В мире строительства ультравысотных зданий точное прогнозирование сроков выполнения проектов становится все более важным. Однако традиционные методы часто сталкиваются с проблемами, связанными с высокой размерностью данных и сильной корреляцией между переменными. Чтобы решить эту задачу, было разработано новое решение, объединяющее методы анализа главных компонент (PCA) и улучшенный алгоритм поиска воробьев (ISSA) с нейронной сетью обратного распространения (BPNN).
В рамках исследования была создана гибридная модель PCA-ISSA-BPNN, которая позволяет эффективно уменьшать многоколлинеарность и избыточность в количественных переменных. Алгоритм ISSA отвечает за глобальную оптимизацию гиперпараметров для нейронной сети, что в свою очередь повышает точность предсказаний.
На основе анализа 87 проектов ультравысотных зданий и применения пятиразовой кросс-проверки новая модель продемонстрировала выдающиеся результаты. Она достигла коэффициента детерминации R² = 0.982, что свидетельствует о высокой точности предсказаний. Кроме того, модель показала низкие значения корневой средней квадратичной ошибки (RMSE = 23.496), средней абсолютной ошибки (MAE = 15.742) и средней абсолютной процентной ошибки (MAPE = 2.0%).
Эти результаты подчеркивают, что предложенная модель не только улучшает точность, но и повышает устойчивость и качество представления данных. Таким образом, PCA-ISSA-BPNN становится практическим инструментом для ранней оценки сроков строительства и анализа рисков в проектах ультравысотных зданий.
Данное исследование открывает новые горизонты в области прогнозирования сроков строительства, предлагая эффективные решения для сложных задач, с которыми сталкиваются специалисты в этой области.