mgr inż. Hubert Anysz Politechnika Warszawska, Wydział Inżynierii Lądowej
dr hab. inż. Artur Zbiciak, prof. Politechnika Warszawska, Wydział Inżynierii Lądowej
dr inż. Nabi Ibadov Politechnika Warszawska, Wydział Inżynierii Lądowej

Autor do korespondencji e-mail : Ten adres pocztowy jest chroniony przed spamowaniem. Aby go zobaczyć, konieczne jest włączenie w przeglądarce obsługi JavaScript.

DOI: 10.15199/33.2016.06.01

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 limitemgórnym (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.

Słowa kluczowe: prognozowanie opóźnienia, sztuczne sieci neuronowe SSN.

* * *

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

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 fromoriginal 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.

Keywords: prognosis delays, artificial neural networks ANN.

Literatura

[1] Aczel Ami rD. 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 OficynaWydawnicza.
[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.

Otrzymano: 20.04.2016 r.

Przeczytaj cały artykuł >>

 

Materiały Budowlane 06/2016, str 3-5 (spis treści >>)