KR20230091419A - Construction site process rate predicting method and system based on artificial intelligence - Google Patents

Construction site process rate predicting method and system based on artificial intelligence Download PDF

Info

Publication number
KR20230091419A
KR20230091419A KR1020210180520A KR20210180520A KR20230091419A KR 20230091419 A KR20230091419 A KR 20230091419A KR 1020210180520 A KR1020210180520 A KR 1020210180520A KR 20210180520 A KR20210180520 A KR 20210180520A KR 20230091419 A KR20230091419 A KR 20230091419A
Authority
KR
South Korea
Prior art keywords
process rate
data
artificial intelligence
increase
rate
Prior art date
Application number
KR1020210180520A
Other languages
Korean (ko)
Inventor
김소희
허경휘
이정철
강훈식
최호창
Original Assignee
현대건설(주)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대건설(주) filed Critical 현대건설(주)
Priority to KR1020210180520A priority Critical patent/KR20230091419A/en
Publication of KR20230091419A publication Critical patent/KR20230091419A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 기존 건설 현장에 대한 공정률 관련 데이터와 공정률 실적의 증가분에 대한 데이터를 이용하여 인공지능 모델을 학습시켜, 상기 인공지능 모델을 이용하여 건설 현장의 공정률을 미리 예측할 수 있으므로, 보다 신속하고 정확하게 공정률을 예측하여 선제적인 관리와 대응이 가능한 이점이 있다.The present invention learns an artificial intelligence model using the data related to the completion rate of the existing construction site and the data on the increase in the performance of the completion rate, and can predict the completion rate of the construction site in advance using the artificial intelligence model, more quickly and accurately. It has the advantage of being able to preemptively manage and respond by predicting the process rate.

Description

인공지능을 기반으로 한 건설 현장 공정률 예측 방법 및 시스템{Construction site process rate predicting method and system based on artificial intelligence}Construction site process rate predicting method and system based on artificial intelligence

본 발명은 인공지능을 기반으로 한 건설 현장 공정률 예측 방법 및 시스템에 관한 것으로서, 보다 상세하게는 인공지능 모델을 이용하여 공정률을 미리 예측함으로써, 공정 지연 리스크를 선제적으로 관리할 수 있는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법 및 시스템에 관한 것이다. The present invention relates to a method and system for predicting a construction site progress rate based on artificial intelligence, and more particularly, artificial intelligence capable of preemptively managing the risk of delay in a process by predicting the progress rate using an artificial intelligence model in advance. It relates to a construction site completion rate prediction method and system based on

일반적으로 건설 현장에서 공정률은 작업 진행률을 의마하며, 건설 현장의 전체 준공 일정에 막대한 영향을 끼치기 때문에, 매우 중요한 관리 항목이다. 공정 지연이 발생될 경우, 막대한 손실을 발생시킬 뿐만 아니라 안전사고를 발생시킬 수 있는 주요 원인으로 작용할 수 있다. In general, the completion rate at a construction site refers to the work progress rate and is a very important management item because it has a huge impact on the overall completion schedule of the construction site. When a process delay occurs, it can not only cause huge losses but also act as a major cause of safety accidents.

종래에는 공정률에 대한 데이터는 대부분 담당자가 수동으로 기입하고 관리하는 형태로 축적되어 왔으며, 공정 관리 방식도 담당자의 경험이나 직관에 의존하여 왔다. 따라서, 담당자의 교체 등과 같은 다양한 현장 이슈에 따라 공정 관리가 제대로 이루어질 수 없는 문제점이 있다. Conventionally, most of the data on the process rate has been accumulated in the form of manual entry and management by the person in charge, and the process management method has also depended on the experience or intuition of the person in charge. Therefore, there is a problem in that process management cannot be performed properly according to various field issues such as replacement of a person in charge.

최근에는 드론 등의 스마트 기기를 활용하여, 건설 현장의 공정률을 관리하기 위한 다양한 기술이 시도되고 있으나, 이는 표면적으로 드러나는 정보만을 확인할 수 있는 한계가 있으므로, 현장별 내부 진행 현황이나 담당자의 실무 경험이 반영되지 않는 문제점이 있다. Recently, various technologies have been attempted to manage the construction site's progress rate using smart devices such as drones. There are problems that are not reflected.

대한민국 등록특허 제10-2273691호Republic of Korea Patent No. 10-2273691

본 발명의 목적은, 선제적인 공정 관리가 가능한 인공지능을 기반으로 한 건설 현장 공정률 예측 방법 및 시스템을 제공하는 데 있다. An object of the present invention is to provide a construction site process rate prediction method and system based on artificial intelligence capable of preemptive process management.

본 발명에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 방법은, 주택, 빌딩, 도로, 교량 중 적어도 하나를 포함하는 건설 현장의 현장 정보, 공정 정보, 예산 정보 및 전국 날씨 정보를 포함하는 로우 데이터를 수집하는 데이터 수집단계와; 상기 데이터 수집단계에서 수집한 로우 데이터로부터 상기 건설 현장별로 기설정된 설정 시점마다 공정률 관련 데이터와 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리하는 데이터 전처리단계와; 상기 데이터 전처리단계에서 전처리된 상기 공정률 관련 데이터를 입력 변수로 하고, 상기 공정률 실적의 증가분을 출력변수로 하여, 상기 입력 변수에 따라 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델을 학습하는 학습단계와; 공정률을 관리하고자 하는 관리 대상 현장에서 공정률을 예측하고자 하는 공정률 예측 시점에 상기 인공지능 모델에 상기 관리 대상 현장에 대한 공정률 관련 데이터가 입력되면, 상기 인공지능 모델이 상기 공정률 예측 시점에서 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값을 도출하는 공정률 실적의 증가분 도출단계와; 상기 공정률 실적의 증가분 도출단계에서 도출된 상기 공정률 실적의 증가분의 예측값에 상기 공정률 예측 시점의 현재 공정률을 합하여, 상기 설정 기간 간격으로 공정률 예측값을 계산하는 공정률 예측단계를 포함한다.The artificial intelligence-based construction rate prediction method according to the present invention includes raw data including field information, process information, budget information, and national weather information of a construction site including at least one of houses, buildings, roads, and bridges A data collection step of collecting; a data pre-processing step of pre-processing the raw data collected in the data collection step into data related to a process rate at each preset time point for each construction site and data about an increase in a process rate performance at each set time point; A learning step of learning an artificial intelligence model capable of predicting an increase in process rate performance according to the input variable using the process rate-related data preprocessed in the data preprocessing step as an input variable and an increase in the process rate performance as an output variable; ; When process rate related data for the management target site is input to the artificial intelligence model at the time of process rate prediction to predict the process rate at the target site to be managed, the artificial intelligence model sets a preset period at the time of predicting the process rate. An increase in process rate performance derivation step of deriving a predicted value of an increase in process rate performance at intervals; A process rate prediction step of calculating a process rate prediction value at the set period interval by adding the current process rate at the time of the process rate prediction to the predicted value of the increase in the process rate performance derived in the process rate performance increment derivation step.

상기 공정률 관련 데이터는, 공정률 목표, 공정률 실적, 업체별 공정 지연정보, 기설정된 기간동안 날씨 정보, 전체 공사 기간동안 공사별 예산 비율 및 예산외 품의금액 중 적어도 일부를 포함한다.The data related to the process rate includes at least a part of a process rate target, a process rate performance, process delay information for each company, weather information for a predetermined period, a budget ratio for each construction period, and an out-of-budget product amount during the entire construction period.

상기 데이터 전처리단계에서는, 상기 공정률 목표와 상기 공정률 실적은 각 설정 시점으로부터 미리 설정된 설정 개월수 이전 시점까지의 데이터를 묶어서 그룹화하여, 각 설정 시점의 데이터로 전처리한다.In the data preprocessing step, the process rate target and the process rate performance are preprocessed as data at each set point in time by grouping data from each set point in time to a point in time before a preset set number of months.

상기 업체별 공정 지연정보는, 상기 건설 현장에서 상기 업체가 참여한 기간 중 상기 업체의 공정 지연 개월 수의 비율을 계산하고, 상기 비율에 따라 분류된 복수의 평가 등급을 포함한다.The process delay information for each company calculates a ratio of the number of months delayed by the company during the period in which the company participated in the construction site, and includes a plurality of evaluation grades classified according to the ratio.

상기 날씨 정보는, 상기 건설 현장이 위치한 지역에서 소정의 기간동안 평균 일강수량, 평균 일적설량, 평균 일최대 순간풍속, 평균 일최저기온, 평균 일최고기온, 일최저기온이 설정최저온도 이하인 날의 수, 일최고기온이 설정최고온도 이상인 날의 수, 일강수량이 설정강수량 이상인 날의 수, 일적설량이 설정적설량 이상인 날의 수, 일최대순간풍속이 설정풍속 이상인 날의 수 중 적어도 일부를 포함한다.The weather information includes average daily precipitation, average daily snowfall, average daily maximum instantaneous wind speed, average daily minimum temperature, average daily maximum temperature, and daily minimum temperature during a predetermined period in the area where the construction site is located. The number of days when the daily maximum temperature is higher than the set maximum temperature, the number of days when the daily precipitation is higher than the set precipitation, the number of days when the daily snowfall is higher than the set snowfall, and the number of days when the daily maximum instantaneous wind speed is higher than the set wind speed are included. do.

상기 공사별 예산 비율은, 상기 건설 현장의 전체 공사 예산 중에서 건축 공사, 단지외부공사, 설비공사, 전기공사, 조경공사, 철거공사, 토목공사들이 각각 차지하는 예산의 비율로 계산된다.The budget ratio for each construction is calculated as a ratio of the budget of each of building construction, complex exterior construction, equipment construction, electrical construction, landscaping construction, demolition construction, and civil engineering construction out of the total construction budget of the construction site.

상기 데이터 전처리단계에서는, 상기 공정률 실적의 증가분은 현재 시점의 공정률 실적과 상기 현재 시점으로부터 상기 설정 기간 이전 시점의 공정률 실적의 차이로 계산하여 전처리한다.In the data preprocessing step, the increase in the process rate performance is preprocessed by calculating the difference between the process rate performance at the current point in time and the process rate performance at a time point before the set period from the current point in time.

상기 공정률 실적의 증가분 도출단계에서는, 상기 설정 기간은 1개월 단위로 복수개로 설정되어, 상기 공정률 예측시점으로부터 1개월 단위로 공정률 실적의 증가분을 출력한다.In the step of deriving the increment of the process rate performance, the set period is set to a plurality of units per month, and the increment of the process rate performance is output in units of one month from the time of predicting the process rate.

상기 공정률 예측단계에서는, 상기 공정률에 상기 1개월 단위로 상기 공정률 실적의 증가분을 누적 합산하여, 상기 1개월 단위로 상기 공정률 예측값을 계산하여 출력한다.In the process rate prediction step, the process rate prediction value is calculated and outputted by cumulatively adding the process rate and the increase in the process rate performance in units of one month.

본 발명의 다른 측면에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 방법은, 주택, 빌딩, 도로, 교량 중 적어도 하나를 포함하는 건설 현장의 현장 정보 데이터, 마일스톤 보고 데이터, 공정보고 데이터, 공사 진행상황 보고 데이터, 업체 정보 데이터, 공사 예산 금액 데이터, 전국 날씨 데이터를 포함하는 로우 데이터를 수집하는 데이터 수집단계와; 상기 데이터 수집단계에서 수집한 로우 데이터로부터 상기 건설 현장별로 기설정된 설정 시점마다 공정률 목표, 공정률 실적, 업체별 공정 지연정보, 기설정된 기간동안 날씨 정보, 전체 공사 기간동안 공사별 예산 비율, 예산외 품의금액을 포함하는 공정률 관련 데이터와, 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리하는 데이터 전처리단계와; 상기 데이터 전처리단계에서 전처리된 상기 공정률 관련 데이터를 입력 변수로 하고, 상기 공정률 실적의 증가분을 출력변수로 하여, 상기 입력 변수에 따라 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델을 학습하는 학습단계와; 공정률을 관리하고자 하는 관리 대상 현장에서 공정률을 예측하고자 하는 공정률 예측 시점에 상기 인공지능 모델에 상기 관리 대상 현장에 대한 공정률 관련 데이터가 입력되면, 상기 인공지능 모델이 상기 공정률 예측 시점에서 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값을 도출하는 공정률 실적의 증가분 도출단계와; 상기 공정률 실적의 증가분 도출단계에서 도출된 상기 공정률 실적의 증가분의 예측값에 상기 공정률 예측 시점의 현재 공정률을 합하여, 상기 설정 기간 간격으로 공정률 예측값을 계산하는 공정률 예측단계를 포함하고, 상기 데이터 전처리단계에서는, 상기 업체별 공정 지연정보는, 상기 건설 현장에서 상기 업체가 참여한 기간 중 상기 업체의 공정 지연 개월 수의 비율을 계산하고, 상기 비율에 따라 미리 설정된 복수의 평가 등급으로 분류하여 전처리하고, 상기 공정률 실적의 증가분 도출단계에서는, 상기 설정 기간은 1개월 단위로 복수개로 설정되어, 상기 공정률 예측시점으로부터 1개월 단위로 공정률 실적의 증가분을 출력하고, 상기 공정률 예측단계에서는, 상기 공정률에 상기 1개월 단위로 상기 공정률 실적의 증가분을 누적 합산하여, 상기 1개월 단위로 상기 공정률 예측값을 계산하여 출력한다.A construction site progress rate prediction method based on artificial intelligence according to another aspect of the present invention includes site information data, milestone report data, process report data, and construction progress of a construction site including at least one of houses, buildings, roads, and bridges. a data collection step of collecting raw data including status report data, company information data, construction budget amount data, and national weather data; From the raw data collected in the data collection step, the process rate target, process rate performance, process delay information for each company, weather information during the preset period, budget ratio for each construction period, and out-of-budget product amount at each preset time point for each construction site A data pre-processing step of pre-processing process rate-related data including and data on an increase in process rate performance at each set point in time; A learning step of learning an artificial intelligence model capable of predicting an increase in process rate performance according to the input variable using the process rate-related data preprocessed in the data preprocessing step as an input variable and an increase in the process rate performance as an output variable; ; When process rate related data for the management target site is input to the artificial intelligence model at the time of process rate prediction to predict the process rate at the target site to be managed, the artificial intelligence model sets a preset period at the time of predicting the process rate. An increase in process rate performance derivation step of deriving a predicted value of an increase in process rate performance at intervals; A process rate prediction step of calculating a process rate prediction value at the set period interval by adding the current process rate at the time of the process rate prediction to the predicted value of the increase in the process rate performance derived in the process rate performance increment derivation step, and in the data preprocessing step , The process delay information for each company calculates the ratio of the number of delayed months of the company during the period in which the company participated in the construction site, classifies into a plurality of evaluation grades set in advance according to the ratio, preprocesses, and performs the process rate performance In the step of deriving the increment of, the set period is set to a plurality of units per month, and the increment of the process rate performance is output in units of one month from the time of predicting the process rate, and in the step of predicting the process rate, The increase in the process rate performance is cumulatively summed, and the predicted process rate value is calculated and outputted on a monthly basis.

본 발명에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템은, 주택, 빌딩, 도로, 교량 중 적어도 하나를 포함하는 건설 현장의 현장 정보 데이터, 마일스톤 보고 데이터, 공정보고 데이터, 공사 진행상황 보고 데이터, 업체 정보 데이터, 공사 예산 금액 데이터, 전국 날씨 데이터 중 적어도 일부를 포함하는 로우 데이터를 수집하는 데이터 수집부와; 상기 데이터 수집단계에서 수집한 로우 데이터로부터 상기 건설 현장별로 기설정된 설정 시점마다 공정률 관련 데이터와 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리하는 데이터 전처리부와; 상기 공정률 관련 데이터를 입력 변수로 하고, 상기 공정률 실적의 증가분을 출력변수로 하여, 상기 입력 변수에 따라 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델을 학습하는 모델 학습부와; 공정률을 관리하고자 하는 관리 대상 현장에서 공정률을 예측하고자 하는 공정률 예측 시점에 상기 인공지능 모델에 상기 관리 대상 현장에 대한 공정률 관련 데이터가 입력되면, 상기 인공지능 모델이 상기 공정률 예측 시점에서 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값을 도출하는 공정률 실적의 증가분 예측부와; 상기 공정률 실적의 증가분의 예측값에 상기 공정률 예측 시점의 현재 공정률을 합하여, 상기 설정 기간 간격으로 공정률 예측값을 계산하는 공정률 예측부를 포함한다. A construction site progress rate prediction system based on artificial intelligence according to the present invention includes site information data, milestone report data, process report data, and construction progress report data of a construction site including at least one of houses, buildings, roads, and bridges. a data collection unit that collects raw data including at least a portion of company information data, construction budget amount data, and national weather data; a data pre-processing unit for pre-processing the raw data collected in the data collection step into process rate-related data at each predetermined set time point for each construction site and data on an increase in process rate performance at each set time point; a model learning unit that learns an artificial intelligence model capable of predicting an increase in process rate performance according to the input variable by using the process rate-related data as an input variable and an increase in the process rate performance as an output variable; When process rate related data for the management target site is input to the artificial intelligence model at the time of process rate prediction to predict the process rate at the target site to be managed, the artificial intelligence model sets a preset period at the time of predicting the process rate. an increase in process rate performance prediction unit for deriving a predicted value of an increase in process rate performance at intervals; and a process rate prediction unit that calculates a process rate prediction value at the set period interval by adding a current process rate at the time of the process rate prediction to the predicted value of the increase in the process rate performance.

본 발명은 기존 건설 현장에 대한 공정률 관련 데이터와 공정률 실적의 증가분에 대한 데이터를 이용하여 인공지능 모델을 학습시켜, 상기 인공지능 모델을 이용하여 건설 현장의 공정률을 미리 예측할 수 있으므로, 보다 신속하고 정확하게 공정률을 예측하여 선제적인 관리와 대응이 가능한 이점이 있다.The present invention learns an artificial intelligence model using the data related to the completion rate of the existing construction site and the data on the increase in the performance of the completion rate, and can predict the completion rate of the construction site in advance using the artificial intelligence model, more quickly and accurately. It has the advantage of being able to preemptively manage and respond by predicting the process rate.

도 1은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 데이터 전처리부에서 전처리하여 학습에 사용하기 위한 공정률 실적의 증가분에 대한 데이터를 나타낸 표이다.
도 4는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템의 화면에서 예측 결과를 나타낸 예이다.
도 5는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템의 화면에서 예측 결과를 그래프로 나타낸 예이다. 1 is a block diagram schematically showing the configuration of a construction site process rate prediction system based on artificial intelligence according to an embodiment of the present invention.
2 is a flowchart illustrating a construction site process rate prediction method based on artificial intelligence according to an embodiment of the present invention.
3 is a table showing data on the increase in process rate performance for pre-processing and use in learning by the data pre-processing unit according to an embodiment of the present invention.
4 is an example of a prediction result on a screen of a construction site process rate prediction system based on artificial intelligence according to an embodiment of the present invention.
5 is an example of a graph showing prediction results on a screen of a construction site process rate prediction system based on artificial intelligence according to an embodiment of the present invention.

이하, 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. Throughout the specification, when a certain component is said to "include", it means that it may further include other components without excluding other components unless otherwise stated.

도 1은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템의 구성을 개략적으로 나타낸 블록도이다.1 is a block diagram schematically showing the configuration of a construction site process rate prediction system based on artificial intelligence according to an embodiment of the present invention.

도 1을 참조하면, 본 발명에 따른 건설 현장 공정률 예측 시스템(10)은, 건설 현장에 대한 관련 데이터를 수집하고, 데이터로 전처리하며, 기계학습(Machine learning)을 수행하고, 기계학습을 통해 구축된 인공지능 모델로부터 예측값을 도출하며, 이러한 행위의 주체는 컴퓨터인 것으로 예를 들어 설명한다. Referring to FIG. 1, the construction site process rate prediction system 10 according to the present invention collects data related to the construction site, pre-processes the data, performs machine learning, and builds through machine learning. The predictive value is derived from the artificial intelligence model, and the subject of this action is explained as an example of a computer.

상기 건설 현장은, 주택, 빌딩, 도로, 교량 등을 건설하는 현장을 모두 포함한다. 다만, 이에 한정되지 않고, 상기 건설 현장은, 공정률 관리가 필요한 현장이라면 적용 가능하다. The construction site includes all construction sites such as houses, buildings, roads, and bridges. However, it is not limited thereto, and the construction site can be applied to any site requiring process rate management.

상기 건설 현장 공정률 예측 시스템(10)은, 데이터 수집부(11), 데이터 전처리부(12), 모델 학습부(13), 공정률 실적의 증가분 예측부(14), 공정률 예측부(15)를 포함한다.The construction site process rate prediction system 10 includes a data collection unit 11, a data pre-processing unit 12, a model learning unit 13, a process rate performance increment prediction unit 14, and a process rate prediction unit 15. do.

상기 데이터 수집부(11)는, 건설 현장의 현장 정보, 공정 정보, 예산 정보 및 전국 날씨 정보를 포함하는 로우 데이터(raw data)를 수집한다. 상기 로우 데이터 중에서 상기 현장 정보, 상기 공정 정보 및 상기 예산 정보는 미리 구축된 데이터베이스로부터 수집한다. 상기 로우 데이터 중에서 날씨 정보는 기상청으로부터 수집할 수 있다. 다만, 이에 한정되지 않고, 상기 로우 데이터는 별도의 서버로부터 제공받는 것도 가능하다. The data collection unit 11 collects raw data including construction site information, process information, budget information, and national weather information. Among the raw data, the field information, the process information, and the budget information are collected from a pre-built database. Among the raw data, weather information may be collected from the Korea Meteorological Administration. However, it is not limited thereto, and the raw data may be provided from a separate server.

상기 데이터베이스에는, 현장 정보 데이터, 현장 마일스톤 보고 데이터, 공정 보고 데이터, 공사 진행상황 보고 데이터, 업체 정보 데이터, 공사 예산 금액 데이터, 사업관리 주요 현안 데이터가 미리 저장된다. 상기 데이터베이스에는 공사가 완료된 건설 현장에 대한 데이터들 뿐만 아니라, 현재 공사가 진행중인 건설 현장에 대한 데이터도 저장된다. 현재 공사가 진행중인 건설 현장에 대한 데이터는 소정의 개월 이상 진행된 경우의 데이터만 사용될 수 있다. In the database, site information data, site milestone report data, process report data, construction progress report data, company information data, construction budget amount data, and project management key pending data are stored in advance. The database stores not only data on construction sites where construction has been completed, but also data on construction sites currently under construction. Data on a construction site currently under construction may be used only when the construction site has been in progress for more than a predetermined number of months.

상기 데이터 전처리부(12)는, 상기 데이터 수집부(11)가 수집한 로우 데이터로부터 상기 건설 현장별로 기 설정된 설정 시점마다 공정률 관련 데이터와 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리한다. The data pre-processing unit 12 preprocesses raw data collected by the data collection unit 11 into process rate-related data at each predetermined set time point for each construction site and data for an increase in the process rate performance at each set time point.

여기서, 상기 공정률 관련 데이터는, 공정률에 영향을 미치는 항목들로 미리 설정된다. 상기 공정률 관련 데이터는, 상기 건설 현장별로 상기 설정 시점마다 공정률 목표, 상기 설정 시점마다 공정률 실적, 상기 설정 시점마다 업체별 공정 지연정보, 기설정된 수집기간동안 날씨 정보, 전체 공사 기간동안 공사별 예산 비율, 상기 설정 시점마다 예산외 품의금액, 상기 설정 시점마다 공정률 실적의 증가분을 포함하는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고 상기 공정률 관련 데이터는 공정률 지연에 관련된 데이터라면 추가적으로 포함가능하다. Here, the process rate-related data is preset as items that affect the process rate. The process rate-related data includes a process rate target for each construction site at each set time point, a process rate performance at each set time point, process delay information for each company at each set time point, weather information during a preset collection period, budget ratio for each construction during the entire construction period, An example of including an out-of-budget product price at each set point in time and an increase in process rate performance at each set point in time will be described. However, it is not limited thereto, and the process rate-related data can be additionally included as long as it is data related to process rate delay.

상기 모델 학습부(13)는, 상기 공정률 관련 데이터를 입력 변수로 하고, 상기 공정률 실적의 증가분을 출력 변수로 하여, 상기 입력 변수에 따라 상기 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델을 학습한다.The model learning unit 13 takes the process rate related data as an input variable and the increase in the process rate performance as an output variable, and learns an artificial intelligence model capable of predicting an increase in the process rate performance according to the input variable. .

상기 공정률 실적의 증가분 예측부(14)는, 공정률을 예측하여 관리하고자 하는 관리 대상 현장의 정보와 상기 관리 대상 현장에 대한 공정률 관련 데이터가 입력되면, 상기 인공지능 모델로부터 상기 관리 대상 현장 정보의 공정률 실적의 증가분을 도출한다.The increment prediction unit 14 of the process rate performance predicts and manages the process rate of the site information to be managed from the artificial intelligence model when the information of the site to be managed and the data related to the process rate for the site to be managed are input. Deriving an increase in performance.

상기 공정률 예측부(15)는, 상기 공정률 실적의 증가분 예측부(14)에서 예측한 공정률 실적의 증가분에 따라 공정률 예측 시점으로부터 설정 기간 간격으로 공정률 예측값을 계산한다. The process rate prediction unit 15 calculates a process rate prediction value at set period intervals from the process rate prediction time point according to the increment of the process rate performance predicted by the process rate performance increase prediction unit 14 .

상기 실시예에서는, 상기 데이터 수집부(11)와 상기 데이터 전처리부(12)가 각각 별도의 구성요소인 것으로 예를 들어 설명하였으나, 이에 한정되지 않고 하나의 데이터 처리부로 이루어지는 것도 물론 가능하다. 또한, 상기 공정률 실적의 증가분 예측부(14)와 상기 공정률 예측부(15)가 각각 별도의 구성요소인 것으로 예를 들어 설명하였으나, 이에 한정되지 않고 하나의 연산부로 이루어지는 것도 물론 가능하다. In the above embodiment, the data collection unit 11 and the data pre-processing unit 12 have been described as being separate components, but are not limited thereto and may be formed of one data processing unit. In addition, although it has been described as an example that the process rate performance increment predictor 14 and the process rate predictor 15 are separate components, they are not limited thereto and may be composed of one calculation unit.

상기와 같이 구성된 인공지능을 기반으로 한 건설 현장 공정률 예측 방법을 설명하면 다음과 같다. The method for predicting the construction site progress rate based on the artificial intelligence configured as described above is as follows.

도 2는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 방법을 나타낸 순서도이다. 2 is a flowchart illustrating a construction site process rate prediction method based on artificial intelligence according to an embodiment of the present invention.

도 2를 참조하면, 먼저, 데이터 수집단계에서는 상기 데이터 수집부(11)가 다수의 건설 현장들에 대한 현장 정보, 공정 정보, 예산 정보 및 전국 날씨 정보를 포함하는 로우 데이터를 수집한다.(S1)Referring to FIG. 2 , first, in the data collection step, the data collection unit 11 collects raw data including field information, process information, budget information, and national weather information for a plurality of construction sites. (S1 )

상기 현장 정보, 상기 공정 정보 및 상기 예산 정보는, 상기 데이터베이스에 미리 저장된 현장 정보 데이터, 현장 마일스톤 보고 데이터, 공정 보고 데이터, 공사 진행상황 보고 데이터, 업체 정보 데이터, 공사 예산 금액 데이터, 사업관리 주요 현안 데이터로부터 수집할 수 있다. The site information, the process information, and the budget information include site information data previously stored in the database, site milestone report data, process report data, construction progress report data, company information data, construction budget amount data, and major issues of project management. can be gleaned from the data.

상기 전국 날씨 정보는, 기상청에서 제공하는 날씨 데이터로부터 수집할 수 있다. The nationwide weather information may be collected from weather data provided by the Korea Meteorological Administration.

다음으로 데이터 전처리단계에서는, 상기 데이터 전처리부(12)가 상기 데이터 수집단계(S1)에서 수집한 로우 데이터로부터 상기 건설 현장별로 기 설정된 설정 시점마다 공정률 관련 데이터와 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리한다.(S2)Next, in the data pre-processing step, from the raw data collected by the data pre-processing unit 12 in the data collection step (S1), the process rate-related data at each predetermined set time point for each construction site and the increase in the process rate performance at each set time point It is pre-processed with the data for. (S2)

상기 설정 시점은, 1개월 단위로 설정된 것으로 예를 들어 설명한다.The setting time point is described as being set in units of one month as an example.

상기 공정률 관련 데이터는, 공정률에 영향을 미치는 항목들로 미리 설정된다. 상기 공정률 관련 데이터는, 상기 건설 현장별로 상기 설정 시점마다 공정률 목표, 상기 설정 시점마다 공정률 실적, 상기 설정 시점마다 업체별 공정 지연정보, 기설정된 수집기간동안 날씨 정보, 전체 공사 기간동안 공사별 예산 비율, 상기 설정 시점마다 예산외 품의금액, 상기 설정 시점마다 공정률 실적의 증가분을 포함한다. The data related to the process rate is preset as items affecting the process rate. The process rate-related data includes a process rate target for each construction site at each set time point, a process rate performance at each set time point, process delay information for each company at each set time point, weather information during a preset collection period, budget ratio for each construction during the entire construction period, It includes the amount of out-of-budget items at each set point in time and the increase in process rate performance at each set point in time.

상기 공정률 관련 데이터 중에서 상기 공정률 목표는, 상기 건설 현장별로 설정 시점마다 공정률을 계획한 값을 의미한다. 여기서, 상기 공정률은 전체 공사 단계 중에서 공사물이 완성된 정도를 의미하며, 0 내지 100% 범위내에서 설정된다.Among the process rate-related data, the process rate target refers to a value of a planned process rate at each set time point for each construction site. Here, the process rate means the degree of completion of a construction object among all construction stages, and is set within a range of 0 to 100%.

상기 데이터 전처리단계(S2)에서 상기 공정률 목표는 상기 설정 시점으로부터 미리 설정된 설정 개월수 이전 시점까지의 데이터를 묶어서 그룹화하여, 각 설정 시점의 데이터로 처리하는 것으로 예를 들어 설명한다. 상기 설정 개월수는 5개월인 것으로 예를 들어 설명한다. 즉, 제1시점의 공정률 목표에 대한 데이터는, 상기 제1시점의 공정률 목표에 대한 값 뿐만 아니라, 상기 제1시점으로부터 1개월 전, 2개월 전, 3개월 전, 4개월 전, 5개월 전의 공정률 목표에 대한 값들을 모두 포함한다. 따라서, 인공지능 모델의 학습시 충분한 학습 데이터를 확보할 수 있을 뿐만 아니라 공정률 예측 성능을 확보할 수 있다.In the data preprocessing step (S2), the process rate target will be described as an example in which data from the set point in time to a point in time before a set number of months are grouped together and processed as data at each set point in time. As an example, the set number of months is 5 months. That is, the data on the process rate target at the first time point is not only the value for the process rate target at the first time point, but also the data of 1 month ago, 2 months ago, 3 months ago, 4 months ago, and 5 months ago from the first time point. Includes all values for the process rate target. Therefore, when learning an artificial intelligence model, not only can sufficient learning data be secured, but also process rate prediction performance can be secured.

상기 공정률 관련 데이터 중에서 상기 공정률 실적은, 상기 건설 현장별로 설정 시점마다 공정률 실적을 나타낸다. 상기 데이터베이스에 저장된 기존의 건설 현장들의 공정률 실적을 학습 변수로 사용함으로써, 미래의 공정률 실적을 예측할 수 있다. Among the process rate-related data, the progress rate performance indicates the progress rate performance at each set time point for each construction site. By using the progress rate performance of existing construction sites stored in the database as a learning variable, future progress rate performance can be predicted.

상기 데이터 전처리단계(S2)에서 상기 공정률 실적도 상기 설정 시점으로부터 미리 설정된 설정 개월수 이전 시점까지의 데이터를 묶어서 그룹화하여, 각 설정 시점의 데이터로 처리하는 것으로 예를 들어 설명한다. 상기 설정 개월수는 5개월인 것으로 예를 들어 설명한다. 즉, 제1시점의 공정률 실적에 대한 데이터는, 상기 제1시점의 공정률 실적에 대한 값 뿐만 아니라, 상기 제1시점으로부터 1개월 전, 2개월 전, 3개월 전, 4개월 전, 5개월 전의 공정률 실적에 대한 값들을 모두 포함한다. 따라서, 인공지능 모델의 학습시 충분한 학습 데이터를 확보할 수 있을 뿐만 아니라 공정률 예측 성능을 확보할 수 있다.In the data pre-processing step (S2), the process rate performance will also be described as an example in which data from the set point in time to a point in time before a set number of months are grouped together and processed as data at each set point in time. As an example, the set number of months is 5 months. That is, the data on the process rate performance at the first time point is not only the value for the process rate performance at the first time point, but also the data of 1 month ago, 2 months ago, 3 months ago, 4 months ago, and 5 months ago from the first time point. Includes all values for process rate performance. Therefore, when learning an artificial intelligence model, not only can sufficient learning data be secured, but also process rate prediction performance can be secured.

상기 공정률 관련 데이터 중에서 상기 업체별 공정 지연정보는, 상기 건설 현장별로 설정 시점마다 공사에 참여한 업체들에 대한 평가등급을 나타낸다. 상기 평가등급은, 상기 건설 현장에서 해당 업체가 참여한 기간 중 해당 업체의 공정 지연 개월 수의 비율을 지연 비율로 계산하고, 상기 지연 비율에 따라 분류된다. 예를 들어, 지연 비율이 0.3 이하인 업체는 좋음(good) 등급, 지연 비율이 0.3 내지 0.6인 업체는 보통(normal) 등급, 지연 비율이 0.6 초과인 업체는 나쁨(bad) 등급으로 분류할 수 있다. 다만, 상기 지연 비율에 따른 평가등급의 분류, 평가등급의 개수 등은 다양하게 변경하여 적용가능하다. 또한, 해당 업체가 공사에 참여한 적이 없는 신규 업체일 경우, 평가등급은 신규(new)로 설정할 수 있다.Among the process rate-related data, the process delay information for each company represents an evaluation grade for companies participating in the construction at each set time point for each construction site. The evaluation grade is calculated by calculating the ratio of the number of months delayed by the company during the period in which the company participated in the construction site as a delay rate, and classified according to the delay rate. For example, a company with a delay ratio of 0.3 or less may be classified as a good grade, a company with a delay ratio of 0.3 to 0.6 as a normal grade, and a company with a delay ratio exceeding 0.6 may be classified as a bad grade. . However, the classification of evaluation grades according to the delay ratio, the number of evaluation grades, etc. may be variously changed and applied. In addition, if the company is a new company that has never participated in the construction, the evaluation grade can be set as new.

상기 공정률 관련 데이터 중에서 상기 날씨 정보는, 상기 건설 현장이 위치한 지역에서 소정의 기간동안 평균 일강수량, 평균 일적설량, 평균 일최대 순간풍속, 평균 일최저기온, 평균 일최고기온, 일최저기온이 설정최저온도 이하인 날의 수, 일최고기온이 설정최고온도 이상인 날의 수, 일강수량이 설정강수량 이상인 날의 수, 일적설량이 설정적설량 이상인 날의 수, 일최대순간풍속이 설정풍속 이상인 날의 수를 포함한다. 상기 건설 현장에서는 날씨에 따라 공사가 중단되거나 작업 속도가 지연되는 등 날씨의 영향이 상당히 크기 때문에, 상기 날씨 정보를 공정률 관련 데이터로 사용하는 것이 바람직하다. Among the data related to the work rate, the weather information includes average daily precipitation, average daily snowfall, average daily maximum instantaneous wind speed, average daily minimum temperature, average daily maximum temperature, and daily minimum temperature for a predetermined period in the area where the construction site is located. The number of days when the daily maximum temperature is lower than the set maximum temperature, the number of days when the daily maximum temperature is greater than the set maximum temperature, the number of days when the daily precipitation is greater than the set amount, the number of days when the daily snowfall is greater than the set snowfall, and the number of days when the daily maximum instantaneous wind speed is greater than the set wind speed includes In the construction site, since the weather has a significant influence such as a construction stop or work speed being delayed depending on the weather, it is preferable to use the weather information as work rate related data.

상기 공정률 관련 데이터 중에서 공사별 예산 비율은, 상기 건설 현장의 전체 공사 예산 중에서 건축 공사, 단지외부공사, 설비공사, 전기공사, 조경공사, 철거공사, 토목공사들이 각각 차지하는 예산의 비율로 계산된다. 상기 건설 현장에서는 특정 공종 단계에 있는 경우 상대적으로 계획 대비 공사가 지연되는 경우가 많이 발생된다. 예를 들어, 토목 공사가 지연이 자주 발생되는 공종일 경우, 전체 예산에서 토목 공사의 예산 비율이 높을 경우, 전체 공기에서 토목공사 공기가 차지하는 비중이 높아지므로 공사가 지연될 가능성이 높아진다. 따라서, 공사별 예산 비율은 공정률을 예측하는 데 필요한 파라미터이다. Among the process rate-related data, the budget ratio for each construction is calculated as the ratio of the budget for each of building construction, complex exterior construction, facility construction, electrical construction, landscaping construction, demolition construction, and civil engineering work out of the total construction budget of the construction site. In the construction site, when there is a specific stage of construction, there are many cases in which the construction is relatively delayed compared to the plan. For example, if civil engineering is a type of work in which delays often occur, and if the budget ratio of civil engineering to the total budget is high, the proportion of civil engineering construction in the total construction period increases, so the possibility of construction delay increases. Therefore, the budget ratio for each construction is a necessary parameter for predicting the completion rate.

상기 공정률 관련 데이터 중에서 예산외 품의금액은, 상기 건설 현장에서 소정의 이슈가 발생되어 예산외에 추가적으로 증가한 금액을 의미한다. 상기 건설 현장에서 프로젝트에 차질이 생기거나 공기가 지연되는 등의 이슈가 발생시 예산외 품의가 발생되므로, 예산외 품의금액은 공정률을 예측하는 데 필요한 파라미터이다.Among the process rate-related data, the out-of-budget amount means an amount that has additionally increased beyond the budget due to a predetermined issue occurring at the construction site. Since an out-of-budget item occurs when an issue such as a project failure or a delay in construction occurs at the construction site, the amount of the item outside the budget is a parameter necessary for predicting the completion rate.

상기 공정률 실적의 증가분에 대한 데이터는, 상기 인공지능 모델의 학습시 출력 변수로 사용한다. The data on the increase in the process rate performance is used as an output variable when learning the artificial intelligence model.

상기 데이터 전처리단계(S2)에서 상기 공정률 실적의 증가분은, 현재 시점의 시점의 공정률 실적과 상기 현재 시점으로부터 설정 기간 이전 시점의 공정률 실적의 차이로 계산된다. 여기서, 설정 기간은 1개월인 것으로 예를 들어 설명한다. In the data pre-processing step (S2), the increase in the process rate performance is calculated as the difference between the process rate performance at the current point in time and the process rate performance at the time point before the set period from the current point in time. Here, the setting period is described as being 1 month as an example.

도 3은 본 발명의 실시예에 따른 데이터 전처리부에서 전처리하여 학습에 사용하기 위한 공정률 목표, 공정률 실적, 공정률 실적의 증가분에 대한 데이터를 나타낸 표이다. 3 is a table showing data on process rate target, process rate performance, and increase in process rate performance for use in learning after being preprocessed by a data preprocessing unit according to an embodiment of the present invention.

도 3을 참조하면, 상기 공정률 목표는 각 시점마다 목표로 하는 계획(xn)이고, 상기 공정률 실적은 각 시점마다의 실적(yn)이다. 상기 공정률 실적의 증가분(yn-yn-1)은, 상기 설정 시점의 공정률 실적(yn)과 이전 시점의 공정률 실적(yn-1)의 차이를 계산하여 전처리된 값이다. 상기 공정률 실적의 증가분(yn-yn-1)이 음수로 도출되는 경우, 데이터 오류이거나 이상치(outlier)라고 판단하여, 학습 데이터로 사용하지 않는다. Referring to FIG. 3 , the process rate target is a target plan (x n ) for each time point, and the process rate performance is a performance (y n ) for each time point. The increment of the process rate performance (y n -y n-1 ) is a value preprocessed by calculating the difference between the process rate performance at the set time point (y n ) and the process rate performance at the previous time point (y n-1 ). If the increase in the process rate performance (y n -y n-1 ) is derived as a negative number, it is judged to be a data error or an outlier and is not used as training data.

상기와 같이 학습을 위한 데이터가 전처리되고 나면, 상기 데이터 전처리단계(S2)에서 전처리된 상기 공정률 관련 데이터를 학습을 위한 입력 변수로 하고, 상기 공정률 실적의 증가분에 대한 데이터는 학습을 위한 출력 변수로 사용하여, 상기 인공지능 모델을 학습하는 학습단계를 수행한다.(S3)After the data for learning is preprocessed as described above, the process rate-related data preprocessed in the data preprocessing step (S2) is used as an input variable for learning, and the data for the increase in the process rate performance is used as an output variable for learning. (S3)

상기 학습단계(S3)에서는 상기 입력 변수에 따라 상기 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델이 학습되어 생성된다. 상기 인공지능 모델은, 건설 현장의 종류에 따라 각각의 모델이 생성될 수 있다. 또한, 상기 학습단계에서는 XGBOOST 알고리즘을 사용한 것으로 예를 들어 설명한다. In the learning step (S3), an artificial intelligence model capable of predicting an increase in the process rate performance according to the input variable is learned and generated. Each of the AI models may be generated according to the type of construction site. In addition, in the learning step, an example is described using the XGBOOST algorithm.

상기 인공지능 모델이 학습되면, 상기 인공지능 모델을 이용하여 공정률을 예측하여 관리하고자 하는 관리 대상 현장의 공정률 실적의 증가분을 도출하는 공정률 실적의 증가분 도출단계를 수행한다.(S4)When the artificial intelligence model is learned, a step of deriving an increase in process rate performance is performed to derive an increase in process rate performance of a site to be managed by predicting the process rate using the artificial intelligence model. (S4)

상기 공정률 실적의 증가분 도출단계(S4)에서는, 상기 관리 대상 현장의 관리자가 상기 관리 대상 현장의 정보와 상기 관리 대상 현장에 대한 공정률 관련 데이터를 상기 인공지능 모델에 입력하면, 상기 인공지능 모델에서 공정률 예측 시점으로부터 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값을 도출한다. 여기서, 상기 관리 대상 현장의 정보는 초기에 1회 입력되고, 상기 공정률 관련 데이터는 상기 공정률 예측 시점에 입력되는 것으로 예를 들어 설명한다.In the step of deriving the increment of the process rate performance (S4), when the manager of the site to be managed inputs information on the site to be managed and data related to the process rate for the site to be managed to the artificial intelligence model, the process rate in the artificial intelligence model The predicted value of the increase in process rate performance is derived at a preset period interval from the forecasting point. Here, it will be described as an example that the information on the site to be managed is initially input once, and the data related to the process rate is input at the time of predicting the process rate.

상기 공정률 예측 시점은, 상기 인공지능 모델에 상기 공정률 관련 데이터를 입력하는 현재 시점이다.The process rate prediction time point is the current time point at which the process rate related data is input to the artificial intelligence model.

상기 관리 대상 현장의 정보는, 상기 관리 대상 현장이 주택, 빌딩, 도로, 교량 중 어느 현장인지에 대한 정보, 상기 현장의 위치 정보 등을 포함한다.The information on the site to be managed includes information on which site is the site to be managed among houses, buildings, roads, and bridges, location information of the site, and the like.

상기 공정률 실적의 증가분 도출단계(S4)에서 상기 인공지능 모델에 입력되는 상기 공정률 관련 데이터는, 상기 공정률 예측 시점, 즉 현재 시점에서 공정률 목표, 공정률 실적, 업체별 공정 지연 정보, 공사별 예산 비율, 예산외 품의 금액 및 날씨 정보를 포함한다. 여기서, 상기 공정률 목표와 상기 공정률 실적은 상기 공정률 예측 시점으로부터 미리 설정된 설정 개월수 이전의 설정 개수의 시점들의 데이터들을 모두 입력할 수 있다. 상기 설정 개월수는 1개월이고, 설정 개수는 5개인 것으로 예를 들어 설명한다. 상기 날씨 정보는 상기 관리 대상 현장이 위치한 지역의 날씨 정보이며, 상기 공정률 예측 시점으로부터 미리 설정된 기간 동안 날씨의 평균값들을 사용할 수 있다. The process rate-related data input to the artificial intelligence model in the step of deriving the increment of the process rate performance (S4) is the process rate target, process rate performance, process delay information for each company, budget ratio for each construction, and budget at the time of forecasting the process rate, that is, at the present time. Include the amount of goods and weather information. Here, as the process rate target and the process rate performance, all data of a set number of time points prior to a preset number of months from the process rate prediction time point may be input. For example, the set number of months is 1 month and the set number is 5. The weather information is weather information of a region where the site to be managed is located, and average values of weather for a preset period from the time of predicting the process rate may be used.

상기 공정률 실적의 증가분 도출단계(S4)에서는 상기 공정률 예측 시점으로부터 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값이 도출된다.In the step of deriving the incremental performance of the process rate (S4), the predicted value of the incremental performance of the process rate is derived at a preset period interval from the time of predicting the process rate.

여기서, 상기 설정 기간은 1개월인 것으로 예를 들어 설명한다. 따라서, 상기 공정률 예측 시점으로부터 1개월 후, 2개월 후, 3개월 후의 공정률 실적의 증가분이 도출되는 것으로 예를 들어 설명한다.Here, the setting period is described as an example of one month. Therefore, it will be described as an example that the increase in the process rate performance after 1 month, 2 months, and 3 months from the time of predicting the process rate is derived.

상기 공정률 실적의 증가분의 예측값이 도출되면, 상기 공정률 예측부(15)는 상기 공정률 실적의 증가분에 현재 공정률을 합산하여, 상기 공정률 예측 시점으로부터 상기 설정 기간 간격으로 공정률 예측값을 계산하는 공정률 예측단계를 수행한다.(S5)When the predicted value of the increase in the process rate performance is derived, the process rate prediction unit 15 adds the current process rate to the increment in the process rate performance, and calculates the process rate predicted value at the set period interval from the process rate prediction time. Perform (S5)

상기 설정 기간은 1개월이므로, 상기 공정률 예측 시점으로부터 1개월 후, 2개월 후, 3개월 후의 공정률 예측값이 도출된다. 즉, 상기 공정률 예측값은, 1개월 단위로 공정률 실적의 증가분을 누적 합산하여 산출된다. Since the set period is 1 month, process rate prediction values are derived after 1 month, 2 months, and 3 months from the time of the process rate prediction. That is, the predicted process rate is calculated by cumulatively summing increments of process rate performance on a monthly basis.

따라서, 관리자는 현재 시점으로부터 상기 설정 시간 경과 후 공정률 예측값을 확인할 수 있으므로, 공정률 지연에 선제적으로 대응할 수 있다.Therefore, since the manager can check the process rate predicted value after the set time has elapsed from the current point in time, it can preemptively respond to the process rate delay.

도 4는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템의 화면에서 예측 결과를 나타낸 예이다. 4 is an example of a prediction result on a screen of a construction site process rate prediction system based on artificial intelligence according to an embodiment of the present invention.

도 4를 참조하면, 예측 공정률 상세 정보에 현재 공정률, 1개월 후 예측 공정률(+1M), 2개월 후 예측 공정률(+2M), 3개월 후 예측 공정률(+3M)이 표시된 것을 알 수 있다. Referring to FIG. 4 , it can be seen that the current process rate, the predicted process rate after 1 month (+1M), the predicted process rate after 2 months (+2M), and the predicted process rate after 3 months (+3M) are displayed in the predicted process rate detailed information.

도 5는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템의 화면에서 예측 결과를 그래프로 나타낸 예이다. 5 is an example of a graph showing prediction results on a screen of a construction site process rate prediction system based on artificial intelligence according to an embodiment of the present invention.

도 5를 참조하면, 계획 공정률, 예측 공정률, 계획 공정률과 예측 공정률의 차이를 그래프와 표로 확인할 수 있다. Referring to FIG. 5 , the planned process rate, the predicted process rate, and the difference between the planned process rate and the predicted process rate can be confirmed in a graph and a table.

하기 표 1은 상기 인공지능 모델의 성능을 평가한 결과를 나타낸 표이다. Table 1 below is a table showing the results of evaluating the performance of the artificial intelligence model.

Figure pat00001
Figure pat00001

표 1에서 M+1은 1개월 후, M+2는 2개월 후, M+3은 3개월 후를 의미하며, 평균 에러율은 평균절대오차(Mean Absolute Error)를 사용하여 계산하였으며, 정확도는 전체 예측수에 대한 지연 또는 비지연 예측 정답수의 비율로 계산하였다. In Table 1, M+1 means 1 month later, M+2 means 2 months later, and M+3 means 3 months later. The average error rate was calculated using the mean absolute error, and the accuracy was It was calculated as the ratio of the number of correct answers for delayed or non-delayed predictions to the number of predictions.

하기 수학식 1은 평균 에러율을 계산하는 식을 나타낸다. Equation 1 below represents an equation for calculating an average error rate.

Figure pat00002
Figure pat00002

한편, 본 발명에 따른 건설 현장 공정률 예측 시스템에서는, 상기 공정률 관련 데이터는 지속적으로 갱신되며, 상기 공정률 관련 데이터의 갱신에 따라 상기 인공지능 모델도 지속적으로 재학습된다. Meanwhile, in the construction site process rate prediction system according to the present invention, the process rate-related data is continuously updated, and the artificial intelligence model is continuously relearned according to the update of the process rate-related data.

또한, 상기 건설 현장 공정률 예측 시스템은, 상기 공정률 예측부(15)에서 도출된 공정률 예측값을 현장에 알람 메일 등 다양한 방식으로 제공할 수 있다. In addition, the construction site process rate prediction system may provide the process rate prediction value derived from the process rate predictor 15 to the site in various ways, such as an alarm mail.

또한, 상기 건설 현장 공정률 예측 시스템은, 상기 공정률 예측값에 따라 상기 현장에 체크 리스트를 배포하여, 상기 현장 또는 상기 업체에서 공정지연을 사전에 방지하고 관리할 수 있도록 활용가능하다.In addition, the construction site process rate prediction system can be used to prevent and manage process delays in advance at the site or the company by distributing a checklist to the site according to the predicted process rate.

상기와 같은 본 발명에 따른 건설 현장 공정률 예측 시스템은, 종래에 경험자의 경험에 의존하여 공정률을 예측하던 업무 형태에서 벗어나도록 할 수 있으며, 데이터와 인공지능 기반의 공정률을 예측하여 관리할 수 있으므로, 보다 신속하고 정확한 공정률 예측이 가능한 이점이 있다. 또한, 현황 보고 위주가 아니라, 현재 시점으로부터 설정 기간 경과 후 가까운 미래 시점의 공정률을 미리 예측할 수 있으므로, 선제적인 공정관리가 가능한 이점이 있다. The construction site process rate prediction system according to the present invention as described above can deviate from the type of work that previously predicted the process rate depending on the experience of an experienced person, and can predict and manage data and artificial intelligence-based process rates, It has the advantage of being able to predict faster and more accurate process rates. In addition, there is an advantage in that preemptive process management is possible because it is possible to predict the process rate of the near future after the set period has elapsed from the current point in time instead of focusing on the current status report.

또한, 본 발명에서는 상기 인공지능 모델로부터 공정률 예측값을 직접 도출하지 않고, 공정률 실적의 증가분을 도출한 후, 현재 공정률에 공정률 실적의 증가분을 합산하여 공정률 예측값을 계산하기 때문에, 공정률 예측 정확도가 보다 향상될 수 있다.In addition, in the present invention, the process rate prediction accuracy is further improved because the process rate prediction value is calculated by adding the process rate performance increase to the current process rate after deriving the process rate prediction value without directly deriving the process rate prediction value from the artificial intelligence model. It can be.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, this is only exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical scope of protection of the present invention should be determined by the technical spirit of the appended claims.

11: 데이터 수집부 12: 데이터 전처리부
13: 모델 학습부 14: 공정률 실적의 증가분 예측부
15: 공정률 예측부11: data collection unit 12: data pre-processing unit
13: model learning unit 14: increment prediction unit of process rate performance
15: process rate prediction unit

Claims (11)

주택, 빌딩, 도로, 교량 중 적어도 하나를 포함하는 건설 현장의 현장 정보, 공정 정보, 예산 정보 및 전국 날씨 정보를 포함하는 로우 데이터를 수집하는 데이터 수집단계와;
상기 데이터 수집단계에서 수집한 로우 데이터로부터 상기 건설 현장별로 기설정된 설정 시점마다 공정률 관련 데이터와 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리하는 데이터 전처리단계와;
상기 데이터 전처리단계에서 전처리된 상기 공정률 관련 데이터를 입력 변수로 하고, 상기 공정률 실적의 증가분을 출력변수로 하여, 상기 입력 변수에 따라 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델을 학습하는 학습단계와;
공정률을 관리하고자 하는 관리 대상 현장에서 공정률을 예측하고자 하는 공정률 예측 시점에 상기 인공지능 모델에 상기 관리 대상 현장에 대한 공정률 관련 데이터가 입력되면, 상기 인공지능 모델이 상기 공정률 예측 시점에서 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값을 도출하는 공정률 실적의 증가분 도출단계와;
상기 공정률 실적의 증가분 도출단계에서 도출된 상기 공정률 실적의 증가분의 예측값에 상기 공정률 예측 시점의 현재 공정률을 합하여, 상기 설정 기간 간격으로 공정률 예측값을 계산하는 공정률 예측단계를 포함하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.A data collection step of collecting raw data including site information, process information, budget information, and national weather information of a construction site including at least one of houses, buildings, roads, and bridges;
a data pre-processing step of pre-processing the raw data collected in the data collection step into data related to a process rate at each preset time point for each construction site and data about an increase in a process rate performance at each set time point;
A learning step of learning an artificial intelligence model capable of predicting an increase in process rate performance according to the input variable using the process rate-related data preprocessed in the data preprocessing step as an input variable and an increase in the process rate performance as an output variable; ;
When process rate related data for the management target site is input to the artificial intelligence model at the time of process rate prediction to predict the process rate at the target site to be managed, the artificial intelligence model sets a preset period at the time of predicting the process rate. An increase in process rate performance derivation step of deriving a predicted value of an increase in process rate performance at intervals;
A process rate prediction step of calculating a process rate prediction value at the set period interval by adding the current process rate at the time of the process rate prediction to the predicted value of the increase in the process rate performance derived from the step of deriving the increment of the process rate performance Based on artificial intelligence including a process rate prediction step Construction site completion rate prediction method. 청구항 1에 있어서,
상기 공정률 관련 데이터는,
공정률 목표, 공정률 실적, 업체별 공정 지연정보, 기설정된 기간동안 날씨 정보, 전체 공사 기간동안 공사별 예산 비율 및 예산외 품의금액 중 적어도 일부를 포함하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.The method of claim 1,
The data related to the process rate,
Construction site completion rate prediction method based on artificial intelligence, including at least some of the progress rate target, progress rate performance, process delay information for each company, weather information for a predetermined period, budget ratio for each construction period, and amount of out-of-budget items during the entire construction period. 청구항 2에 있어서,
상기 데이터 전처리단계에서는,
상기 공정률 목표와 상기 공정률 실적은 각 설정 시점으로부터 미리 설정된 설정 개월수 이전 시점까지의 데이터를 묶어서 그룹화하여, 각 설정 시점의 데이터로 전처리하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.The method of claim 2,
In the data preprocessing step,
The process rate target and the process rate performance are artificial intelligence-based construction site completion rate prediction methods that group data from each set point to a point before a preset number of months before pre-processing with data at each set point. 청구항 2에 있어서,
상기 업체별 공정 지연정보는,
상기 건설 현장에서 상기 업체가 참여한 기간 중 상기 업체의 공정 지연 개월 수의 비율을 계산하고, 상기 비율에 따라 분류된 복수의 평가 등급을 포함하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.The method of claim 2,
The process delay information for each company is
A construction site completion rate prediction method based on artificial intelligence that calculates the ratio of the number of delayed months of the company during the period in which the company participated in the construction site and includes a plurality of evaluation grades classified according to the ratio. 청구항 2에 있어서,
상기 날씨 정보는, 상기 건설 현장이 위치한 지역에서 소정의 기간동안 평균 일강수량, 평균 일적설량, 평균 일최대 순간풍속, 평균 일최저기온, 평균 일최고기온, 일최저기온이 설정최저온도 이하인 날의 수, 일최고기온이 설정최고온도 이상인 날의 수, 일강수량이 설정강수량 이상인 날의 수, 일적설량이 설정적설량 이상인 날의 수, 일최대순간풍속이 설정풍속 이상인 날의 수 중 적어도 일부를 포함하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.The method of claim 2,
The weather information includes average daily precipitation, average daily snowfall, average daily maximum instantaneous wind speed, average daily minimum temperature, average daily maximum temperature, and daily minimum temperature during a predetermined period in the area where the construction site is located. The number of days when the daily maximum temperature is higher than the set maximum temperature, the number of days when the daily precipitation is higher than the set precipitation, the number of days when the daily snowfall is higher than the set snowfall, and the number of days when the daily maximum instantaneous wind speed is higher than the set wind speed are included. A method for predicting construction site completion rates based on artificial intelligence. 청구항 2에 있어서,
상기 공사별 예산 비율은,
상기 건설 현장의 전체 공사 예산 중에서 건축 공사, 단지외부공사, 설비공사, 전기공사, 조경공사, 철거공사, 토목공사들이 각각 차지하는 예산의 비율로 계산되는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.The method of claim 2,
The budget ratio for each project is,
Construction site completion rate prediction method based on artificial intelligence calculated as a percentage of the budget of each of the construction work, the exterior work of the complex, the facility work, the electrical work, the landscaping work, the demolition work, and the civil work out of the total construction budget of the construction site. 청구항 1에 있어서,
상기 데이터 전처리단계에서는,
상기 공정률 실적의 증가분은 현재 시점의 공정률 실적과 상기 현재 시점으로부터 상기 설정 기간 이전 시점의 공정률 실적의 차이로 계산하여 전처리하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.The method of claim 1,
In the data preprocessing step,
The increase in the progress rate is calculated as the difference between the progress rate performance at the current time and the progress rate performance at the time before the set period from the current time, and the construction site progress prediction method based on artificial intelligence that is preprocessed. 청구항 1에 있어서,
상기 공정률 실적의 증가분 도출단계에서는,
상기 설정 기간은 1개월 단위로 복수개로 설정되어, 상기 공정률 예측시점으로부터 1개월 단위로 공정률 실적의 증가분을 출력하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법. The method of claim 1,
In the step of deriving the increment of the process rate performance,
The construction site process rate prediction method based on artificial intelligence for setting a plurality of set periods in units of one month and outputting an increase in the progress rate performance in units of one month from the time of predicting the progress rate. 청구항 8에 있어서,
상기 공정률 예측단계에서는,
상기 공정률에 상기 1개월 단위로 상기 공정률 실적의 증가분을 누적 합산하여, 상기 1개월 단위로 상기 공정률 예측값을 계산하여 출력하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.The method of claim 8,
In the process rate prediction step,
A method for predicting a construction site progress rate based on artificial intelligence for calculating and outputting the predicted progress rate value on a monthly basis by cumulatively summing the increase in the progress rate performance on a monthly basis to the progress rate. 주택, 빌딩, 도로, 교량 중 적어도 하나를 포함하는 건설 현장의 현장 정보 데이터, 마일스톤 보고 데이터, 공정보고 데이터, 공사 진행상황 보고 데이터, 업체 정보 데이터, 공사 예산 금액 데이터, 전국 날씨 데이터를 포함하는 로우 데이터를 수집하는 데이터 수집단계와;
상기 데이터 수집단계에서 수집한 로우 데이터로부터 상기 건설 현장별로 기설정된 설정 시점마다 공정률 목표, 공정률 실적, 업체별 공정 지연정보, 기설정된 기간동안 날씨 정보, 전체 공사 기간동안 공사별 예산 비율, 예산외 품의금액을 포함하는 공정률 관련 데이터와, 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리하는 데이터 전처리단계와;
상기 데이터 전처리단계에서 전처리된 상기 공정률 관련 데이터를 입력 변수로 하고, 상기 공정률 실적의 증가분을 출력변수로 하여, 상기 입력 변수에 따라 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델을 학습하는 학습단계와;
공정률을 관리하고자 하는 관리 대상 현장에서 공정률을 예측하고자 하는 공정률 예측 시점에 상기 인공지능 모델에 상기 관리 대상 현장에 대한 공정률 관련 데이터가 입력되면, 상기 인공지능 모델이 상기 공정률 예측 시점에서 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값을 도출하는 공정률 실적의 증가분 도출단계와;
상기 공정률 실적의 증가분 도출단계에서 도출된 상기 공정률 실적의 증가분의 예측값에 상기 공정률 예측 시점의 현재 공정률을 합하여, 상기 설정 기간 간격으로 공정률 예측값을 계산하는 공정률 예측단계를 포함하고,
상기 데이터 전처리단계에서는,
상기 업체별 공정 지연정보는, 상기 건설 현장에서 상기 업체가 참여한 기간 중 상기 업체의 공정 지연 개월 수의 비율을 계산하고, 상기 비율에 따라 미리 설정된 복수의 평가 등급으로 분류하여 전처리하고,
상기 공정률 실적의 증가분 도출단계에서는,
상기 설정 기간은 1개월 단위로 복수개로 설정되어, 상기 공정률 예측시점으로부터 1개월 단위로 공정률 실적의 증가분을 출력하고,
상기 공정률 예측단계에서는,
상기 공정률에 상기 1개월 단위로 상기 공정률 실적의 증가분을 누적 합산하여, 상기 1개월 단위로 상기 공정률 예측값을 계산하여 출력하는 인공지능을 기반으로 한 건설 현장 공정률 예측 방법.Rows including site information data, milestone reporting data, process reporting data, construction progress reporting data, business information data, construction budget amount data, national weather data of construction sites including at least one of houses, buildings, roads, and bridges a data collection step of collecting data;
From the raw data collected in the data collection step, the process rate target, process rate performance, process delay information for each company, weather information during the preset period, budget ratio for each construction period, and out-of-budget product amount at each preset time point for each construction site A data pre-processing step of pre-processing process rate-related data including and data on an increase in process rate performance at each set point in time;
A learning step of learning an artificial intelligence model capable of predicting an increase in process rate performance according to the input variable using the process rate-related data preprocessed in the data preprocessing step as an input variable and an increase in the process rate performance as an output variable; ;
When process rate related data for the management target site is input to the artificial intelligence model at the time of process rate prediction to predict the process rate at the target site to be managed, the artificial intelligence model sets a preset period at the time of predicting the process rate. An increase in process rate performance derivation step of deriving a predicted value of an increase in process rate performance at intervals;
A process rate prediction step of calculating a process rate prediction value at the set period interval by adding the current process rate at the time of the process rate prediction to the predicted value of the increase in the process rate performance derived in the process rate performance increment derivation step,
In the data preprocessing step,
The process delay information for each company is preprocessed by calculating the ratio of the number of months of process delay of the company during the period in which the company participated in the construction site, classifying into a plurality of evaluation grades set in advance according to the ratio,
In the step of deriving the increment of the process rate performance,
The set period is set to a plurality in units of one month, and outputs an increase in the performance of the process rate in units of one month from the time of predicting the process rate,
In the process rate prediction step,
A method for predicting a construction site progress rate based on artificial intelligence for calculating and outputting the predicted progress rate value on a monthly basis by cumulatively summing the increase in the progress rate performance on a monthly basis to the progress rate. 주택, 빌딩, 도로, 교량 중 적어도 하나를 포함하는 건설 현장의 현장 정보 데이터, 마일스톤 보고 데이터, 공정보고 데이터, 공사 진행상황 보고 데이터, 업체 정보 데이터, 공사 예산 금액 데이터, 전국 날씨 데이터 중 적어도 일부를 포함하는 로우 데이터를 수집하는 데이터 수집부와;
상기 데이터 수집부가 수집한 로우 데이터로부터 상기 건설 현장별로 기설정된 설정 시점마다 공정률 관련 데이터와 상기 설정 시점마다 공정률 실적의 증가분에 대한 데이터로 전처리하는 데이터 전처리부와;
상기 공정률 관련 데이터를 입력 변수로 하고, 상기 공정률 실적의 증가분을 출력변수로 하여, 상기 입력 변수에 따라 공정률 실적의 증가분을 예측할 수 있는 인공지능 모델을 학습하는 모델 학습부와;
공정률을 관리하고자 하는 관리 대상 현장에서 공정률을 예측하고자 하는 공정률 예측 시점에 상기 인공지능 모델에 상기 관리 대상 현장에 대한 공정률 관련 데이터가 입력되면, 상기 인공지능 모델이 상기 공정률 예측 시점에서 미리 설정된 설정 기간 간격으로 공정률 실적의 증가분의 예측값을 도출하는 공정률 실적의 증가분 예측부와;
상기 공정률 실적의 증가분의 예측값에 상기 공정률 예측 시점의 현재 공정률을 합하여, 상기 설정 기간 간격으로 공정률 예측값을 계산하는 공정률 예측부를 포함하는 인공지능을 기반으로 한 건설 현장 공정률 예측 시스템.At least some of site information data, milestone report data, process report data, construction progress report data, company information data, construction budget amount data, and national weather data of construction sites including at least one of houses, buildings, roads, and bridges a data collection unit that collects raw data including;
a data pre-processing unit for pre-processing the raw data collected by the data collection unit into process rate-related data at each predetermined set time point for each construction site and data on an increase in process rate performance at each set time point;
a model learning unit that learns an artificial intelligence model capable of predicting an increase in process rate performance according to the input variable by using the process rate-related data as an input variable and an increase in the process rate performance as an output variable;
When process rate related data for the management target site is input to the artificial intelligence model at the time of process rate prediction to predict the process rate at the target site to be managed, the artificial intelligence model sets a preset period at the time of predicting the process rate. an increase in process rate performance prediction unit for deriving a predicted value of an increase in process rate performance at intervals;
Construction site progress prediction system based on artificial intelligence including a process rate prediction unit that calculates a process rate prediction value at the set period interval by adding the current process rate at the time of the process rate prediction to the predicted value of the increase in the process rate performance. System.
KR1020210180520A 2021-12-16 2021-12-16 Construction site process rate predicting method and system based on artificial intelligence KR20230091419A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210180520A KR20230091419A (en) 2021-12-16 2021-12-16 Construction site process rate predicting method and system based on artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210180520A KR20230091419A (en) 2021-12-16 2021-12-16 Construction site process rate predicting method and system based on artificial intelligence

Publications (1)

Publication Number Publication Date
KR20230091419A true KR20230091419A (en) 2023-06-23

Family

ID=86993689

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210180520A KR20230091419A (en) 2021-12-16 2021-12-16 Construction site process rate predicting method and system based on artificial intelligence

Country Status (1)

Country Link
KR (1) KR20230091419A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102273691B1 (en) 2019-03-15 2021-07-06 주식회사 에슬론통신 Construction site process management system using drone and construction site process management method using the same

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102273691B1 (en) 2019-03-15 2021-07-06 주식회사 에슬론통신 Construction site process management system using drone and construction site process management method using the same

Similar Documents

Publication Publication Date Title
CN112285807B (en) Meteorological information prediction method and device
KR102483187B1 (en) Method for managing construction process based on weather prediction
CN115865992B (en) Intelligent water conservancy online monitoring system
CN114971356A (en) Electric power engineering project progress prediction system and method
Du et al. Cost performance as a stochastic process: EAC projection by Markov Chain simulation
CN117172556A (en) Construction risk early warning method and system for bridge engineering
San Cristóbal et al. A residual grey prediction model for predicting s-curves in projects
Wilkinson et al. Consequence forecasting: A rational framework for predicting the consequences of approaching storms
Markiz et al. Integrating fuzzy-logic decision support with a bridge information management system (BrIMS) at the conceptual stage of bridge design.
US20150369878A1 (en) System and method to reduce human activity damage-induced power outage
JP6628700B2 (en) Weather information forecasting device and power demand forecasting device
KR20230091419A (en) Construction site process rate predicting method and system based on artificial intelligence
Mohammed et al. Predicting performance measurement of residential buildings using machine intelligence techniques (MLR, ANN and SVM)
CN111598328A (en) Power load prediction method considering epidemic situation events
Balta et al. Buffer sizing model incorporating fuzzy risk assessment: case study on concrete gravity dam and hydroelectric power plant projects
JP2021012439A (en) Weather numerical analysis system, prediction object data generation system, and weather numerical analysis method
Shim et al. Developing a probable cost analysis model for comparing bridge deck rehabilitation methods
WO2022162798A1 (en) Power demand prediction device, power demand prediction method, and program
CN114049103A (en) Power grid infrastructure project management and control method, system, equipment and medium
Han et al. Dynamic project management: An application of system dynamics in construction engineering and management
Jiménez-Redondo et al. Improving linear transport infrastructure efficiency by automated learning and optimised predictive maintenance techniques (INFRALERT)
CN117708626B (en) Water conservancy and hydropower construction engineering monitoring management method and system based on twin factory
Mansoor et al. Echo State Network Performance in Electrical and Industrial Applications
WO2021215014A1 (en) Learning device, prediction device, learning method, prediction method, learning program, and prediction program
Li et al. A Three-Stage Relief Network Design Approach for Predictable Disasters Considering Time-Dependent Uncertainty