ارائه مدلی برای تعیین درصد اطمینان برآورد روش ارزش کسب شده با استفاده از یادگیری ماشین

مدیریت ارزش کسب شده ابزاری مهم برای پیش بینی و ارزیابی زمان و پیشرفت پروژه ها در صنعت ساخت وساز است. با این حال، این تکنیک به دلیل نادیده گرفتن تغییرپذیری در مدت فعالیت ها، معمولا پیش بینی های خوش بینانه ای ارائه می دهد که می تواند منجر به تاخیرات قابل توجهی در پروژه ها شود. این تحقیق به محدودیت های این روش در تخمین زمان تکمیل پروژه می پردازد و هدف آن بهبود دقت پیش بینی ها از طریق استفاده از الگوریتم های یادگیری ماشین، به ویژه شبکه های عصبی حافظه بلندمدت - کوتاه مدت، می باشد. به کمک این روش پیشنهادی, الگوها و روندهای تاریخی را شناسایی می شود و با تهیه بانک اطلاعاتی پروژه, مدیر پروژه می تواند پیش بینی های زمان بندی بهتری را ارائه دهد.هدف این تحقیق پیشنهاد مدلی است که بتواند مشکلات زمان بندی پروژه را با بهره گیری از روش سری زمانی یادگیری ماشین که دقت بسیار بالایی دارد، کاهش دهد. براین اساس، این مطالعه کاربردهای جدیدی از معماری شبکه عصبی بازگشتی مبتنی بر مدل های پیش بینی شبکه عصبی حافظه بلندمدت - کوتاه مدت با استفاده از زبان برنامه نویسی پایتون پیشنهاد می نماید. در این پژوهش، میزان اختلاف زمان تکمیل پروژه در دنیای واقعی با مقداری که توسط ماشین پیش بینی شده است مشخص خواهد شد. لازم به ذکر است که در زمینه یادگیری ماشین، تعداد داده ها اهمیت ویژه ای دارد. بدین منظور، ۳۰ پروژه یEPC همراه با گزارش های روزانه موجود در بانک اطلاعاتی مدیریت پروژه بررسی می شوند. با استفاده از نرم افزار Expert Choice و روش تصمیم گیری چند معیاره AHP ۳۰ پروژه ی بررسی شده براساس سه معیار زمان، هزینه و حجم کار (محدوده پروژه) رتبه بندی می شوند.

ارائه مدلی برای تعیین درصد اطمینان برآورد روش ارزش کسب شده با استفاده از یادگیری ماشین Keywords:

مدیریت پروژه , مدیریت زمانبندی , مدیریت ارزش کسب شده , یادگیری ماشین , شبکه عصبی