Model of forecasting of material resources and estimated cost at early stages of life cycle of construction objects
- Authors: Gureev M.V.1, Makarov A.N.1
-
Affiliations:
- Moscow State University of Civil Engineering (National Research University) (MGSU)
- Issue: Vol 19, No 11 (2024)
- Pages: 1835-1849
- Section: Technology and organization of construction. Economics and management in construction
- URL: https://journals.rcsi.science/1997-0935/article/view/276620
- ID: 276620
Cite item
Full Text
Abstract
About the authors
M. V. Gureev
Moscow State University of Civil Engineering (National Research University) (MGSU)
Email: mvgureev@gmail.com
ORCID iD: 0009-0002-3069-7614
SPIN-code: 6188-6750
A. N. Makarov
Moscow State University of Civil Engineering (National Research University) (MGSU)
Email: anmakarof@yandex.ru
ORCID iD: 0000-0001-8421-1013
SPIN-code: 2460-1473
References
- Секушин С.В., Курбацкая Е.П., Петровский А.И. Актуальные вопросы ценообразования и сметного нормирования в строительной отрасли Российской Федерации // Бюллетень ученого совета АО «ИЭРТ». 2022. № 7. С. 40–45. EDN CFMOZV.
- Сорокин И.В., Настычук А.В. Анализ опыта применения методов машинного обучения в строительной отрасли России // Строительство и архитектура. 2023. Т. 11. № 1. С. 18. doi: 10.29039/2308-0191-2022-11-1-18-18. EDN WEOBBP.
- Петровский А.И., Капустина Н.В. Взаимосвязь точности оценки стоимости строительства и экономической эффективности инвестиционно-строительных проектов // Государственное и муниципальное управление. Ученые записки. 2021. № 1. С. 165–169. doi: 10.22394/2079-1690-2021-1-1-165-169. EDN FVZTTT.
- Петроченко М.В., Недвига П.Н., Кукина А.А., Шерстюк В.В. Классификация строительной информации в BIM с использованием алгоритмов искусственного интеллекта // Вестник МГСУ. 2022. Т. 17. № 11. С. 1537–1550. doi: 10.22227/1997-0935.2022.11.1537-1550. EDN JFYSSO.
- Кирьянова Л.В., Сулейманов Н.Ф. Сравнение регрессионных моделей стоимости жилищного строительства в Венгрии, полученных методами машинного обучения // Экономика и предпринимательство. 2023. № 5 (154). С. 636–641. doi: 10.34925/EIP.2023.154.5.123. EDN HSQACR.
- Михайлова Е.В., Савина В.В., Савин И.М. Искусственный интеллект как инструмент оптимизации ресурсных графиков // Строительное производство. 2022. № 2. С. 52–56. doi: 10.54950/26585340_2022_2_52. EDN AODBGS.
- Колчин В.Н. Специфика применения технологии «искусственного интеллекта» в строительстве // Инновации и инвестиции. 2022. № 3. С. 250–253. EDN JJLECU. EDN JJLECU.
- Blanco J.L., Fuchs S., Parsons M., Ribeirin-ho M.J. Artificial intelligence: Construction technology’s next frontier // Capital projects & infrastructure. April 2018.
- Макаров А.Н., Гуреев М.В. Определение параметров модели прогнозирования материальных ресурсов для строительства жилых зданий на этапе обоснования инвестиций // Строительное производство. 2023. № 4. С. 97–104. doi: 10.54950/26585340_2023_4_97. EDN XELYIL.
- Низамов И.В., Еловенко Д.А. Обзор технологии AutoML, имеющихся инструментов, пример применения и сравнительный анализ с классическим решением // Молодежный вестник ИрГТУ. 2022. Т. 12. № 3. С. 468–475. EDN TMBATS.
- Добашин А.С., Степанов Г.С., Гоголин И.А., Гаджиев Д.М. Использование математической статистики и программирования для решения практических задач машинного обучения // Актуальные исследования высшей школы 2023 : сб. ст. Междунар. науч.-практ. конф. 2023. С. 229–242. doi: 10.46916/03052023-2-978-5-00174-965-3. EDN NKBEGI.
- Саранин З.А. Обзор практики применения методов машинного обучения в экономике энергетики // Молодежная неделя науки Института промышленного менеджмента, экономики и торговли : cб. тр. Всеросс. студ. науч.-учеб. конф. 2023. С. 256–258. EDN OHSVAR.
- Entezari A., Aslani A., Zahedi R., Noorollahi Y. Artificial intelligence and machine learning in energy systems : а bibliographic perspective // Energy Strategy Reviews. 2023. Vol. 45. P. 101017. doi: 10.1016/j.esr.022.101017
- Ahmad T., Zhu H., Zhang D., Tariq R., Bassam A., Ullah F. et al. Energetics Systems and artificial intelligence: applications of industry 4.0 // Energy Reports. 2022. Vol. 8. Рр. 334–361. doi: 10.1016/j.egyr.2021.11.256
- Сухов А.А., Суханкин А.А. Сравнительный анализ лучших алгоритмов градиентного бустинга: CATBOOST, XGBOOST, LIGHT GBM. Рекомендации к их применению // Вызовы современности и стратегии развития общества в условиях новой реальности : сб. мат. XXIII Междунар. науч.-практ. конф. 2024. С. 287–293. EDN AKOAVR.
- Machado M.R., Karray S., de Sousa I.T. LightGBM: an effective decision tree gradient boosting method to predict customer loyalty in the finance industry // 2019 14th International Conference on Computer Science & Education (ICCSE). 2019. Рр. 1111–1116. doi: 10.1109/ICCSE.2019.8845529
- Chen T., Guestrin C. XGBoost // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. Рр. 785–794. doi: 10.1145/2939672.2939785
- Liu X., Wang T. Application of XGBOOST model on potential 5G mobile users forecast // Lecture Notes in Electrical Engineering. 2023. Рр. 1492–1500. doi: 10.1007/978-981-19-3387-5_177
- Острикова А.Л., Селютин В.В. Инновационные технологии массовой оценки жилой недвижимости // Экология. Экономика. Информатика. Серия: Системный анализ и моделирование экономических и экологических систем. 2023. Т. 1. № 8. С. 147–154. doi: 10.23885/2500-395X-2023-1-8-147-154. EDN PYQMGE.
- Faisal A., Yigitcanlar T., Kamruzzaman M., Paz A. Mapping two decades of autonomous vehicle research : a systematic scientometric analysis // Journal of Urban Technology. 2020. Vol. 28. Issue 3–4. Рр. 45–74. doi: 10.1080/10630732.2020.1780868
- Sari R., Voyvoda E., Lacey-Barnacle M., Karababa E., Topal C., Islambay D. Energy justice: a social sciences and humanities cross-cutting theme report. Cambridge, 2017. doi: 10.13140/RG.2.2.33861.35043
Supplementary files
