Algorithmes d'apprentissage automatique pour la prévision des risques de retard dans les projets de construction

Les retards de projets font partie des défis les plus pressants auxquels le secteur de la construction est confronté, attribués à la complexité du secteur et à l'interdépendance des sources de risques de retard inhérentes. L'apprentissage automatique offre un ensemble de techniques idéal capables de s'attaquer à de tels systèmes complexes ; cependant, l'adoption de ces techniques dans le secteur de la construction en est encore à un stade précoce. L'objectif de cette étude était d'identifier et de développer des modèles d'apprentissage automatique afin de faciliter l'analyse et la prévision précises des risques de retard de projet en utilisant des sources de données objectives. À cet égard, les sources et facteurs de risques de retard pertinents ont d'abord été identifiés, et un ensemble de données multivariées sur les performances temporelles de projets antérieurs et les sources de risques induisant des retards a ensuite été compilé. Par la suite, la complexité et l'interdépendance du système ont été révélées grâce à une analyse exploratoire des données. En conséquence, deux modèles d'apprentissage automatique appropriés, utilisant des algorithmes de classification par arbres de décision et naïf bayésien, ont été identifiés et entraînés à l'aide de l'ensemble de données pour prédire l'ampleur des retards de projet. Enfin, les performances prédictives des deux modèles ont été évaluées grâce à des tests de validation croisée, et les modèles ont été comparés à l'aide d'indices de performance pertinents pour l'apprentissage automatique. Les résultats de l'évaluation ont indiqué que le modèle naïf bayésien fournit une meilleure performance prédictive pour l'ensemble de données examiné. En fin de compte, le travail présenté ici exploite la puissance de l'apprentissage automatique pour faciliter la prise de décision basée sur des preuves, tandis que les facteurs de risque inhérents sont actifs, interdépendants et dynamiques, renforçant ainsi les stratégies de gestion proactive des risques de projet.