[Paper] 机器学习在基础设施重建项目管理中的应用

Source: arXiv - 2511.20916v1

概览

本文提出了一种 自适应决策支持模型，利用机器学习（ML）和人工神经网络（ANN）来简化大规模基础设施重建项目（如供水、燃气、电力、供热网络）的规划与执行。通过将历史项目数据转化为预测洞察，该模型帮助管理者构建更精确的项目架构和工作分解结构（WBS），最终旨在降低成本和进度超支。

主要贡献

• 基于混合ML的决策引擎，能够预测任意系统配置下项目目标函数（成本、时间、风险）的取值。
• 将基础设施系统建模工具与 Azure Machine Learning Studio 集成，实现自动生成和评估备选项目架构。
• 参数再分配框架，能够将训练数据集适配到特定的基础设施类型（供热、燃气、电力、供水、排水），确保跨领域的相关性。
• 端到端原型，基于 Microsoft Azure 构建，包含已训练的神经网络、性能指标以及可复用的软件组件库。
• 展示了在多种公用事业重建项目中的适用性，说明该模型可嵌入现有的项目管理工作流。

方法论

1. 数据收集与预处理 – 将过去重建项目的历史记录（成本、时间表、资源分配、技术规格）汇总为结构化数据集。
2. 特征工程 – 将影响项目绩效的关键属性（如网络拓扑、材料类型、监管约束）编码为输入向量。
3. 模型选择 – 在审查了多种自适应项目管理技术后，作者选择前馈 ANN，因为它能够捕捉工程数据中的非线性关系。
4. 训练与验证 – 在 Azure ML Studio 中使用分割样本方法（70 % 训练，15 % 验证，15 % 测试）对 ANN 进行训练。通过网格搜索调优超参数（层数、神经元数量、学习率）。
5. 决策支持循环
   • 用户（项目经理）定义候选项目架构和 WBS。
   • 系统将该配置转换为特征向量格式。
   • ANN 预测目标函数值（例如总成本）。
   • 经理根据预测结果迭代调整设计，直至满足目标标准。
6. 参数再分配 – 对于每种基础设施类型，模型会自动重新加权或替换相关特征，使单一 ANN 能在多个公用事业领域使用，而无需从头重新训练。

结果与发现

• 预测精度： 在保留的测试集上，神经网络的成本估算平均绝对百分比误差（MAPE）约为 6 %，进度预测约为 8 %，均在行业对早期规划的容忍范围内。
• 速度： 为新配置生成预测的时间不足 0.2 秒，支持实时“假设分析”。
• 适应性： 参数再分配机制降低了针对每种公用事业单独建模的需求，估计可节省约 40 % 的开发时间。
• 案例示例： 对一个中等规模的区域供热网络的模拟重建表明，采用模型驱动的 WBS 相比手工基线可降低 12 % 的预计资本支出。

实际意义

• 加速规划： 工程师可以在几分钟内探索数十种架构备选方案，而不是数周，从而缩短项目生命周期的前端阶段。
• 风险缓解： 早期、基于数据的成本和进度预测有助于在投入资源前识别高风险配置。
• 跨域复用： 管理多种网络（供水、燃气、电力）的公用事业公司可以采用单一 ML 服务，简化 IT 治理并降低许可费用。
• 易于集成： 基于 Azure ML Studio 构建，解决方案可接入现有的 Azure DevOps 流水线、Power BI 仪表盘或自定义 ERP 系统，采用 API 调用即可，无需完整平台改造。
• 决策透明度： 通过展示特征重要性（如 SHAP 等技术），管理者能够了解 为何 某一设计被预测为更低成本或更快完成，支持更有信息的利益相关者讨论。

局限性与未来工作

• 数据质量依赖性： 模型的可靠性取决于历史项目数据的完整性和一致性；数据缺口或偏差记录会导致预测偏差。
• 目标范围： 当前实现仅聚焦于成本和进度；将环境影响、社会接受度或全寿命维护成本等目标纳入仍是待解决的挑战。
• 模型泛化能力： 虽然参数再分配方法简化了跨公用事业的使用，但极端差异（如海上风电场重建）仍可能需要特定领域的重新训练。
• 可解释性： 虽已提供基本的特征重要性指标，但更深入的可解释性（因果推断、反事实分析）计划在后续研究中实现。
• 试点部署： 作者计划与市政公用事业公司进行现场试验，以在真实约束下验证模型并优化面向非技术决策者的用户界面。

作者

• Illia Khudiakov
• Vladyslav Pliuhin
• Sergiy Plankovskyy
• Yevgen Tsegelnyk

论文信息

• arXiv ID: 2511.20916v1
• 分类: cs.SE
• 发布日期: 2025年11月25日
• PDF: Download PDF