Pomiar trafności prognoz opóźnień w realizacji przedsięwzięć budowlanych za pomocą sztucznych sieci neuronowych

• Autorzy: Anysz H. , Zbiciak A. , Ibadov N.

Identyfikatory

DOI

10.15199/33.2016.06.01

Warianty tytułu

EN

Measurement of prognosis trueness for delays in completion dates of construction contracts predicted by artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Jedną z metod przewidywania wielkości opóźnień w terminie zakończenia budowy jest wykorzystanie prognostycznych właściwości sztucznych sieci neuronowych (SSN). Kluczowym zagadnieniem dla trafności prognoz jest właściwy wybór topologii sieci. Należy określić, która sieć pozwala uzyskać trafniejsze prognozy. Trafność prognoz ex post można obliczać, używając tradycyjnych, statystycznych miar odchyleń wartości prognozowanych od rzeczywistych w próbie testowej – niebiorącej udziału w procesie uczenia SSN. Zaproponowano określenie trafności prognoz szerokością zdefiniowanego w artykule przedziału trafności dla zadanego poziomu trafności. Pojedynczą prognozę rzeczywistego czasu trwania budowy uznaje się za trafną, jeśli nie jest krótsza niż 0,95 rzeczywistego czasu trwania budowy i nie dłuższa niż większy od jedności wskaźnik rzeczywistego czasu trwania budowy – nazwany limitem górnym (Lg). Przedziałem trafności jest zakres <0,95; Lg>. Z dwóch SSN o różnej topologii lepsze prognozy daje ta – przy założonym poziomie trafności – dla której limit górny przedziału trafności jest bliższy jedności.

EN

Delays in building contract execution can be predicted utilizing prognostic features of artificial neural networks (ANN). Trueness of prognostics highly depends of ANN topology. In order to choose the best one it is necessary to check which gives highest trueness. Trueness of ex-post prognostics can be calculated with use of traditional, statistic measures giving deviations of predicted values from original values for the test set of data, which is not involved in teaching process of ANN. It is proposed to measure the trueness by the width of defined in the paper bracket of accuracy for a given level of accuracy. The single prognosis is recognized as accurate if the predicted total time of contract execution is not shorter then 0,95 of the real one, and not longer then Lg of real total time of contract execution. Lg was defined as anupper limit of the accuracy bracket <0,95; Lg >. Evaluating trueness of two different ANN with the same accuracy level, the better one gives anupper limit Lg closer to 1. Then accuracy bracket will be more narrow.

Słowa kluczowe

PL

inwestycja budowlana; data zakończenia; opóźnienie; prognoza; dokładność; sieć neuronowa sztuczna

EN

construction project; completion date; delay; prognosis; accuracy; artificial neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Materiały Budowlane
• Rocznik: 2016
• Tom: nr 6
• Strony: 3--5
• Opis fizyczny: Bibliogr. 7 poz., il., tab.

Twórcy

autor

Anysz H.

• Politechnika Warszawska, Wydział Inżynierii Lądowej

autor

Zbiciak A.

• Politechnika Warszawska, Wydział Inżynierii Lądowej

autor

Ibadov N.

• Politechnika Warszawska, Wydział Inżynierii Lądowej

Bibliografia

• [1] Aczel Amir D. 2000. Statystyka w zarządzaniu. Warszawa. PWN.
• [2] Czarnigowska Agata, Anna Sobotka. 2010. Przewidywalność czasu trwania budowy: publiczne przedsięwzięcia drogowe. Czasopismo Techniczne Technical Transactions (1-B): 23 – 34.
• [3] Leśniak Agnieszka, Edyta Plebankiewicz. 2010. Opóźnienia w robotach budowlanych. Zeszyty Naukowe WSOWL, nr 3 (157): 332 – 339.
• [4] Osowski Stanisław. 1997. Sieci neuronowe w ujęciu algorytmicznym. Warszawa. WNT.
• [5] Tadeusiewicz Ryszard. 1993. Sieci neuronowe. Warszawa. Akademicka Oficyna Wydawnicza.
• [6] Zeliaś Aleksander, Barbara Pawełek, Stanisław Wanat. 2013. Prognozowanie ekonomiczne. Teoria przykłady zadania. Warszawa. PWN.
• [7] Zieliński Jerzy S. (red. nauk.) 2000. Inteligentne systemy w zarządzaniu. Teoria i praktyka. Warszawa. PWN.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.