AI Summary & Key Takeaways
AI InsightK-NN outperformed GRNN for all data sets and both of the methods had their worst performance on the dataset with the highest variance.
📌 3 Key Takeaways
Abstract
Construction crew productivity prediction is one of the most important issues that affect the realistic prediction of construction duration and cost. Use of different search algorithms like Feed Forward Neural Network, Ant Colony, Artificial Bee Colony, Particle Swarm Optimization, Radial Based Neural Networks and Self Organizing Maps for crew productivity prediction problem have been discussed in previous studies. However, the significant effect of the coherence between the nature of the data and the characteristics of the method used in prediction performance has generally been neglected. The aim of the current research thus has been to analyse the prediction performance of two contemporary learning algorithms; K- Nearest Neighbour (K-NN) and Generalized Neural Network (GRNN) when applied to three different crew (formwork, tiling and masonry) productivity related data sets with different distribution characteristics. Performance of both methods varied with the changing coefficient of variation values. K-NN outperformed GRNN for all data sets and both of the methods had their worst performance on the dataset with the highest variance.
Özet
İnşaat işlerinde ekip verimliliğinin tahmini, inşaat süresi ve maliyetinin gerçekçi tahminini etkileyen en önemli faktörlerden biridir. Ekip verimliliği tahmini için İleri Besleme Sinir Ağı, Karınca Kolonisi, Yapay Arı Kolonisi, Parçacık Sürü Optimizasyonu, Radyal Tabanlı Sinir Ağları ve Kendi Kendini Düzenleyen Haritalar gibi farklı arama algoritmalarının kullanımı önceki çalışmalarda tartışılmıştır. Ancak, bu çalışmalarda tahmin performansında kullanılan yöntemin özellikleri ile verinin niteliği arasındaki tutarlılığın etkisi genellikle ihmal edilmiştir. Dolayısıyla mevcut araştırmanın amacı, iki çağdaş öğrenme algoritması olan K- En Yakın Komşu (K-NN) ve Genelleştirilmiş Sinir Ağı (GRNN) kullanılarak farklı dağılım özelliklerine sahip üç farklı ekibe (kalıp, döşeme ve duvar) ait verimlilikle ilgili veri seti için tahmin performansını analiz etmektir. Her iki yöntemin performansı da, değerlerin değişen katsayıları için farklılık göstermiştir. K-NN, tüm veri setleri için GRNN'den daha iyi performans göstermiş olup, her iki yöntem de en yüksek varyansa sahip veri kümesinde en kötü performansa sahiptir.