Un estudio comparativo de modelos de regresión de aprendizaje automático para predecir la duración de la construcción

En las últimas décadas, la industria de la construcción ha estado sufriendo retrasos en los proyectos. Sigue siendo un desafío reconocido predecir con precisión el progreso real del proyecto, a pesar de la vasta cantidad de datos de campo y métodos de programación disponibles. En este artículo, se utilizaron cuatro modelos diferentes de aprendizaje automático (ML), incluyendo vecino más cercano (KNN), regresión de soporte vectorial (SVR), árboles de refuerzo de gradiente (GBT) y red neuronal artificial (ANN) para pronosticar la duración de la construcción de áreas de trabajo. Se recolectaron datos de campo, incluyendo progreso, carga de trabajo, mano de obra, clima, días planificados y ubicación, como entradas y días de construcción como salida para cada área de trabajo para desarrollar los modelos. Se utilizó un modelo base simple y ampliamente utilizado para confirmar la precisión y la capacidad de generalización de los modelos de ML. La comparación de los resultados reveló que los modelos de ANN y GBT produjeron resultados significativamente superiores. Además, el modelo GBT es sustancialmente más eficiente computacionalmente. En conclusión, el modelo GBT podría aplicarse de manera exitosa y efectiva para mejorar la predicción de la duración de la construcción. Los modelos de ML propuestos podrían utilizarse como una herramienta de apoyo a la decisión para los gerentes de proyectos de construcción para ajustar la asignación de recursos en el sitio de construcción.