پیش بینی مسائل مربوط به زمان بندی پروژه های عمرانی با استفاده از شبکه عصبی lstm (حافظه طولانی کوتاه مدت)

از آنجایی که هدفِ نظارت بر پروژه، تصمیم گیری دقیق بوده که می‌‌تواند تاثیرات 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.

predicting construction project scheduling issues using lstm neural network (long-term short-term memory)

as the purpose of monitoring the project is to make accurate decisions that can have significant effects on the project’s success, predicting the project’s characteristics becomes more important. according to experts, schedule delays are a frequent issue in many construction projects. this research aims to propose a model that can address project scheduling problems. for this purpose, this study proposes new applications of recurrent neural network architectures based on short-term long-term memory (lstm) prediction models. subsequently, the prediction results of the presented models are compared and verified with the historical data of a real project. the data used in this study has been obtained from the south extension project of tehran metro line 6. the project started in october 2016 and ended in july 2018, lasting for a total of 21 months. in this study, the training dataset consisted of the initial 14 months’ data, which accounted for 83 percent of the total data. we used the construction project progress as a forecasting variable. to evaluate the performance of lstm models, we used the mean square error (mse) metric as the evaluation criterion. the results show that the model accurately forecasts the project’s future progress based on its past progress.