英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
基于案例的推理在估算建筑项目的持续时间的应用
RunZhi Jin1; Sangwon Han, M.ASCE2; ChangTaek Hyun, M.ASCE3; and Yongwoon Cha4
文摘:案例推理(CBR)的适用性和有效性已在各种施工管理领域得到论证，包括投标、国际市场选择、安全风险识别、施工诉讼、初步成本估算等。尽管它作为一个决策支持工具在建设中有很大的潜力，但是只有少数几个研究已经应用CBR来估计建设项目总体成功所需要的初始时间。在此基础上，建立了一种能够准确估计施工工期的CBR模型。通过对83个多套住宅项目的应用，验证了该模型的适用性和有效性。测试结果证实了CBR的强大潜力，提供了在初始阶段可获得的有限信息的准确的工期估算。这篇论文很重要，因为它为从业者提供了一个可靠的决策支持工具，可以准确地估计构建持续时间，从而最终增加成功项目执行的可能性。DOI:10.1061 /(第3期)co.1943 - 7862.0001072。copy;2015美国土木工程师学会。
关键词:初步持续时间估计;案例推理;早期规划;成本和进度。
介绍
建筑工期是评估建筑工程整体性能的一个重要方面，需要从早期阶段准确地估计(Bromilow 1969;卡卡和价格1991;爱et al . 2005年)。准确的持续时间估计在投标阶段尤其重要(Irfan et al. 2011)，因为对项目持续时间的低估可能会导致后期的完工罚款或引起承包商与业主之间的纠纷，而过高估计则会降低投标阶段的竞争力。因此，这些不准确都可能降低项目绩效，阻碍项目目标的实现(Khosrowshahi和Kaka 1996;林et al . 2011年)。
Gantt条形图或关键路径方法/程序评估审查技术(CPM/PERT)已被广泛应用于建筑行业的进度评估。然而，这些方法只能在详细设计的重要部分完成时才能使用(Bhokha和Ogunlana 1999)。然而，在实践中，许多建设项目的业主决定了整个施工工期(即:，完成预产期)在详细设计的发展之前，因为总工期可以显著影响项目的可行性。因此，如果在不仔细检查既定时间表的适当性的情况下建立一个相当激进的基线时间表，它可能导致效率低下和不稳定。
项目执行环境。因此，对于一个构建项目的总体成功来说，重要的是检查给定的时间表是否适合执行它。
在没有详细的设计资料的情况下，建议在早期阶段系统地估计施工工期。这些包括回归分析(RA) (Khosrowshahi和Kaka 1996;Chan和Kumaraswamy 1999a, b;Bustani和Izam 1999;Skitmore和Ng 2003;Hammad et al . 2008;古永锵et al . 2010;艾尔et al . 2011;Lin et al. 2011)，神经网络(NNs) (Bhokah和Ogunlana 1999;矸石2010;库恩等，2010)，蒙特卡罗模拟(MCS) (Lee et al. 2009)，模糊理论(Zhang et al. 2005)。
RA是一种统计工具，可用于分析和预测目的(Skitmore和Patchell 1990)。基于栅格的分析通常具有成本效益，因为它需要相对较少的时间和精力(Ji 2011)。但是，它对异常值非常敏感，通常认为它不适合解释大量的变量和它们之间的交互。这些限制导致了以拉为基础的方法的低精确度和在建筑方面的有限使用(Garza和Rouhana 1995)。作为估计施工工期的另一种方法，NNs也被引入。然而，他们的学习过程是很难理解的。，一个黑盒子)，并且在没有任何特定的规则来确定合适的隐藏层数和每个隐藏层的节点(Li 1995;Boussabaine 1996;Hegazy和德1998;邱和阳1998;金和康2004)。提出了模糊理论和MCS来解决时序估计中的不确定性。然而，在MCS中选择适当的概率分布被认为是棘手的(Gaul 1981)，并且证明模糊系统的特征在大多数情况下是困难的或不可能的，因为缺乏数学描述(Reus 1994)。
在施工管理中，从以往类似的情况中积累或吸取的经验教训可以成为有效解决当前问题的宝贵资产(Dogan et al. 2006)。基于这种识别，基于案例推理(CBR)作为人工智能的一个分支，被认为是解决几个与建筑相关的问题的可行方法，包括投标、制造或安全规划(Ryu et al. 2007)。
韩国首尔，首尔大学建筑工程系的博士后。
韩国首尔大学建筑工程学系副教授，韩国首尔02504(通讯作者)。电子邮件:swhan@uos .ac.kr
韩国首尔大学建筑工程学系教授。
4博士。候选人，建筑工程部门，首尔大学，韩国首尔02504。
请注意。这份手稿是在2015年2月25日提交的;2015年8月11日批准;2015年10月8日在网上发布。讨论期截止至2016年3月8日;单独的讨论必须提交给个别的文件。本文是《建设工程和管理的一部分,copy;陈纯ISSN 0733 - 9364。
特别是，许多研究人员证明了CBR在建筑项目前期成本估算中的适用性和有效性(Jin et al. 2014)。尽管CBR在初步的成本估算中得到了成功的应用，但只有少数几个研究应用它来估算早期阶段的施工时间，尽管它对于一个建设项目的整体成功来说是必不可少的。这主要是因为在这样一个项目中估算时间和成本的差异。虽然建造费用是通过总括所有费用项目来估计的，但建设持续时间并不是由所有活动的总和决定的，而仅仅是关键的活动(Barrie和Paulson 1992)。这意味着，在初步估计期间，应考虑的关键因素可能与初步费用估计不同。重要的是要确定关键因素对初始持续时间估计的准确性具有决定性作用，因为它们在初始阶段的确定可以显著地减少估算工期的不确定性。例如，如果基础系统被确定为影响施工持续时间的关键因素(即:，如果施工持续时间与将要应用的基础系统类型有显著的不同，则可以通过将基础系统确定为某一特定类型(例如，垫或桩基础)来显著减少初始持续时间估计的变化。在此基础上，本文提出了一个基于CBR模型的建筑工程项目前期评估关键因素的识别框架，并通过对83个多套住宅项目的应用验证了建议框架的适用性和有效性。
文献综述
基于知识的技术，CBR解决了一个新的问题，它通过推导先前相似的情况，并重新利用在解决这些情况(Aamodt和Plaza 1994)中获得的信息和知识。CBR应用程序涉及四个不同的阶段:检索、重用、修改和保留。每个阶段都有以下主要功能:bull;从案例库检索最相似的前一个案例;
bull;重新利用检索到的案例中的信息来解决新问题。
问题;
bull;修改应用于检索到的案例的解决方案。
检索到的案例与新问题之间的差异;在解决类似问题的基础上保留新的解决方案。
未来的问题。
与其他人工智能技术相比。
(例如，基于规则的方法)，CBR在知识获取、表示、重用、更新和合理化方面具有优势(Weber-Lee et al. 1995)，在搜索时间和灵活性方面更实用(Watson 1997;Ryu et al . 2007年)。由于这些优势，CBR在许多领域已经证明了它的有效性，包括法律案例的推理，膳食计划，制造，电力负荷水平预测，机器人控制，分子生物学，医学和医疗，维修诊断和教育(Kolodner 1992;1997年德曼塔拉斯和广场酒店。
建筑在利用CBR的好处方面也不例外，它已被广泛应用于决策支持。
表1。基于cbrc的估计模型样本。
工具在不同的建筑领域,包括景观设计(Navinchandra 1988),建筑设计(Dave et al . 1994),投标决策(蔡et al . 2001),国际市场选择(Ozorhon et al . 2006),安全隐患识别(吴作栋和蔡2010),建筑诉讼(Arditi和Tokdemir 1999),和初步的成本估算(Marir和沃森1995;多根et al . 2006;金et al . 2012年)。在这些领域中，初步的成本估算得到了广泛的关注，在适用性和有效性方面已经证明了CBR的成功应用(Marir and Watson 1995;佩雷拉和沃森1998;邱和阳1998;Karshenas和谢霆锋2002;金正日et al . 2004;一个和康2005;多根et al . 2006;一个et al . 2007;Ji et al. 2010, 2012;Jin et al. 2012, 2014;古永锵et al . 2010年)。
尽管CBR在初步成本估算中得到了成功的应用，但只有少数几个研究将此方法应用于初步估算。Koo等(2010)开发了一种混合型CBR模型，结合多种RA (MRA)、NNs、遗传算法(GAs)、MCS和CBR。他们证实了它在估计建筑工程项目的初步时间和费用方面的适用性。虽然该模型对于将CBR的潜在应用领域扩展到初步的持续时间估计有意义，但它过于复杂，更重要的是为新问题与前一种情况之间的偏差提供了补偿。鉴于没有一个过去的案例与一个新问题是相同的，修订必须被认为是得出一个准确的解决方案(Ji等人，2012;金et al . 2014年)。假设一个施工经理在早期阶段通过引用类似的以前的项目来估算构建时间，如表1所示。在这种情况下，虽然检索到的案例与新的案例非常相似，但新情况的构建持续时间与检索到的案例的时间是非常不可能的(即:，780天)由于各属性之间的差异，包括总楼面面积、楼层数和地基系统。
鉴于每个建设项目都是独特的，许多研究人员强调了修订阶段的重要性，并建议对修订(Perera和Watson 1998;邱和阳1998;Karshenas和谢霆锋2002;一个和康2005)。然而，人类的修正是主观的，容易出错的，因此缺乏可靠性(Jin et al. 2012, 2014)。
为了解决这个问题，Lee et al.(2010)提出了一个基于CBR模型的初始持续时间估计。他们开发了一种算法，能够对被检索的案例和新案例之间的属性偏差进行补偿。然而,该算法只考虑定量变量的偏差(例如,总楼面面积或数量的家庭),而分类变量(例如,基础系统或土壤条件)构成的大多数信息在早期阶段,通常有一个更大的影响力比定量变量项目持续时间。定量变量自然被作为一个数字来衡量，因为有意义的算术运算是有意义的，而分类变量取的值是几种可能分类中的一个(Hair et al. 2006)。
Jin等人(2014)认识到修正定量和分类变量对预估的重要性。
ASifrac14;
Mineth;AVi新案子,AVi retrieved-caseTHORN;
Maxeth;AVi新案子,AVi retrieved-caseTHORN;eth;1THORN;
其中ASi =属性i的相似性，AVi新case =新案例的属性i值，以及AVi检索案例=检索到的案例的属性i的值。
相似度评估包括系统地比较新案例的属性和之前存储在案例库中的案例的属性。不同的AW可以导致不同的案例相似性，因此可以检索不同的以前的案例来解决新的案例。一般来说，匹配一个关键特性要比匹配许多琐碎的特性重要得多(Huang et al. 2007)，因此，当从案例库中检索之前的案例时，重要的属性应该被赋予比普通属性更多的权重(Dogan et al. 2006)。为了解决这一问题，提出了各种方法，如等权法、特征计数法、梯度下降法、层次分析法、决策树法、多元回归分析、神经网络和遗传算法等，来计算CBR模型的AW值，以提高估计性能(Jin et al. 2014)。在这些方法中，RA的标准化系数在之前的CBR模型中得到了最广泛的应用(An和Kang 2005;古永锵et al . 2010;Jin et al. 2012, 2014)在这方面可以明确和定量地测量自变量的影响(即:，属性)关于因变量(头发等，2006)。在前人研究的基础上，本文采用标准系数来计算建议的CBR模型的AW值。加权的CSs是通过使用Eq. (2) (Watson 1997)使用AWs和ASs计算的。
CSfrac14;
P
n
ifrac14;1eth;asitimes;AWiTHORN;P
nifrac14;1 AWi
eth;2THORN;
其中CS = case相似性，而AWi =属性i的权重。
重用
由于CBR是基于类似问题具有相似解决方案(Burkhard 2001)的假设，因此在检索与给定问题高度相似的以前的案例时，很可能得到一个精确的解决方案。基于这个假设，这个阶段确定了一个之前的案例，使用Eq. (3) (Dogan et al. 2006;霁et al . 2010年)
高碳钢frac14;Maxeth;CS1;CS2;:::;CSmTHORN;eth;3THORN;
其中，HCS =最高的CS, m =存储在case base中的案例数。
修订
正如前面所讨论的，CBR的目标是找到与给定问题相似的情况。然而，如果检索到的具有最高CSs的案例与给定的问题不太接近，则应调整应用于检索到的案例的解决方案，以弥补检索到的案例与当前问题之间的偏差(Kolodner 1992;霁et al . 2012;金et al . 2014年)。为了解决这个问题，Jin et al.(2014)引入了基于回归的修正算法，应用了非标准化系数(UC)，利用Eqs补偿了定量和分类属性的偏差。(4)和(5),分别
RVifrac14;UCieth;AVi新案子minus;AVi retrieved-caseTHORN;eth;4THORN;
当RVi =修订值考虑到数量属性i, UCi = UC of attribute i, AVi new-case =值?
新案例的属性i和AVi检索案例=检索到的案例的属性i的值。
RVjfrac14;UCj新案子minus;UCj retrieved-caseeth;5THORN;
其中RVj =修正值考虑到类别属性j的偏离，UCj新案
全文共13107字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10833]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
