عنوان

پیش‌بینی هزینه و مدت زمان واقعی در پروژه‌ها با استفاده از شبکه عصبی عمیق و بر پایه مدیریت ارزش حاصله

شماره

پ۲۶۴۶۷

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

پیش‌بینی هزینه و مدت زمان واقعی در پروژه‌ها با استفاده از شبکه عصبی عمیق و بر پایه مدیریت ارزش حاصله

نام نخستين پديدآور

علی صفدریان شهرضائی

نام ناشر، پخش کننده و غيره

اقتصاد و مدیریت

تاریخ نشرو بخش و غیره

۱۳۹۹

نام خاص و کميت اثر

۱۴۲ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مدیریت کسب و کار

زمان اعطا مدرک

۱۳۹۹/۱۱/۲۹

متن يادداشت

هدف: هدف این پژوهش، ایجاد و توسعه مدل‌هایی برای پیش‌بینی هزینه و مدت زمان نهایی پروژه‌های ساخت و ساز در طول مراحل ساخت و در مرحله اتمام است.روش‌شناسی پژوهش: در این پژوهش داده‌های مدیریت ارزش حاصله با استفاده از شبیه‌سازی مونت‌کارلو بر مبنای داده‌های پروژه‌های واقعی ساخت و ساز، شبیه‌سازی و این داده‌های شبیه‌سازی شده به عنوان داده‌های سری زمانی پروژه‌های اجرا شده در نظر گرفته شدند. در ادامه با استفاده این داده‌های شبیه‌سازی شده، سه مدل شبکه عصبی مصنوعی، شبکه عصبی بازگشتی حافظه کوتاه‌مدت طولانی و شبکه عصبی کانولوشن برای پیش‌بینی هزینه و مدت زمان واقعی برای هر 25درصد پیشرفت پروژه، ساخته شدند. شبکه عصبی مصنوعی به عنوان مبنا و معیار مقایسه و دو روش شبکه بازگشتی حافظه کوتاه‌مدت طولانی و شبکه عصبی کانولوشن، روش‌هایی جدید در زمینه مدیریت و کنترل پروژه است. روش شبکه بازگشتی حافظه کوتاه‌مدت طولانی، با بهره‌گیری از حافظه سلول داخلی، به خوبی با ثبت وقایع گذشته می‌تواند اثرات آن‌ها را در پیش‌بینی پروژه بعدی تاثیر بدهد و پیش‌بینی دقیق‌تری ارائه کند و همچنین روش شبکه عصبی کانولوشن که نوع یک بعدی آن استفاده شد، دقت بالایی در تفکیک گام‌های سری‌های زمانی دارد.یافته‌ها: در این پژوهش ده هزار داده شبیه‌سازی شده بر مبنای پروژه‌های واقعی و مدل‌های پیش‌بینی ذکر شده برای آن‌ها ساخته شد. بعد از اجرا و خروجی نتایج تمام مدل‌های معرفی شده مشخص شد که شبکه عصبی بازگشتی حافظه کوتاه‌مدت و شبکه عصبی کانولوشن بهترین نتایج را ایجاد کردند. در پیش‌بینی هزینه واقعی در طول پیشرفت و اتمام پروژه، بهترین نتایج متعلق به شبکه عصبی بازگشتی حافظه کوتاه‌مدت طولانی بود و در پیش‌بینی مدت زمان واقعی، شبکه عصبی کانولوشن بهترین نتایج را کسب کرد.نتیجه‌گیری: بر اساس مراحل اجرا و یافته‌های پژوهش می‌توان دریافت، استفاده از داده‌های تاریخی سری زمانی پروژه‌های پیشین و مدل‌های پیش‌بینی استفاده شده در این پژوهش، می‌تواند مدیران پروژه‌ها را با تقریب خوبی از هزینه‌ها و مدت زمان پروژه آینده آگاه کند و کمکی به ایشان در جهت اتخاذ تصمیم‌ها باشد.

متن يادداشت

AbstractResearch Aim: The purpose of this study is to develop models for forecasting the real final cost and duration of construction projects during the project progress.Research Method: In this research, the Earned Value Management data are simulated using Monte Carlo simulation based on the real construction projects data, and these simulated data are considered as time series data of executed projects. Based on these data, three models of artificial neural network, recurrent long short-term memory neural network and convolutional neural network were developed to forecast the real cost and duration for each 25% of the project progress. Artificial neural network is a benchmark and long short-term memory recurrent network and convolution neural network are new methods in project management and control. The long short-term memory recurrent network method, using internal cell memory, can record past events well and affect their effects in predicting the next project and provide a more accurate prediction. As well as convolution neural network has a high degree of detection in time series steps.Findings: In this research, ten thousand simulated data were generated based on real projects data and then forecasting models developed for them. After the implementation and output of the results of all the introduced models, it was found that the recurrent long short-term memory neural network and the convolutional neural network produced the best results. In predicting the actual cost during the project progress and completion, the best results belonged to the recurrent long short-term memory neural network, and in real duration forecasting, the convolution neural network created the best results.Conclusion: Based on the implementation steps and research findings, it can be obtained that using historical time series data of previous projects and forecasting models used in this research can inform project managers with a good approximation of costs and duration of future projects and help them to make Decisions.

عنوان گونه گون

Actual Cost and Duration Forecasting of Projects Using Deep Neural Networks Based on Earned Value Management

عنصر شناسه اي

صفدریان شهرضائی،

ساير عناصر نام

‏علی

کد نقش

تهيه کننده

عنصر شناسه اي

جبارزاده،

عنصر شناسه اي

فضل‌زاده،

ساير عناصر نام

یونس

ساير عناصر نام

‏ علیرضا

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز