ПРИМЕНЕНИЕ МЕТОДОВ ПРЕДИКТИВНОЙ АНАЛИТИКИ (ИИ) ДЛЯ УПРАВЛЕНИЯ РИСКАМИ ОТКЛОНЕНИЯ ОТ ГРАФИКА В ИНВЕСТИЦИОННО-СТРОИТЕЛЬНЫХ ПРОЕКТАХ

APPLICATION OF PREDICTIVE ANALYTICS (AI) METHODS FOR MANAGING SCHEDULE DEVIATION RISKS IN INVESTMENT AND CONSTRUCTION PROJECTS

Movsisyan Alen

Student, Department of Construction, Sakhalin State University

Russia, Yuzhno-Sakhalinsk

Kopystko Mikhail

Student, Department of Construction, Sakhalin State University

Russia, Yuzhno-Sakhalinsk

Lisitsyn Mikhail

Student, Department of Construction, Sakhalin State University

Russia, Yuzhno-Sakhalinsk

Glazkova Ekaterina

Student, Department of Construction, Sakhalin State University

Russia, Yuzhno-Sakhalinsk

АННОТАЦИЯ

Статья посвящена проблеме несвоевременного выявления рисков срыва сроков в инвестиционно-строительных проектах. Рассматривается возможность применения методов машинного обучения и предиктивной аналитики для прогнозирования отклонений от календарного плана. Приведены результаты тестирования модели на основе градиентного бустинга (XGBoost), обученной на данных о ходе строительства. Установлено, что использование ИИ-прогнозирования позволяет выявлять потенциальные задержки за 2–3 недели до их фактического наступления, что даёт время для корректирующих управленческих решений. Рассмотрены основные метрики оценки качества модели (Accuracy, Precision, Recall) и факторы, влияющие на точность прогноза.

ABSTRACT

The article is devoted to the problem of untimely identification of schedule disruption risks in investment and construction projects. The possibility of using machine learning and predictive analytics methods to forecast deviations from the schedule is considered. The results of testing a gradient boosting model (XGBoost) trained on construction progress data are presented. It is established that the use of AI forecasting allows identifying potential delays 2–3 weeks before their actual occurrence, which provides time for corrective management decisions. The main metrics for evaluating model quality (Accuracy, Precision, Recall) and factors affecting forecast accuracy are considered.

Ключевые слова: предиктивная аналитика; искусственный интеллект; управление рисками; календарный план; строительный проект; машинное обучение.

Keywords: predictive analytics; artificial intelligence; risk management; schedule; construction project; machine learning.

ВВЕДЕНИЕ

Управление сроками в строительстве традиционно опирается на экспертные оценки и отчёты о фактическом выполнении работ. Однако человеческий фактор и запаздывание информации часто приводят к тому, что отклонения выявляются слишком поздно. В эпоху цифровизации появляется возможность использовать накопленные данные (Big Data) для прогнозирования будущих событий. Актуальность темы обусловлена необходимостью повышения точности планирования и снижения финансовых потерь от простоев [1, 2].

Согласно статистике, до 70 % строительных проектов в России завершаются с нарушением сроков. При этом финансовые потери от одного дня простоя на крупном объекте могут достигать нескольких миллионов рублей. Цель работы — оценить эффективность применения алгоритмов машинного обучения для прогнозирования рисков срыва сроков строительства.

Основная часть

В качестве объекта исследования был выбран проект строительства логистического центра площадью 25 000 м². Были собраны данные за 12 месяцев: ежедневные отчёты прорабов, данные о поставках материалов, метеосводки, данные о трудозатратах. На основе этих данных была обучена модель градиентного бустинга (XGBoost) для предсказания вероятности задержки конкретного вида работ на следующей неделе.

Модель анализировала более 40 параметров, включая:

темп выполнения работ за последние 7 дней;

наличие материалов на складе;

количество рабочей силы на объекте;

прогноз погоды;

историю задержек по данному виду работ;

сезонность.

Для оценки качества модели использовались стандартные метрики:

Accuracy — общая точность прогноза (составила 82 %);

Precision — доля истинно положительных результатов среди всех положительных прогнозов (78 %);

Recall — доля выявленных задержек среди всех фактических (85 %).

В результате тестирования на исторических данных (ретроспективный анализ) модель показала точность прогноза 82 %. Как видно из Рисунка 1, система заблаговременно (за 14–18 дней) «подсветила» риск отставания по монолитным работам на 3-м этаже. Это было связано с корреляцией между снижением поставок арматуры и последующим падением темпа бетонирования.

(Рекомендуется вставить график: ось X — дни, ось Y — вероятность задержки. Линия прогноза уходит вверх за 2 недели до фактического провала на графике Ганта. Подпись: Рисунок 1. Прогноз риска задержки монолитных работ.)

Благодаря раннему предупреждению проектная команда успела перераспределить ресурсы и заключить договор с альтернативным поставщиком арматуры. Это позволило избежать простоя длительностью 6 дней.

Дополнительно был проведён анализ важности признаков (Feature Importance). Наибольший вклад в прогноз задержки внесли:

Темп выполнения работ за последние 7 дней (35 %);

Наличие материалов на складе (25 %);

Количество рабочей силы (20 %);

Погодные условия (10 %);

Прочие факторы (10 %).

Это позволяет сделать вывод, что ключевыми точками контроля для менеджера проекта являются ежедневный мониторинг темпа работ и запас материалов. Ограничения метода: модель требует большого объёма исторических данных (не менее 6–12 месяцев), а также может давать сбои при резких изменениях внешних условий (например, пандемия, санкции). Кроме того, для малых строительных компаний внедрение таких систем может быть экономически нецелесообразным.

ЗАКЛЮЧЕНИЕ

Применение предиктивной аналитики в управлении строительными проектами переводит риск-менеджмент из реактивного режима в проактивный. Исследование показало, что даже простая модель машинного обучения способна выявлять скрытые закономерности и предсказывать сбои. Рекомендуется интеграция подобных ИИ-модулей в существующие ERP-системы строительных компаний. Перспективами дальнейших исследований является разработка гибридных моделей, сочетающих машинное обучение с экспертными системами, а также адаптация алгоритмов для проектов малой и средней площади.

Список литературы:

1. Волков, А.А. Управление проектами в строительстве / А.А. Волков. – М.: МГСУ, 2015. – 120 с.
2. Гинзбург, А.В. Информационные технологии в строительстве / А.В. Гинзбург. – М.: Инфра-Инженерия, 2020. – 240 с.
3. ГОСТ Р 54869-2011. Проектный менеджмент. Требования к управлению проектом. – М.: Стандартинформ, 2011.
4. Hastie, T. The Elements of Statistical Learning / T. Hastie, R. Tibshirani, J. Friedman. – Springer. – 2009. – 745 P.
5. Чен, Т. XGBoost: A Scalable Tree Boosting System / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD. – 2016. – P. 785⁠–⁠794.