基于数据驱动的施工任务时间风险预测系统研究

摘要
图/表
参考文献
相关文章 (4)

全文: PDF (1422 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要随着基础设施项目复杂性的增加，工期延误问题日益突出，导致利益相关者面临的经济损失和项目中断风险显著上升。传统进度风险分析方法多依赖经验判断，存在较强主观性，而现有机器学习(ML)方法虽能克服主观偏差，却普遍局限于单一模型对整体工期的预测，未能充分利用施工任务中的文本信息特征，限制其对任务级精细化管理的支持能力。针对上述问题，文章提出一种融合文本与数值特征的任务级时间风险预测方法，并基于随机森林(RF)、极端随机树(ET)和人工神经网络(ANN)3种基础模型，通过投票法和堆叠法构建VT-ANN和SE-ANN两种新型集成模型。试验结果表明，在7种单一机器学习模型中，RF和ET表现最优，其决定系数(R²)分别达到0.924和0.917；所提出的集成模型VT-ANN和SE-ANN进一步提升预测性能，R²分别提升至0.928和0.929。此外，文本特征的引入有效提升模型的预测精度。文章不仅拓展机器学习在工程管理中的应用边界，也为基础设施项目的动态资源优化提供理论支持。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	刘亚平骆欢

关键词 ：文本特征, 主题建模, 时间预测, 机器学习, 集成模型

Key words： text features topic modeling time prediction machine learning ensemble models

引用本文:

刘亚平骆欢. 基于数据驱动的施工任务时间风险预测系统研究[J]. 土木工程学报, 2026, 59(7): 151-160.
Liu Yaping Luo Huan. Research on time risk prediction system of data-driven construction task. 土木工程学报, 2026, 59(7): 151-160.

链接本文:

http://manu36.magtech.com.cn/Jwk_tmgcxb/CN/ 或 http://manu36.magtech.com.cn/Jwk_tmgcxb/CN/Y2026/V59/I7/151