションは、プロジェクトネットワーク全体にわたって更新された不確実性を伝播させ、確率的完了時間予測、遅延リスク推定、および活動臨界度測定を生成するために使用される。 PSPLIBベンチマークプロジェクトネットワークを用いたシミュレーション実験により,提案手法は決定論的CPMや静的確率的スケジューリング手法と比較して予測精度と不確実性表現を改善することを示した。 このフレームワークはさらに、BIMレポート、ドローン観測、IoTテレメトリ、生産性ログ、サイト監視データの統合を通じて、適応的なプロジェクト予測をサポートする。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Probabilistic Symmetry for Multi-Agent Dynamics [18.94585103009698]
  本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。 PECCOは、非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。
  論文  参考訳（メタデータ） (2022-05-04T07:51:08Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。