Ứng dụng trí tuệ nhân tạo trong kiểm soát dự án xây dựng theo phương pháp quản lý giá trị đạt được (evm) thạc sĩ

CART : Các cây phân loại và hồi quy MT : Mô hình cây ANN : Mạng thần kinh nhân tạo LS-SVM : Mô hình áp dụng trí tuệ nhân tạo trong phân tích DE : Tối ưu hóa đột biến MLIE : Ước lượng kho

LÊ TUẤN KHANH

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG KIỂM SOÁT DỰ ÁN XÂY DỰNG THEO PHƯƠNG PHÁP

QUẢN LÝ GIÁ TRỊ ĐẠT ĐƯỢC (EVM)

LUẬN VĂN THẠC SĨ

KỸ THUẬT XÂY DỰNG DÂN DỤNG VÀ CÔNG NGHIỆP

ĐÀ NẴNG, 2017

LÊ TUẤN KHANH

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO

TRONG KIỂM SOÁT DỰ ÁN XÂY DỰNG THEO PHƯƠNG PHÁP QUẢN LÝ GIÁ TRỊ ĐẠT ĐƯỢC

(EVM)

Chuyên ngành: Kỹ thuật Xây dựng

Dân dụng và Công nghiệp

LUẬN VĂN THẠC SĨ

KỸ THUẬT XÂY DỰNG DÂN DỤNG VÀ CÔNG NGHIỆP

Người hướng dẫn khoa học: TS VŨ DUY THẮNG

ĐÀ NẴNG, 2017

Tôi xin bày tỏ lòng biết ơn tới Lãnh đạo trường Đại học Duy Tân, khoaSau đại học, các Thầy, Cô giáo đã tạo mọi điều kiện thuận lợi giúp tôi hoànthành quá trình học tập và nghiên cứu.

Tôi xin cảm ơn TS Vũ Duy Thắng đã tận tình hướng dẫn, chỉ bảo đểtôi hoàn thành luận văn này

Tôi cũng xin cảm ơn các cơ quan, bạn bè đồng nghiệp và những ngườithân đã cùng chia sẻ, giúp đỡ, động viên, tạo mọi điều kiện thuận lợi để tôihoàn thành nhiệm vụ học tập và cuốn luận văn này

Tác giả luận văn

LÊ TUẤN KHANH

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi, dưới sựhướng dẫn của TS Vũ Duy Thắng Những nội dung nghiên cứu, kết quả trong

đề tài này là trung thực và chưa công bố dưới bất kỳ hình thức nào trước đây.Nếu phát hiện có bất kỳ sự gian lận nào, tôi xin hoàn toàn chịu trách nhiệm vềnội dung luận văn của mình

Tác giả luận văn

LÊ TUẤN KHANH

MỞ ĐẦU 1

1 Tính cấp thiết của đề tài luận văn 1

2 Mục tiêu nghiên cứu của đề tài 2

3 Phạm vi và đối tượng nghiên cứu 2

4 Phương pháp nghiên cứu 2

5 Nội dung nghiên cứu, bố cục luận văn 2

CHƯƠNG 1 TỔNG QUAN VỀ THỰC TRẠNG QUẢN LÝ CHI PHÍ XÂY DỰNG CÔNG TRÌNH VÀ VIỆC ÁP DỤNG CÁC MÔ HÌNH 4

1.1 ĐẶT VẤN ĐỀ 4

1.2 TÌNH HÌNH NGHIÊN CỨU ÁP DỤNG CÁC MÔ HÌNH DỰ BÁO 5

1.2.1 Mô hình CART (Classification And Regression Trees) 6

1.2.2 Mô hình MT (Model Tree) 7

1.2.3 Mô hình ANN (Artificial Neural Networks) 8

1.3 ƯỚC TÍNH CHI PHÍ XÂY DỰNG VỚI LS-SVM 10

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT DỰ ĐOÁN CHI PHÍ HOÀN THÀNH THEO EVM VÀ PHÂN TÍCH MÔ HÌNH EAC-LSPIM 14

2.1 DỰ ĐOÁN CHI PHÍ HOÀN THÀNH 14

2.2 PHÂN TÍCH MÔ HÌNH EAC-LSPIM 16

2.3 DÙNG MÁY HỌC LS-SVM ĐỂ PHÂN TÍCH HỒI QUY 17

2.4 PHÂN TÍCH HỒI QUY VỚI KHOẢNG THỜI GIAN DỰ ĐOÁN 19

2.4.1 Bối cảnh 19

2.4.2 Đánh giá hiệu suất của khoảng dự báo 21

2.4.3 Các công trình trước khi dự đoán khoảng cách dự đoán 22

2.5 THUẬT TOÁN TỐI ƯU HOÁ SỰ ĐỘT BIẾN 24

2.5.1 Khởi tạo 25

2.5.2 Đột biến 25

2.5.5 Ngừng kiểm tra tiêu chí 26

2.6 ĐÁNH GIÁ VÀ HIỆU CHỈNH MÔ HÌNH 26

CHƯƠNG 3 ÁP DỤNG MÔ HÌNH EAC-LSPIM ĐỂ DỰ ĐOÁN CHI PHÍ HOÀN THÀNH ĐỐI VỚI NHÓM NHÀ Ở XÃ HỘI THÀNH PHỐ ĐÀ NẴNG 30

3.1 NHẬP DỮ LIỆU 31

3.2 LS-SVM ĐỂ ƯỚC LƯỢNG ĐIỂM ƯỚC TÍNH ĐẾN KHI HOÀN THÀNH 36 3.3 CÔNG SUẤT DỰ ĐOÁN ETC 36

3.4 LS-SVM ĐỂ SUY LUẬN VỀ CÁC GIỚI HẠN DỰ ĐOÁN ETC 39

3.5 TỔNG HỢP DỰ TOÁN CHI PHÍ DỰ ÁN ĐẾN HOÀN THÀNH 39

3.6 KẾT QUẢ TÍNH TOÁN VÀ KẾT LUẬN 39

KẾT LUẬN VÀ KIẾN NGHỊ 46 TÀI LIỆU THAM KHẢO

QUYẾT ĐỊNH GIAO ĐỀ TÀI (BẢN SAO)

CART : Các cây phân loại và hồi quy

MT : Mô hình cây

ANN : Mạng thần kinh nhân tạo

LS-SVM : Mô hình áp dụng trí tuệ nhân tạo trong phân tích

DE : Tối ưu hóa đột biến

MLIE : Ước lượng khoảng cách dựa trên máy

EVM : Quản lý giá trị đạt được

PV : Giá trị kế hoạch

BCWS : Chi phí dự toán ngân sách

EV : Giá trị kiếm được

BCWP : Chi phí đã thực hiện

AC : Chi phí thực tế

ACWP : Chi phí đã thực hiện

EAC : Ước tính khi hoàn thành

AI : Trí tuệ nhân tạo

PI : Khoảng dự đoán

PICP : Xác xuất khoảng dự đoán

MPI : Độ rộng trung bình của khoảng dự đoán

ML : Máy học

MLIE : Ước lượng khoảng cách theo máy học

PL : Giới hạn dự đoán

NFE : Số lượng các đánh giá chức năng

ETC : Ước tính đến hoàn thành

RMSE : Sai số trung bình

R2 : hệ số tương quan giữa 2 biến

Số hiệu hình Tên hình Trang

2.2 Giới hạn dự đoán và khoảng thời gian dự đoán 202.3 Ước tính khoảng cách máy học (ML) 232.4 Thuật toán tối ưu hóa sự biến đổi 24

3.5 Kết quả dự báo cho mô hình kiểm tra (dự án 12) 45

MỞ ĐẦU

1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI LUẬN VĂN

Thực hiện “Chiến lược phát triển nhà ở quốc gia đến năm 2020 và tầm

nhìn đến năm 2030” của Chính phủ, thời gian gần đây Đà Nẵng đã đẩy mạnh

triển khai chương trình phát triển nhà ở cho người có thu nhập thấp sử dụng

nguồn vốn đầu tư từ ngân sách nhà nước hay còn được gọi là nhà ở xã hội

Theo đó, đến năm 2020 Đà Nẵng sẽ xây dựng 187 khối nhà với khoảng

10.400 căn hộ từ nguồn vốn ngân sách, đến hết năm 2016 thành phố đã đưa

trên 8.300 căn hộ vào sử dụng theo hình thức cho thuê và bán trả góp cho

những đối tượng là cán bộ công chức, viên chức, lực lượng vũ trang và những

người có thu nhập thấp sinh sống, làm việc lâu dài trên địa bàn thành phố

Trong quá trình phát triển đô thị, gắn với công tác giải tỏa và chỉnh trang

đô thị, thành phố Đà Nẵng đã đầu tư nhiều dự án công trình nhà ở Theo đó,

việc phát triển nhà ở chung cư gắn liền với chương trình “Thành phố 3 có” và

sau này là chương trình “Nhà ở xã hội” Hiện nay, Công ty Quản lý nhà chung

cư đang quản lý 10.636 căn hộ chung cư, nhà liền kề đã được đưa vào sử

dụng, bố trí cho thuê

Để thực hiện chủ trương nêu trên, thành phố Đà Nẵng đang ra sức huy

động nguồn lực xã hội để đầu tư Nhà ở xã hội Vấn đề hiệu quả của việc đầu

tư nhằm tránh việc lãng phí ngân sách, hoặc xây dựng đình trệ do thiếu vốn,

hoặc giảm chất lượng các công trình đang là vấn đề được đưa ra Việc dự

đoán chi phí xây dựng hiện nay chưa rõ ràng và thiếu tính thực tế Hầu hết,

việc dự đoán chi phí chỉ dựa trên quy mô và quy định về “Suất đầu tư” của Bộ

Xây dựng ban hành mà không đặt một cách cụ thể vào điều kiện kỹ thuật, thị

trường, địa phương Cũng thấy rằng, chưa có công cụ hữu hiệu nào được đưa

ra để dự báo chi phí xây dựng có độ tin cậy cao

Do triển khai trong thời gian dài và sự thiếu ổn định của các yếu tố đầu

vào như pháp lý, thời tiết, thị trường đầu vào, thị trường đầu ra, các sự cố kỹ

thuật luôn đặt các dự án xây dựng chịu các mức độ rủi ro cao Do đó, chi phí

vượt ngân sách ban đầu thường xuyên xảy ra đối với các dự án xây dựng Để

đảm bảo an toàn về mặt tài chính khi thực hiện dự án, chủ đầu tư phải thường

xuyên đánh giá chi phí của dự án trong quá trình thực hiện và đến khi hoàn

thành để phát hiện các sai lệch, đồng thời có phản ứng thích hợp Tuy nhiên,

các chủ đầu tư thường tập trung trong việc lập kế hoạch ngân sách trong giai

đoạn bắt đầu, đã bỏ qua tác động của của thay đổi chi phí và thông tin cập

nhật trong quá trình thực hiện xây dựng

Luận văn của tác giả hướng đến việc nghiên cứu áp dụng một mô hình

dự đoán tin cậy, nhằm thực hiện dự đoán chi phí xây dựng có độ chính xác

tương đối cao, phục vụ cho các nhà quản lý dự án ấn định ngân sách phù hợp

để đầu tư xây dựng công trình hiệu quả

2 MỤC TIÊU NGHIÊN CỨU CỦA ĐỀ TÀI

Mục tiêu chính của đề tài là nghiên cứu áp dụng mô hình EAC-LSPIM

(dự trên mô hình LS-SVM, là mô hình áp dụng trí tuệ nhân tạo trong phân

tích), để dự báo chi phí đến hoàn thành (ETC) đối với các công trình nhà ở xã

hội của thành phố Đà Nẵng

3 PHẠM VI VÀ ĐỐI TƯỢNG NGHIÊN CỨU

Nghiên cứu áp dụng trí tuệ nhân tạo, mà cụ thể là mô hình EAC-LSPIM

để dự báo chi phí đến hoàn thành (ETC) đối với nhóm nhà ở xã hội của thành

phố Đà Nẵng

Nghiên cứu áp dụng thực nghiệm trên cơ sở dữ liệu đã hoàn thành của

các công trình nhà ở xã hội thành phố Đà Nẵng, trong giai đoạn từ năm 2003

đến 2010

4 PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu thực nghiệm

5 NỘI DUNG NGHIÊN CỨU, BỐ CỤC LUẬN VĂN

Đề tài được viết triên cơ sở mục tiêu nghiên cứu đã trình bày ở trên, cấu

trúc gồm các chương tương ứng với nội dung như sau:

- Phần Mở đầu, trình bày một cách khái quát tổng quan vấn đề cần

nghiên cứu, mục tiêu, đối tượng, phạm vi nghiên cứu

- Chương 1, trình bày tổng quan về vấn đề thực trạng quản lý chi phí xây

dựng công trình và việc áp dụng các mô hình

- Chương 2, trình bày về cơ sở lý thuyết dự đoán chi phí hoàn thành theo

EVM và phân tích mô hình EAC-LSPIM

- Chương 3, áp dụng mô hình EAC-LSPIM để dự đoán chi phí hoàn

thành đối với nhóm nhà ở xã hội thành phố Đà Nẵng

- Phần kết luận và kiến nghị, tác giả trình bày các kết luận của đề tài và

kết quả đạt được của đề tài

CHƯƠNG 1 TỔNG QUAN VỀ THỰC TRẠNG QUẢN LÝ CHI PHÍ XÂY

DỰNG CÔNG TRÌNH VÀ VIỆC ÁP DỤNG CÁC MÔ HÌNH

1 ĐẶT VẤN ĐỀ

Trong ngành xây dựng, các yếu tố không chắc chắn luôn tác động đến sự

thành bại của một dự án Do triển khai trong thời gian dài và sự thiếu ổn định

của các yếu tố đầu vào như pháp lý, thời tiết, thị trường đầu vào, thị trường

đầu ra, các sự cố kỹ thuật luôn đặt các dự án xây dựng chịu các mức độ rủi ro

cao Do các yếu tố bất định đó nên chi phí vượt ngân sách ban đầu thường

xuyên xảy ra đối với các dự án xây dựng (Nassar và cộng sự, 2005) Để đảm

bảo an toàn về mặt tài chính và đảm bảo có lợi nhuận khi thực hiện dự án, chủ

đầu tư phải thường xuyên đánh giá chi phí của dự án trong quá trình thực hiện

và đến khi hoàn thành để phát hiện các sai lệch, đồng thời có phản ứng thích

hợp Tuy nhiên, các chủ đầu tư thường tập trung trong việc lập kế hoạch ngân

sách trong giai đoạn bắt đầu, đã bỏ qua tác động của của thay đổi chi phí và

thông tin cập nhật trong quá trình thực hiện xây dựng (Cheng và cộng sự,

2010)

Đối với thành phố Đà Nẵng, trong quá trình phát triển đô thị, gắn với

công tác giải tỏa và chỉnh trang đô thị, thành phố Đà Nẵng đã đầu tư nhiều dự

án công trình nhà ở Theo đó, việc phát triển nhà ở chung cư gắn liền với

chương trình “Thành phố 3 có” và sau này là chương trình “Nhà ở xã hội”

Hiện nay, thành phố đang quản lý 190 khối nhà với 10.636 căn hộ chung cư

đã được đưa vào sử dụng, bố trí cho thuê

Để thực hiện chủ trương nêu trên, thành phố Đà Nẵng đang ra sức huy

động nguồn lực xã hội để đầu tư Nhà ở xã hội Vấn đề hiệu quả của việc đầu

tư nhằm tránh việc lãng phí ngân sách, hoặc xây dựng đình trệ do thiếu vốn,

hoặc giảm chất lượng các công trình đang là vấn đề được đưa ra Việc dự

đoán chi phí xây dựng hiện nay chưa rõ ràng và thiếu tính thực tế Hầu hết,

việc dự đoán chi phí chỉ dựa trên quy mô và quy định về “Suất đầu tư” của Bộ

Xây dựng ban hành mà không đặt một cách cụ thể vào điều kiện kỹ thuật, thị

trường, địa phương Cũng thấy rằng, chưa có công cụ hữu hiệu nào được đưa

ra để dự báo chi phí xây dựng có độ tin cậy cao

Do đó, dự toán chi phí là một nhiệm vụ quan trọng và cần được thực

hiện ở các giai đoạn khác nhau của dự án (Liu và Zhu, 2007) Hơn nữa, độ

chính xác của việc ước lượng chi phí xây dựng là một yếu tố quan trọng trong

sự thành công của dự án (Kim và cộng sự, 2004)

TÌNH HÌNH NGHIÊN CỨU ÁP DỤNG CÁC MÔ HÌNH DỰ BÁO

Hiện nay, việc thực hiện một dự án đầu tư xây dựng công trình thường

không được kế thừa từ các dữ liệu cũ Một số các nhà đầu tư thường dựa vào

kinh nghiệm thực hiện hiện có của họ để triển khai các dự án tiếp theo Điều

này càng hạn chế đối với các dự án thực hiện ngân sách Nhà nước Hầu như,

các dự án đầu tư thường được thực hiện trên cơ sở quy định “suất đầu tư” do

Bộ Xây dựng ban hành (cho năm trước đó) và một phần kinh phí dự phòng

theo quy định quản lý dự án đầu tư Tuy nhiên, quy định “suất đầu tư” không

dựa trên các điều kiện địa phương và các yếu tố bất định, nên tính khả thi của

việc thực hiện dự án đầu tư xây dựng khó đáp ứng Điều này dẫn đến việc

lãng phí ngân sách hoặc dự án ngưng trệ, vượt chi ngân sách luôn xảy ra

Do tầm quan trọng của nó, trên thế giới hiện nay đã xây dựng các mô hình

dự báo để dự đoán chi phí Các phương pháp tiếp cận được áp dụng cho việc

ước lượng chi phí từ các phân tích hồi quy đa biến dựa trên thống kê, đến các

kỹ thuật máy học như: mô hình cây phân loại và hồi quy (CART), mô hình cây

(MT), mô hình mạng thần kinh nhân tạo (ANN), mô hình áp dụng trí tuệ nhân

tạo trong phân tích (SVM và LS-SVM)

1.1.1 Mô hình CART (Classification And Regression Trees)

CART (Breiman và cộng sự, 1984) là một phương pháp phân loại sử

dụng dữ liệu lịch sử để xây dựng các “cây” quyết định Một mô hình CART

dự báo giá trị của các biến liên tục từ một tập hợp các biến đầu vào được gọi

là mô hình hồi quy (Razer and Athappilly, 2005)

Phân tích phân loại tối ưu trên toàn cầu (GO-CTA) (còn được gọi là

phân tích phân biệt tối ưu theo phân cấp) là sự khái quát hóa phân tích phân

biệt tối ưu có thể được sử dụng để xác định mô hình thống kê có độ chính xác

cao nhất để dự đoán giá trị của một biến phụ thuộc phân loại cho bộ dữ liệu

bao gồm các biến phân loại và liên tục Kết quả của HODA là cây không trực

giao kết hợp các biến phân loại và các điểm cắt cho các biến liên tục mang lại

độ chính xác tiên đoán tối đa, đánh giá tỷ lệ lỗi chính xác của Loại I và đánh

giá khả năng mô hình hoá thống kê có khả năng tổng quát của mô hình thống

kê Phân tích phân biệt tối ưu phân cấp có thể được xem như là một sự khái

quát hóa phân tích tuyến tính của Fisher Phân tích phân biệt tối ưu là một

thay thế cho ANOVA (phân tích biến thiên) và phân tích hồi quy, mà cố gắng

để thể hiện một biến phụ thuộc như là một sự kết hợp tuyến tính của các tính

năng hoặc phép đo khác Tuy nhiên, phân tích ANOVA và hồi quy đưa ra một

biến phụ thuộc đó là một biến số, trong khi phân tích phân biệt tối ưu phân

cấp cung cấp cho một biến phụ thuộc đó là một biến lớp

Các cây phân loại và hồi quy (CART) là một kỹ thuật học cây quyết định

phi tham số tạo ra các cây phân loại hoặc cây hồi quy, tuỳ thuộc vào việc biến

phụ thuộc là phân loại hay số

Cây quyết định được hình thành bằng một tập hợp các quy tắc dựa trên

các biến trong bộ dữ liệu mô hình hóa

Các quy tắc dựa trên các giá trị của biến được lựa chọn để phân chia tốt

nhất để phân biệt các quan sát dựa trên biến phụ thuộc

Khi một quy tắc được chọn và chia tách một nút thành hai, quá trình

tương tự sẽ được áp dụng cho mỗi nút "con" (nghĩa là đó là thủ tục đệ quy)

Việc chia tách dừng lại khi CART phát hiện không thể đạt được thêm

nữa, hoặc một số quy tắc dừng trước đã được thiết lập (Hoặc, dữ liệu được

phân chia càng nhiều càng tốt và sau đó cây được cắt tỉa sau đó)

Mỗi chi nhánh của cây kết thúc trong một nút đầu cuối Mỗi quan sát rơi

vào một và chính xác một nút đầu cuối, và mỗi nút đầu cuối được xác định

duy nhất bởi một bộ quy tắc

Một phương pháp rất phổ biến cho các phân tích tiên đoán là rừng ngẫu

nhiên của Leo Breiman

Một ưu điểm chính của mô hình dựa trên cây quyết định là khả năng xử

lý các bộ dữ liệu cỡ nhỏ Hơn nữa, CART có thể làm giảm tác động tiêu cực

của các yếu tố ngoại lệ bởi vì mô hình có khả năng cô lập các ngoại lệ trong

một nút riêng biệt Tuy nhiên, một bất lợi của CART là nó có thể tạo ra các

cây quyết định không ổn định (Timofeev, 2004) Lý do là việc sửa đổi không

đáng kể của mẫu thử có thể tạo ra sự thay đổi cơ bản trong cây quyết định

Ngoài ra, các công trình trước đây (Razi và Athappilly, 2005, Brown và cộng

sự., 1993) đã chỉ ra rằng hiệu suất dự đoán của CART có thể thấp hơn ANN

1.1.2 Mô hình MT (Model Tree)

Một mô hình cây (MT) tương tự như cây quyết định, nhưng bao gồm các

hàm hồi quy tuyến tính đa biến ở các lá và có thể dự đoán thuộc tính giá trị

liên tục (Shrestha và Solomatine, 2006, Witten và Frank, 2000, Kaluzny và

cộng sự, 2011) Thuật toán tách không gian tham số thành các không gian con

và xây dựng một mô hình hồi quy tuyến tính cục bộ ở mỗi trong số chúng

Vì vậy, ở một mức độ nào đó, MT tương tự như một hàm tuyến tính

Trong MT, các nút của cây được chọn dựa trên thuộc tính tối đa hóa việc

giảm lỗi mong đợi như là một hàm của độ lệch tiêu chuẩn của tham số đầu ra

(Bonakdar và Etemad-Shahidi, 2011) MT được chứng minh là có hiệu quả và

nó có thể giải quyết các bài toán hồi quy với các chiều kích cao So với các kỹ

thuật học máy khác, quá trình huốn luyện tương đối nhanh và kết quả có thể

hiểu được (Shrestha và Solomatine, 2006)

1.1.3 Mô hình ANN (Artificial Neural Networks)

Mạng thần kinh nhân tạo (ANN) hoặc các hệ thống kết nối là các hệ

thống máy tính lấy cảm hứng từ các mạng nơ-ron sinh học hình thành bộ não

động vật Các hệ thống này học (nâng cao hiệu suất) để thực hiện các nhiệm

vụ bằng cách xem xét các ví dụ, nói chung không có chương trình cụ thể Ví

dụ như trong nhận diện hình ảnh, nó có thể học cách xác định những hình ảnh

có chứa "cat" bằng cách phân tích các hình ảnh ví dụ đã được dán nhãn theo

cách thủ công là "cat" hoặc "no cat" và sử dụng các kết quả để xác định "cat"

trong các hình ảnh khác Họ đã tìm thấy hầu hết sử dụng trong các ứng dụng

khó biểu hiện trong một thuật toán máy tính truyền thống bằng cách sử dụng

chương trình dựa trên quy tắc

ANN được dựa trên một tập hợp các đơn vị kết nối hoặc các nút gọi là

nơ-ron nhân tạo (tương tự như các nơ-ron sinh học trong một bộ não động

vật) Mỗi kết nối (xung thần kinh) giữa các nơ-ron có thể truyền tín hiệu từ

người này sang người khác Thần kinh tiếp nhận (postsynaptic) có thể xử lý

tín hiệu và sau đó tín hiệu thần kinh dưới dòng kết nối với nó Trong các ứng

dụng phổ biến của ANN, tín hiệu khớp thần kinh là một số thực, và đầu ra của

mỗi nơ-ron được tính bằng một hàm không tuyến tính của tổng đầu vào của

nó Các tế bào thần kinh và khớp thần kinh cũng có thể có trọng lượng thay

đổi theo tiến trình học tập, có thể làm tăng hoặc giảm sức mạnh của tín hiệu

mà nó gửi xuống hạ lưu Hơn nữa, chúng có thể có ngưỡng như vậy chỉ khi

tín hiệu tổng hợp ở dưới (hoặc ở trên) mức đó là tín hiệu hạ lưu được gửi đi

Thông thường, nơ-ron được tổ chức theo lớp Các lớp khác nhau có thể

thực hiện các kiểu biến đổi khác nhau trên đầu vào của chúng Các tín hiệu di

chuyển từ đầu vào, đến lớp cuối cùng (đầu ra), có thể sau khi đi qua các lớp

nhiều lần

Hình 1.1 Mô hình mạng nơron thần kinh

Mục tiêu ban đầu của phương pháp tiếp cận mạng thần kinh là giải quyết

các vấn đề giống như cách mà bộ não của con người có thể Theo thời gian,

sự chú ý tập trung vào việc kết hợp các khả năng tinh thần cụ thể, dẫn đến sự

sai lệch từ sinh học như tăng tốc ngược lại hoặc truyền thông tin theo hướng

ngược lại và điều chỉnh mạng để phản ánh thông tin đó

Mạng thần kinh đã được sử dụng trên nhiều công việc, bao gồm tầm

nhìn máy tính, nhận dạng giọng nói, dịch máy, lọc mạng xã hội, chơi trò chơi

và trò chơi điện tử và chẩn đoán y khoa

ANN là một giải pháp khả thi để dự báo chi phí xây dựng và trong thực

tế, nó đã được sử dụng để xây dựng các mô hình dự báo chi phí khác nhau

(Hegazy và Ayed, 1998, Zhu và cộng sự, 2010, Sonmez, 2011) Phương pháp

này loại bỏ sự cần thiết phải tìm ra một mối quan hệ lập bản đồ mà toán học

mô tả chi phí xây dựng như là một hàm của các biến đầu vào Khi các yếu tố

ảnh hưởng và cấu trúc của ANN đều được xác định, nhiệm vụ giảm xuống để

thu thập một số lượng hợp lý dữ liệu để đào tạo ANN Tuy nhiên, quá trình

đào tạo các mô hình dựa trên ANN thường mất thời gian, và ANN cũng gặp

nhiều khó khăn trong việc lựa chọn một số lượng lớn các thông số kiểm soát

như kích thước lớp ẩn, tỷ lệ học và thời điểm xung lượng (Bao và cộng sự,

2005)

Hơn nữa, một bất lợi lớn của ANN là quá trình đào tạo của nó đạt được

thông qua một thuật toán trên không gian lỗi, có thể rất phức tạp và có thể

chứa nhiều yếu tố cục bộ (Kiranyaz và cộng sự, 2009) Do đó, việc đào tạo

AN có thể bị mắc kẹt và điều này chắc chắn cản trở khả năng dự báo Để khắc

phục vấn đề như vậy, các thuật toán tiến hóa, chẳng hạn như Thuật toán di

truyền (GA) và tối ưu hóa Phần tử Hạt (PSO), có thể được sử dụng để đào tạo

ANN (Nasseri và cộng sự, 2008, Zhang và cộng sự, 2007) Đó là vì những kỹ

thuật tối ưu hóa tiên tiến này làm giảm cơ hội bị mắc kẹt để quá trình đào tạo

có thể giải quyết được giải pháp tối ưu Tuy nhiên, điều này không thể được

đảm bảo (Kiranyaz và cộng sự, 2009)

ƯỚC TÍNH CHI PHÍ XÂY DỰNG VỚI LS-SVM

Trong lĩnh vực xây dựng, SVM đã được sử dụng trong dự toán chi phí

(Kong và cộng sự, 2008, HongWei, 2009, An và cộng sự, 2007, Cheng và

cộng sự, 2010) Nguyên tắc của SVM dựa trên cơ sở giảm thiểu rủi ro và lý

thuyết thống kê Các mô hình dựa trên mô hình SVM cũng bao gồm xác định

các yếu tố tác động, thu thập mẫu dữ liệu, và quy trình đào tạo/kiểm tra Sau

khi chức năng lập bản đồ đã được thiết lập, mô hình có khả năng dự đoán giá

trị tương lai của chi phí dự án Lợi ích của SVM được biết đến rộng rãi bao

gồm khả năng suy luận mạnh mẽ, tổng quát tuyệt vời, và khả năng tiên đoán

chính xác (Lam và cộng sự, 2009, Huang và cộng sự, 2004) Tuy nhiên, quá

trình đào tạo SVM đòi hỏi phải giải quyết một vấn đề về lập trình bậc hai phải

chịu sự ràng buộc bất bình đẳng Điều này có nghĩa là quá trình đào tạo của

SVM đối với bộ dữ liệu lớn đòi hỏi chi phí tính toán cao (Guo và Bai, 2009)

Ngoài ra, đòi hỏi phải tập hợp dữ liệu lớn và cập nhật thường xuyên

Để khắc phục nhược điểm của SVM, LS-SVM được đề xuất gần đây bởi

Suykens và cộng sự (Suykens và cộng sự, 2010, Suykens, 1999, Suykens và

cộng sự, 2002) và Gestel và cộng sự (Gestel và cộng sự, 2004) LS-SVM là

một phiên bản được sửa đổi của SVM để giảm bớt gánh nặng tính toán Trong

quá trình đào tạo của LS-SVM, một chức năng chi phí bình phương nhỏ nhất

được đề nghị để có được một tập tuyến tính các phương trình trong không

gian kép Do đó, để có được giải pháp trên, cần thiết để giải quyết một tập

hợp các phương trình tuyến tính thay vì lập trình bậc hai như trong tiêu chuẩn

SVM Và hệ thống tuyến tính này có thể được giải quyết hiệu quả bằng các

phương pháp lặp đi lặp lại như độ dốc liên hợp (Wang và Hu, 2005) Các

nghiên cứu đã được thực hiện để chứng minh sự tổng quát, độ chính xác dự

đoán, và tính toán nhanh LS-SVM (Lean và cộng sự, 2009, Samui và Kothari,

2011, Chen và cộng sự, 2005) Mặc dù tính ưu việt của nó, việc áp dụng

LS-SVM trong dự toán xây dựng vẫn còn rất hạn chế

Ngoài ra, khi áp dụng LS-SVM, có thể nhận ra rằng các thông số điều

chỉnh, cụ thể là sự ổn định hóa và các tham số chức năng của hạt nhân, đóng

một vai trò quan trọng trong việc thiết lập mô hình tiên đoán (Lean và cộng

sự, 2009, Suykens và cộng sự, 2002) Kiểm soát sự phức tạp của mô hình cần

được xác định một cách chính xác thông qua việc xác nhận chéo Khi làm như

vậy, mục tiêu chính là để có được mô hình tối ưu có thể khám phá chức năng

lập bản đồ đầu vào và đầu ra tiềm ẩn và có khả năng tạo ra hiệu suất tiên đoán

tốt nhất đối với dữ liệu mới (Bishop, 2006) Trong nghiên cứu này, DE một

công cụ tìm kiếm ngẫu nhiên dựa trên dân số được đề xuất bởi Storn và Price

(Price và cộng sự, 2005), được sử dụng trong quá trình kiểm tra chéo để đạt

được mục tiêu đó

Trong thực tế, dự toán chi phí trong ngành xây dựng thường được thể

hiện ở dạng dự báo điểm (Trost và Oberlender, 2003, Iranmanesh và cộng sự,

2007, Cheng và cộng sự, 2010, Zhu và cộng sự, 2010) Tuy nhiên, các nhà

hoạch định chính sách không chỉ yêu cầu dự báo chính xác các biến số nhất

định, mà còn là sự không chắc chắn liên quan đến dự báo Ước lượng điểm

không tính đến các nguồn không chắc chắn khác nhau từ mô hình, các biến

đầu vào, và các tham số điều chỉnh Do đó, kết hợp dự đoán sự không chắc

chắn vào các dự báo xác định có thể giúp nâng cao độ tin cậy và độ tin cậy

của các đầu ra mô hình (Shrestha và Solomatine, 2006)

Các phương pháp khác nhau (Wonnacott và Wonnacott, 1996, Heskes,

1997, Mencar và cộng sự, 2005, De Brabanter và cộng sự, 2011) đã được

giới thiệu để đạt được ước lượng khoảng cách Tuy nhiên, các phương pháp

hiện tại cũng có nhiều hạn chế như yêu cầu phân bố trước của các tham số

đầu vào không chắc chắn hoặc dữ liệu và liên quan đến các giả định nhất

định về dữ liệu và phân phối lỗi Độ chính xác và tính hữu hiệu của các

phương pháp này phụ thuộc đáng kể vào độ chính xác của thông tin trước và

các giả định Chúng dựa vào lấy mẫu lại hoặc khởi động Mặc dù các

phương pháp dựa trên bẫy (Sonmez, 2011, Stine, 1985, Lam và Veall, 2002)

có thể mang lại kết quả dự đoán chính xác, phương pháp này được đặc trưng

bởi chi phí tính toán cao

Gần đây, một khuôn khổ mới cho việc ước tính PI mà dựa trên kỹ thuật

“máy học” đã được Shrestha và Solomatine tạo ra (Shrestha và Solomatine,

2006) Phương pháp đề xuất không yêu cầu bất kỳ giả định và kiến thức về dữ

liệu đầu vào hoặc mô hình phân phối lỗi Hơn nữa, nó cũng không yêu cầu chi

phí tính toán sâu như trong các phương pháp dựa trên khởi đầu Trong nghiên

cứu của họ (Shrestha và Solomatine, 2006), tính ưu việt của việc ước lượng

khoảng cách dựa trên máy (MLIE) so với các phương pháp truyền thống được

trưng bày Quá trình đào tạo SVM đòi hỏi phải giải quyết một vấn đề về lập

trình bậc hai phải chịu sự ràng buộc bất bình đẳng Điều này có nghĩa là quá

trình đào tạo của SVM đối với bộ dữ liệu lớn đòi hỏi chi phí tính toán cao

(Guo và Bai, 2009)

CHƯƠNG 2

CƠ SỞ LÝ THUYẾT DỰ ĐOÁN CHI PHÍ HOÀN THÀNH

THEO EVM VÀ PHÂN TÍCH MÔ HÌNH EAC-LSPIM

DỰ ĐOÁN CHI PHÍ HOÀN THÀNH

Trong quản lý xây dựng, ước tính chi phí của công việc hoàn thành là

yếu tố quan trọng cho sự thành công của dự án Để đạt được điều này, các nhà

quản lý dự án thường dựa vào phương pháp quản lý giá trị đạt được (EVM)

EVM được biết đến rộng rãi như là một kỹ thuật quản lý liên quan đến việc

lập kế hoạch nguồn lực, sử dụng lịch biểu và yêu cầu thực hiện kỹ thuật

(Abba, 1997)

Phương pháp quản lý giá trị đạt được (EVM) được sử dụng để đánh giá

tổng thể hiệu quả thực hiện của dự án tại thời điểm xem xét Được thực thi

bằng việc phân tích chi phí và tiến độ với kế hoạch ban đầu EVM bao gồm

ba thành phần thiết yếu hỗ trợ kiểm soát dự án:

Giá trị kế hoạch (PV) hoặc Chi phí Dự toán Ngân sách (BCWS);

Giá trị kiếm được (EV) hoặc Chi phí Ngân sách cho Công việc đã Thực

hiện (BCWP);

Chi phí Thực tế (AC) hoặc Công việc đã thực hiện (ACWP)

Trong ngành xây dựng, các nhà quản lý dự án nhấn mạnh việc áp dụng

EVM vì nó cung cấp một công cụ để theo dõi tình trạng dự án và để đo hiệu

suất của dự án

EVM là cách tiếp cận có hệ thống để dự báo Ước tính khi hoàn thành

(EAC) Vai trò của EAC được nhấn mạnh bởi vì các nhà quản lý hoặc các nhà

quy hoạch có thể đánh giá tổng chi phí dự án dựa trên giá trị ước tính của

EAC Iranmanesh (Iranmanesh và cộng sự, 2007) chỉ ra rằng chính xác và

đúng thời điểm EAC là cần thiết để dự phòng trong thời gian thực hiện dự án

Nếu EAC cho thấy chi phí đã vượt quá ngân sách, các nhà quản lý dự án có

thể sử dụng các chiến lược phù hợp để điều chỉnh chi phí xây dựng Trong

trường hợp chi phí vượt trội, các nhà quản lý dự án cần phải triển khai một

chương trình giá trị để giảm chi phí, trong đó phạm vi hoặc chất lượng của

một số dự án giảm Một lựa chọn khác là cần bổ sung ngân sách để bù đắp chi

phí vượt quá

Ở mỗi giai đoạn hoàn thành, các nhà quản lý có thể trích xuất dữ liệu từ

báo cáo tiến độ, tính toán dự toán thu được giá trị (EV) và dự đoán EAC

EAC có thể được tính bằng công thức sử dụng dữ liệu quản lý chi phí do nhà

thầu cung cấp trong “Báo cáo Hiệu suất Chi phí” hoặc “Báo cáo Tình trạng

Chi phí/Chi phí” Độ tin cậy của các báo cáo này phụ thuộc vào mức độ mà

nhà thầu tuân thủ kiểm soát nội bộ liên quan đến việc xem xét hiệu suất của

một hợp đồng (Christensen, 1993)

Theo các công trình trước đây của Christensen (Christensen, 1993,

Christensen và cộng sự, 1995) và Chen (Chen, 2008), việc xác định một ước

lượng thích hợp của EAC là một nhiệm vụ không truyền thống Để có được

EAC, các nhà quản lý cần phải thu thập dữ liệu quản lý chi phí lớn do nhà

thầu cung cấp trong báo cáo tiến độ, thường là báo cáo hàng tháng hoặc như ở

Việt Nam là các chu kỳ thanh toán Đối với các nhà thầu, để lập báo cáo định

kỳ cho chủ sở hữu, kỹ sư của họ phải thu thập đủ dữ liệu được tóm tắt trong

bản tóm tắt hàng ngày và bản tóm tắt thiết bị hàng ngày Cuối cùng, các công

thức tính EAC dựa trên sự kết hợp của một số yếu tố dữ liệu được trình bày

trong báo cáo: BCWS, BCWP và ACWP

Để dự báo EAC, nhiều công thức dựa trên chỉ số đã được sử dụng Các

công thức được chia thành ba loại: phương pháp không hiệu quả, phương

pháp thực hiện, phương pháp tổng hợp (Christensen và cộng sự, 1995, Chen,

2008, Cheng và cộng sự, 2010) Theo điều tra do Christensen và cộng sự

(Christensen và cộng sự, 1995) thực hiện, tính chính xác của các công thức

dựa trên chỉ số phụ thuộc đáng kể vào loại hệ thống, giai đoạn và giai đoạn

của dự án Điều này giải thích tại sao việc thực hiện một công thức đặc biệt có

thể chấp nhận được trong một trường hợp nhất định, trong khi các trường hợp

khác có thể tồi tệ hơn nhiều (Cheng và cộng sự, 2010) Các nhà quy hoạch dự

án phải sử dụng các bản án riêng để xác định một EAC phù hợp nhất hoặc

một loạt các EAC hợp lý Hiện tại, không có hướng dẫn chính thức về cách

chọn một phép tính EAC có thể làm theo một thiết lập cụ thể

Ngoài các công thức dựa trên chỉ số, các phương pháp dự báo EAC khác

dựa trên phân tích hồi quy (Iranmanesh và cộng sự, 2007, Christensen và

cộng sự, 1995) Các công thức dựa trên hồi quy thường được tạo ra bằng cách

sử dụng phân tích hồi quy đơn hoặc không tuyến tính đơn lẻ (Christensen,

1993) Tuy nhiên, các phương pháp dựa trên phân tích hồi quy truyền thống

cũng có những bất lợi như những hạn chế của chúng trong mô tả các mối

quan hệ phi tuyến (An và cộng sự, 2007) Thêm vào đó, số yếu tố ảnh hưởng

đối với dự toán chi phí xây dựng có thể được đánh giá cao (Trost và

Oberlender, 2003, Cheng và cộng sự, 2010) và chức năng hồi quy cơ bản có

thể rất phức tạp Thực tế này giải thích tại sao dự toán EAC dựa trên phân tích

hồi quy truyền thống không được sử dụng rộng rãi (Christensen, 1993)

Không cần phải nói, vấn đề dự báo EAC phức tạp vì nó liên quan đến

nhiều dữ liệu xây dựng, cân nhắc nhiều yếu tố ảnh hưởng và chức năng hồi

quy phức tạp Vì vậy, các nhà quy hoạch hoặc nhà quản lý có thể sử dụng các

phương pháp tiên tiến hơn, cụ thể là các phương pháp Trí tuệ nhân tạo (AI),

phương pháp ANN và phương pháp LS-SVM

PHÂN TÍCH MÔ HÌNH EAC-LSPIM

Theo nghiên của Min Yuan Cheng và Hoàng Nhật Đức được đăng ngày

10/3/2014 trên Tạp chí Kỹ thuật Xây dựng và Quản lý, đã đề xuất mô hình sử

dụng LS-SVM để dự đoán khoảng chi phí xây dựng khi hoàn thành

(EAC-LSPIM)

Nghiên cứu này nhằm mục đích đề xuất mô hình tình huống giả định, cụ

thể là EAC-LSPIM, kết hợp các kỹ thuật tiên tiến khác nhau bao gồm

LS-SVM, MLIE, và DE để giúp dự án quản lý trong dự toán chi phí xây dựng

Mô hình được xây dựng kết hợp những điểm mạnh và giảm thiểu những điểm

yếu của từng kỹ thuật Mục tiêu nghiên cứu là xây dựng một mô hình có thể

hoạt động tự động mà không cần sự can thiệp của con người và có thể cung

cấp kết quả dự báo chính xác và đáng tin cậy Được trang bị với công cụ này,

dự kiến rằng các nhiệm vụ kiểm soát chi phí và lập kế hoạch chi phí trong

ngành xây dựng có thể được thực hiện hiệu quả

Hình 2.1 Mô hình EAC-LSPIM

Dữ liệu đầu vào

Dùng LS-SVM phân tích hồi quy

Phân tích khoảng dự đoán

Đánh giá và thiết lập giá trị

LS-SVM suy luận khoảng dự

đoán

Đánh giá chéo DE

Phương pháp MLIE

Đánh giá chéo DE

DÙNG MÁY HỌC LS-SVM ĐỂ PHÂN TÍCH HỒI QUY

Phần này dành riêng cho việc mô tả công thức toán học của LV-SVM

Xem công thức toán học sau đây, mô tả mối quan hệ chức năng giữa biến đáp

ứng và một hoặc nhiều biến độc lập (Suykens và cộng sự, 2002, Wang và Hu,

2005):

Trong đó: x  R n,y  R, và  (x) :R n  R nh là phản xạ tới không gian đặc

trưng chiều cao Trong LS-SVM để phân tích hồi quy, đưa ra một tập dữ liệu

huấn luyện, vấn đề tối ưu được xây dựng như sau:

1 ) ,

Đây là các biến lỗi, biểu thị hằng số định chuẩn

Trong bài toán tối ưu trên, cần lưu ý rằng hàm mục tiêu bao gồm một

tổng của sai khớp bình phương và một thuật ngữ định chuẩn hóa Chức năng

chi phí này tương tự như thủ tục tiêu chuẩn trong việc đào tạo mạng lưới

nơ-ron và có liên quan đến hồi quy (Wang và Hu, 2005) Tuy nhiên, khi w trở

thành vô hạn, người ta không thể giải quyết vấn đề này Do đó, cần xây dựng

Lagrangian và rút ra được vấn đề kép (Suykens và cộng sự, 2002)

Lagrangian được cho bởi:

e L

=

T v v

b y

Ở đây k và b là giải pháp cho hệ thống tuyến tính (5) Hạt nhân chức

năng thường được sử dụng là hàm cơ sở (Radial Basis Function-RBF) Mô tả

của RBF hạt nhân được đưa ra như sau:

2 2

Trong trường hợp hạt nhân hàm cơ sở, có hai tham số điều chỉnh cần

được xác định trong LS-SVM Tham số định chuẩn kiểm soát đối với các

điểm dữ liệu lệch với hàm hồi quy Trong khi đó, tham số hạt nhân ảnh hưởng

đến sự trơn tru của hàm hồi quy Cần lưu ý rằng phải thiết lập đúng các thông

Phân tích hồi quy là nghiên cứu về chức năng nằm trong mối quan hệ

giữa biến phụ thuộc Y và một vector độc lập x (Olive, 2007) Một mô hình

hồi quy điển hình có thể được biểu diễn như sau:

Y i m(x i)e i, i 1 , ,n (9)Trong đó m biểu thị là một chức năng của x và ei là lỗi dự đoán

Các phương pháp khác nhau được sử dụng để tìm các ước tính m của m

Các phương pháp này bao gồm các kỹ thuật truyền thống, như mô hình hồi

quy đa tuyến và nhiều mô hình thời gian, các mô hình phi tuyến tính (Olive,

2007), cho các kỹ thuật máy học khác nhau như MT (Bhattacharya và

Solomatine, 2005, Jekabsons, 2010), ANN (Zhu và cộng sự, 2010, Wong và

cộng sự, 1997), SVM (Cheng và cộng sự, 2010, Lu và cộng sự, 2009) và

LS-SVM (Suykens và cộng sự, 2002, Suykens và cộng sự, 2010)

Một khi chức năng lập bản đồ thu được, nhiệm vụ chính là dự đoán giá

trị tương lai của Y khi một đầu vào X cụ thể được trình bày cho hệ thống

Trong đánh giá điểm, Y được biểu diễn dưới dạng một giá trị duy nhất

Ngược lại, trong dự toán khoảng, kết quả dự đoán được đưa ra dưới dạng một

khoảng giá trị có thể Trong nhiều trường hợp, ước lượng khoảng thời gian

thu hút nhiều sự chú ý hơn so với ước lượng điểm Lý do là yêu cầu của các

nhà ra quyết định không chỉ nằm trong một dự báo chính xác mà còn trong sự

không chắc chắn vốn có của các dự báo (Shrestha và Solomatine, 2006)

Hình 2.2 Giới hạn dự đoán và khoảng thời gian dự đoán

Ước lượng khoảng bao gồm các giới hạn trên và dưới, giữa đó một giá

trị điểm của biến đáp ứng dự kiến sẽ nằm ở mức độ tin cậy nhất định (thường

là 95%) Dãy hạn chế bởi những giới hạn này được biết đến khoảng thời gian

(PI) Khoảng dự đoán là đầu ra là mong muốn vì chúng cung cấp một loạt các

giá trị mà có thể bao gồm ước lượng điểm của biến dự đoán Thêm vào đó,

người ta có thể sử dụng khoảng thời gian dự đoán để phân biệt độ chính xác

của ước lượng được cung cấp bởi mô hình, sau đó quyết định giữ hoặc từ chối

kết quả (Mencar và cộng sự, 2005)

2.1.2 Đánh giá hiệu suất của khoảng dự báo

Khi đã đạt được kết quả với khoảng thời gian, có thể sử dụng dự đoán

khả năng bảo hiểm khoảng thời gian dự đoán (PICP) để đánh giá hiệu suất

(Shrestha và Solomatine, 2006, Khosravi và cộng sự, 2011, Khosravi và cộng

sự, 2010) PICP đo tỷ lệ điểm dữ liệu nằm trong PI Trong một số trường hợp,

PICP thực nghiệm có thể thấp hơn nhiều so với mức độ tin cậy được xác định

trước Điều này cho thấy các PI có nguồn gốc không đáng tin cậy (Khosravi

và cộng sự, 2011) Vì vậy, PICP đôi khi dự kiến sẽ bằng hoặc lớn hơn mức độ

tự tin, vì điều này phản ánh độ tin cậy của các kết quả dự đoán

Tuy nhiên, PICP không phải là thước đo duy nhất để đánh giá PI Lý do

là người ta có thể đơn giản xây dựng một PI lớn để đạt được độ tin cậy tối đa

của các kết quả dự đoán (ví dụ: 100%) Tuy nhiên, các PI rất lớn, trên thực tế,

giảm khả năng sử dụng các kết quả dự báo vì ước tính khoảng thời gian

không truyền tải thông tin có giá trị cho người ra quyết định (Khosravi và

cộng sự, 2011) Do đó, để đảm bảo khả năng sử dụng ước tính khoảng cách,

cần phải xem xét chiều rộng trung bình của khoảng dự đoán (MPI) (Khosravi

và cộng sự, 2010, Shrestha và Solomatine, 2006), đo chiều rộng trung bình

của PI Theo đó, một PI được xây dựng tốt phải đạt được sự cân bằng giữa độ

tin cậy và khả năng sử dụng Nói cách khác, cần có một PICP cao tương ứng

với một MPI hẹp (Khosravi và cộng sự, 2010, Khosravi và cộng sự, 2011)

Tuy nhiên, hai tiêu chí này đôi khi xung đột với nhau và điều này làm cho

việc ước lượng khoảng thời gian là một vấn đề đầy thách thức Do tầm quan

trọng và thách thức của nó, các nghiên cứu đã dành riêng việc thành lập các

PI cho nhiều mô hình dự đoán

2.1.3 Các công trình trước khi dự đoán khoảng cách dự đoán

Sonmez (Sonmez, 2011) mạng nơ-ron tích hợp với khoảng dự đoán thời

gian khởi động để ước lượng phạm vi chi phí xây dựng Trong cách tiếp cận

này, các mạng thần kinh được sử dụng để mô hình hoá chức năng lập bản đồ

giữa các yếu tố ảnh hưởng và chi phí Phương pháp khởi động được sử dụng

để định lượng mức độ biến thiên bao gồm trong chi phí ước tính Tuy nhiên,

để xây dựng các ước tính khoảng thời gian, có thể tạo ra khoảng thời gian

chính xác, đòi hỏi tính toán nhiều (De Brabanter và cộng sự, 2011)

Mencar và cộng sự (Mencar và cộng sự, 2005) đề xuất một phương pháp

ước lượng khoảng dự đoán cho mạng nơ-ron thần kinh sao cho hệ thống cung

cấp ước tính độ không chắc chắn liên quan đến các giá trị đầu ra dự đoán

Phương pháp này không đòi hỏi bất kỳ giả định nghiêm ngặt nào đối với việc

phân phối dữ liệu không rõ Tuy nhiên, các khoảng bắt nguồn là không đổi

trong toàn bộ miền đầu vào

Tính năng này có thể không phản ánh hiện tượng thực sự xảy ra trong dữ

liệu chuỗi thời gian thực Trong những trường hợp này, sự không chắc chắn vốn

có thể phân phối không đều trong các thời kỳ khác nhau (Cheng và Roy, 2011)

Một phương pháp khác để xây dựng PI, được dựa trên phương pháp tiếp

cận máy học, được thành lập bởi Shrestha và Solomatine (Shrestha và

Solomatine, 2006) Trong nghiên cứu của họ, các tác giả trình bày một

phương pháp để ước lượng PI qua sự không chắc chắn của đầu ra mô hình Ý

tưởng quan trọng ở đây là các số dư lịch sử giữa các đầu ra mô hình và các dữ

liệu quan sát tương ứng có thể là các chỉ số định lượng của sự khác biệt giữa

mô hình và mô hình hệ thống thế giới thực và cung cấp các thông tin có giá trị

để đánh giá sự không chắc chắn của mô hình