Xây dựng mô hình học máy được tối ưu hóa bằng thuật toán jellyfish search để dự báo năng suất lao động trên công trường

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: THỊ THÙY LINH LÊ, THANH PHONG NGUYỄN, ĐÌNH NHẬT TRƯƠNG, HUỲNH KIM CHI VÕ

Ngôn ngữ: vie

Ký hiệu phân loại:

Thông tin xuất bản: Tạp chí Xây dựng, 2024

Mô tả vật lý: tr.50

Bộ sưu tập: Metadata

ID: 379538

Thêm vào giỏ Liên kết toàn văn

Các hoạt động xây dựng phụ thuộc rất nhiều vào năng suất lao động bởi các tác động trực tiếp của nó đến hiệu quả kinh tế và tiến độ của dự án. Vì vậy, nâng cao năng suất lao động trên công trường luôn là mục tiêu hàng đầu của các doanh nghiệp và các chuyên gia quản lý xây dựng. Nghiên cứu này trình bày các so sánh và đánh giá hiệu suất của các mô hình học máy, bao gồm bốn mô hình đơn ANN, SVR, LR, CART và ba mô hình hỗn hợp Voting, Bagging, Stacking. Kết quả thu được cho thấy mô hình hỗn hợp Bagging-ANN mang lại hiệu quả cao nhất. Các tham số của mô hình được chọn sẽ được tối ưu hóa bằng thuật toán Jellyfish Search để nâng cao hiệu suất mô hình. Kết quả cuối cùng được so sánh với các đề xuất trước đó cho thấy hiệu suất vượt trội của mô hình JS-Bagging-ANN. Từ khóa: Jellyfish Search
năng suất lao động
mô hình học máy
tối ưu hóa
dự báo.Construction activities are significantly dependent on labor productivity due to its direct impact on economic efficiency and project progress. Therefore, enhancing labor productivity on construction sites remains a top priority for businesses and construction management experts. This study presents a comparative evaluation of the performance of various machine learning models, including four individual models: ANN, SVR, LR, CART, and three ensemble models: Voting, Bagging, and Stacking. The results demonstrate that the Bagging-ANN ensemble model yields the highest efficiency. The model's parameters are optimized using the Jellyfish Search algorithm to improve its performance. The final results are compared with literature, revealing the superior performance of the JS-Bagging-ANN model. Keywords: Jellyfish Search
labor productivity
machine learning models, optimization
prediction system.

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR