메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
정회찬 (고려대학교) 한기웅 (고려대학교) 이병훈 (고려대학교) 한예지 (고려대학교) 허경휘 (현대건설) 최호창 (현대건설) 한성원 (고려대학교)
저널정보
대한산업공학회 대한산업공학회지 대한산업공학회지 제48권 제4호
발행연도
2022.8
수록면
420 - 432 (13page)
DOI
10.7232/JKIIE.2022.48.4.420

이용수

DBpia Top 10%동일한 주제분류 기준으로
최근 2년간 이용수 순으로 정렬했을 때
해당 논문이 위치하는 상위 비율을 의미합니다.
표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
In the construction industry, the construction process is managed based on the completed construction in comparison to the planned construction. With the current construction management system, it is difficult to respond to construction delays in advance, because the construction process rate cannot be estimated quantitatively. In this paper, we developed an AI-based warning system that proactively predicts the delay in construction based on the completed construction of the past and additional data such as budget, subcontractor, and weather data. We experimented on two types of construction sites and seven machine and deep learning models and evaluated the prediction performance of the models for the construction process rate of the future three months with MAE. We analyze the importance of each feature on the model prediction using SHAP values. Furthermore, we select the adequate target variable for construction process prediction based on the results of prediction and key delay factors.
#Construction Process Rate Prediction #Time Series Forecasting #Machine Learning #Deep Learning #Feature Importance Extraction

목차

1. 서론
2. 선행 연구
3. 실험 계획
4. 실험 결과
5. 결론 및 향후 연구
참고문헌

참고문헌 (16)

참고문헌 신청
Breiman, L. (2001), Random forest, Machine Learning, 45, 5-32. google schola Chen, T. and Guestrin, C. (2016), XGBoost: A scalable tree boosting system, KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. google schola Construction Association of Korea (2020), http://www.cak.or.kr/board/boardView.do?menuId=86&cms_site_id=&sel_tab=&searchctg1=&searchCondition=all&searchKeyword=&sidohp=&subhp=&boardId=statistic_build&dataId=37495&pageIndex=1. Cortes, C. and Vapnik, V. (1995), Support-vector networks, Machine Learning, 20(3), 273-297. google schola Egwim, C. N, Alaka, H., Toriola-Coker, L. O., Balogun, H., and Sunmola, F. (2021), Applied artificial intelligence for predicting construction projects delay, Machine Learning with Applications, 6, 100166. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

영조 후궁 暎嬪李氏의 생애와 위상 : 壬午 大處分을 중심으로
이미선 역사와 담론 2015 .10
조선후기 영조의 세손교육과 왕권의식
임민혁 역사와실학 2008 .12
시퀀스-투-시퀀스를 활용한 데이터 기반 문장 생성 모델 비교
김영석 ,  이병훈 ,  강민지 외 1명 대한산업공학회지 2022 .10
머신러닝을 이용한 태양광 발전량 예측 모델 비교
이용택 ,  김두형 ,  신우석 외 3명 대한산업공학회지 2021 .10
계절조정을 활용한 전이학습 기반의 자동차 예비 부품 장기수요예측
이민예 ,  성기우 ,  한성원 대한산업공학회지 2021 .06

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2022-530-001628585