Πρόβλεψη Κόστους στον Κατασκευαστικό Τομέα, με τη χρήση μεθόδων Μηχανικής Μάθησης
ENGLISH ABSTRACT The role of cost estimation in the construction sector is of paramount importance, as the primary goal is to maximize profit by minimizing cost. The volatile and unstable modern economic reality necessitates the adoption of more specialized and accurate forecasting techniques. A crucial ally in addressing this issue is the advancement of technology, and more specifically, Artificial Intelligence. Through the application of Machine Learning methods, highly accurate predictive models can be developed, which constitutes the main objective of this thesis. More specifically, this study provides a detailed description of both the characteristics of construction projects and the components of their cost. In addition, the significance of cost estimation is highlighted, while both traditional and more specialized modern forecasting techniques are thoroughly presented. Furthermore, Predictive Analytics and the Machine Learning methods used therein are analyzed, along with how the main algorithm categories are implemented and function. Subsequently, a cost prediction model for bridge maintenance is developed, and the predictive power of related annual indicators is investigated. Finally, the results of the aforementioned effort are presented. In fact, the three best-performing models demonstrated strong predictive capabilities, stability, and good generalization. Specifically, the CatBoost, Stacking, and Ensemble models exhibited high accuracy and low errors, achieving a Mean Absolute Error (MAE) of 1.2711, 1.3353, and 1.3604 (€/m²), Root Mean Square Error (RMSE) of 1.5949, 1.6647, and 1.7000 (€/m²), and Mean Absolute Percentage Error (MAPE) of 11.9152, 12.0203, and 12.1197 (%), respectively. Moreover, the annual indicators of Passenger Kilometers of Highways, Possession of Trucks, and Annual Sulfur Dioxide Emission were found to significantly contribute to the predictive process as influential features.
Thesis
Ο ρόλος της εκτίμησης του κόστους στον κατασκευαστικό τομέα κρίνεται βαρυσήμαντος, καθώς κύρια επιδίωξη αποτελεί η μεγιστοποίηση του κέρδους, μέσω της μείωσης του κόστους. Η ευμετάβλητη και ασταθής σύγχρονη οικονομική πραγματικότητα επιτάσσει την εύρεση πιο εξειδικευμένων και ακριβέστερων τεχνικών πρόβλεψης. Αρωγό στην επίλυση του συγκεκριμένου προβλήματος συνιστά η εξέλιξη της τεχνολογίας και πιο συγκεκριμένα της Τεχνητής Νοημοσύνης. Μέσα από την εφαρμογή μεθόδων Μηχανικής Μάθησης, επιτυγχάνεται η ανάπτυξη προβλεπτικών μοντέλων υψηλής ακρίβειας, πράγμα που αποτελεί και τον βασικό στόχο της εργασίας. Πιο συγκεκριμένα, στην εργασία πραγματοποιείται αναλυτική περιγραφή, αφενός των στοιχείων που χαρακτηρίζουν τα κατασκευαστικά έργα και αφετέρου των συνιστωσών του κόστους τους. Επιπλέον, τονίζεται η σημαντικότητα της εκτίμησης του κόστους, ενώ παράλληλα παρουσιάζονται εκτενώς τόσο παραδοσιακές, όσο και νεότερες εξειδικευμένες τεχνικές πρόβλεψης. Επιπροσθέτως, αναλύεται η Προβλεπτική Ανάλυση και οι μέθοδοι της Μηχανικής Μάθησης που χρησιμοποιούνται σε αυτή, καθώς και ο τρόπος με τον οποίο εφαρμόζονται και λειτουργούν οι βασικές κατηγορίες αλγορίθμων. Έπειτα, αναπτύσσεται μοντέλο πρόβλεψης κόστους συντήρησης γεφυρών, ενώ διερευνάται η προβλεπτική ισχύς που δύναται να προσδώσουν συναφείς ετήσιοι δείκτες. Τέλος, παρουσιάζονται τα αποτελέσματα της προαναφερθείσας προσπάθειας. Μάλιστα, τα τρία καλύτερα μοντέλα εμφάνισαν σημαντική προβλεπτική ικανότητα, σταθερότητα και καλή γενίκευση. Πιο αναλυτικά, τα μοντέλα Catboost, Stacking και Ensemble επέδειξαν υψηλή ακρίβεια και μικρά σφάλματα, σημειώνοντας Μέσο Απόλυτο Σφάλμα (MAE): 1,2711, 1,3353 και 1,3604 (€/m2 ), Ρίζα Μέσου Τετραγωνικού Σφάλματος (RMSE): 1,5949, 1,6647 και 1,7000 (€/m2 ) και Μέσο Απόλυτο Ποσοστιαίο Σφάλμα (MAPE): 11,9152, 12,0203 και 12,1197 (%), αντίστοιχα. Επίσης, διαπιστώθηκε η αξιοσημείωτη συμβολή των ετήσιων δεικτών των Επιβατο-Χιλιομέτρων των Αυτοκινητοδρόμων, της Κατοχής Φορτηγών και της Ετήσιας Εκπομπής Διοξειδίου του Θείου ως χαρακτηριστικά με σημαντική επιρροή στην προβλεπτική διαδικασία.