Intentionally biased bootstrap aggregated artificial intelligence method for construction management prediction
Yapim yönetimi tahmini için kasitli önyargili bootstrap toplama yapay zeka yöntemi
- Tez No: 972509
- Danışmanlar: PROF. DR. RİFAT SÖNMEZ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Maliyet, süre ve insan gücü gereksinimleri gibi temel inşaat projesi parametrelerinin doğru bir şekilde tahmin edilmesi, özellikle bilginin kıt olduğu erken aşamalarda, başarılı inşaat projeleri elde etmek için gerekli planlama ve yönetim kararları almak açısından kritik öneme sahiptir. Geleneksel inşaat tahmin yöntemleri doğrusal varsayımlara ve uzman yargılarına dayanır ve karmaşık veri setlerinde bulunan doğrusal olmayan ilişkileri yakalamada sınırlı başarılı olur. Makine öğrenmesi teknikleri, bu tür karmaşıklıkları modellemek için güçlü araçlar sunar; ancak bu teknikler, özellikle küçük ölçekli veri setleriyle eğitildiklerinde, genellikle aşırı uyum, gürültülü veya çarpık verilere karşı aşırı hassasiyet ve sınırlı genelleme yeteneği gösterir; bu da inşaat tahmini amaçlı makine öğrenmesi modellerinin çoğu için önemli bir sınırlamadır. Bu nedenle birden çok temel modelin tahminlerini birleştirerek dayanıklılık ve doğruluğu artıran topluluk öğrenimi ön plana çıkmıştır. Bu çalışma, geleneksel torbalamanın eşit olasılık yaklaşımının aksine, bootstrap örneklemesi sırasında daha yüksek örnekleme olasılıkları atayarak bilgilendirici veri noktalarına öncelik veren yeni bir kasıtlı önyargılı bootstrap toplama (önyargılı torbalama) yöntemini tanıtmaktadır. Önerilen önyargılı torbalama yöntemi, küçük ölçekli inşaat veri setlerinin boyutunu yapay olarak artırmak ve böylece belirli inşaat yönetimi tahmin problemini daha iyi temsil etmek amacıyla tasarlanıp geliştirilmiştir. Üç temel öğrenici - yapay sinir ağları (YSA), destek vektör makineleri (DVM) ve durum tabanlı çıkarsama (DTÇ) - hem regresyon hem de sınıflandırma görevlerini kapsayan on inşaat veri kümesinde değerlendirilmiştir. Karşılaştırmalı analiz, önyargılı torbalamanın bireysel modelleri, geleneksel torbalamayı ve önceki çalışmalarda bildirilen sonuçları genellikle geride bırakarak daha doğru ve güvenilir tahminler sağladığını göstermektedir.
Özet (Çeviri)
Accurate prediction of fundamental construction project parameters such as: cost, duration and manpower requirements is critical to make adequate plans and management decisions for achieving successful construction projects, particularly during early stages when information is scarce. Traditional construction prediction methods rely on linear assumptions and expert judgement, failing to capture the non-linear relationships inherent in complex datasets. Machine learning techniques offer powerful tools for modelling such complexities; however, these techniques often exhibit overfitting, excessive sensitivity to noisy or skewed data and limited generalisation, in particular when trained with small-scale datasets, which is a significant limitation for the majority of construction prediction machine learning models. Ensemble learning, which aggregates predictions from multiple base models to enhance robustness and accuracy, has therefore gained prominence. This study introduces a novel intentionally biased bootstrap aggregating (biased bagging) method that prioritises informative data points by assigning them higher sampling probabilities during bootstrap sampling, in contrast to conventional bagging's equal-probability approach. The proposed biased bagging method is designed and developed to increase the size of the small construction data sets artificially to achieve a better representation of the particular construction management prediction problem. Three base learners—artificial neural networks (ANN), support vector machines (SVM) and case-based reasoning (CBR)—are evaluated across ten construction datasets encompassing both regression and classification tasks. Comparative analysis indicates that biased bagging generally outperforms individual models, traditional bagging and the results reported in previous studies, yielding more accurate and reliable predictions.
Benzer Tezler
- Kara ulaşımı fayda ve maliyetlerinin ölçülmesinin yöntemleri ve uygulamalara etkileri
Methodologies and implementation consequences of measuring costs and benefits of surface transportation
SİBEL CANDAN
Doktora
Türkçe
2009
UlaşımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. NİZAMİ AKTÜRK
- Simultaneous transmission based communication techniques
Eş zamanlı ̇iletime dayalı haberleşme sistemleri ̇
UFUK ALTUN
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
DOÇ. DR. ENVER ÖZDEMİR
- Robust estimator based receiver design in digital communication systems
Sayısal haberleşme sistemlerinde gürbüz kestirici tabanlı alıcı tasarımı
ÖZGE ŞENTÜRK
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET EMRE ÇEK
- Microstrip patch antenna modeling with knowledge-based neural networks
Bilgiye dayalı yapay sinir ağları kullanılarak mikroşerit yama antenin modellenmesi
EKİN SU SAÇIN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET CEMAL DURGUN
- Therapeutic planning based on the storytelling of individual traumas: Narratives from veddel neighbourhood
Bireysel travmaların hikaye anlatımına dayalı terapötik planlama: Veddel mahallesinden anlatımlar
AMIRHOSSEIN ETEMADI
Doktora
İngilizce
2023
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. EDA BEYAZIT İNCE