چکیده مقاله
مدیریت تاخیر در پروژه های ساختمانی دولتی یکی از چالش های اساسی در کشورهای در حال توسعه، به ویژه ایران، به شمار می رود نوسانات اقتصادی، دیوان سالاری پیچیده و تحریم های بین المللی سبب شده اند تا روش های سنتی تحلیل تاخیر کارایی لازم را نداشته باشند هدف از این پژوهش توسعه و ارزیابی مدل های یادگیری ماشین برای پیش بینی درصد تاخیر و شناسایی مهم ترین عوامل موثر بر آن است بدین منظور، داده های ۱۴۷ پروژه ساختمانی دولتی از سه استان تهران، خراسان رضوی و اصفهان طی سال های ۱۳۹۵ تا ۱۴۰۲ گردآوری شد ۱۸ عامل اصلی تاخیر با روش دلفی و بررسی مستندات استخراج گردید سه الگوریتم LightGBM، XGBoost و شبکه عصبی مصنوعی ANN آموزش داده شدند عملکرد مدل ها با اعتبارسنجی متقابل ۱۰ بخشی و معیارهای RMSE، R و MAE مقایسه گردید نتایج نشان داد که XGBoost با ۴/۱۲ RMSE بهترین عملکرد را دارد تحلیل SHAP نشان داد که نوسان قیمت مصالح ۲۱/۵٪ ، تاخیر در پرداخت ها ۱۹/۳ و کمبود نیروی ماهر ۱۱/۷ مهم ترین عوامل پیش بینی کننده هستند این مدل می تواند به عنوان ابزار کمک تصمیم گیری در سامانه های پایش پروژه های دولتی به کار رود R=
کلیدواژهها
نویسندگان
محمد تقی آهنگریه
کارشناس عمران سازه شهرداری کلانشهر تبریز، ایران
سید مجتبی حسینی
پژوهشگر مستقل نیشابور، ایران
شیوه ارجاع
�سینی، سید مجتبی،1405،پیش بینی تاخیر در پروژه های ساختمانی دولتی ایران با استفاده از الگوریتم های یادگیری ماشین (LightGBM، XGBoost و (ANN،پانزدهمین کنفرانس بین المللی ایده های راهبردی در معماری، عمران و شهرسازی ایران،مشهد
ارائهشده در
مجموعه مقالات پانزدهمین کنفرانس بین المللی ایده های راهبردی در معماری، عمران و شهرسازی ایران28 اردیبهشت 1405 · مشهد