💻 computer science

Predictive Intelligence for Civil Works Valuation: A Hybrid Random Forest–ANN Model with 91.20% Accuracy for Dynamic Cost Management in Peru

Diese Studie schlägt ein hybrides Random-Forest–ANN-Modell vor, das auf 450 peruanischen Bauprojekten trainiert wurde, eine Genauigkeit von 91,20 % bei der dynamischen Kostenbewertung erreicht, Vorhersagefehler und geografische Verzerrungen signifikant reduziert und einen praktikablen Weg für die Integration in die Rahmenbedingungen des öffentlichen Infrastrukturmanagements in Peru bietet.

Ursprüngliche Autoren: PAUL RICARDO PRUDENCIO GALVEZ

Veröffentlicht 2026-06-30

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: PAUL RICARDO PRUDENCIO GALVEZ

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, den endgültigen Preisschild-Wert für den Bau eines Hauses in Peru zu erraten. In der Vergangenheit haben die Menschen dies gemacht, indem sie eine statische Preisliste betrachteten (wie eine Speisekarte vom letzten Jahr) und diese zusammenrechneten. Aber in Peru ändert sich die „Speisekarte“ ständig, wegen drei tückischen Dingen: dem Wetter und dem Gelände (Küste vs. Berge vs. Dschungel), der Höhe (wie hoch oben man sich befindet) und dem Erdbebenrisiko.

Aufgrund dieser wechselnden Faktoren waren die traditionellen Schätzmethoden oft um etwa 142.800 $ pro Projekt falsch. Das ist eine enorme Finanzlücke.

Dieses Paper stellt eine neue, intelligentere Methode zur Kostenprognose vor, die ein „digitales Gehirn“ nutzt, das aus der Vergangenheit lernt. Hier ist die Aufschlüsselung in einfachen Worten:

1. Das Problem: Die „Einheitskarte“ funktioniert nicht

Stellen Sie sich vor, Sie versuchen, Peru mit einer einzigen Karte zu navigieren, die den Strand, die hohen Anden und den Amazonas-Dschungel exakt gleich behandelt. Das würde nicht funktionieren. Ein Lkw, der einen Berg hinauffährt, verbraucht mehr Treibstoff als einer an der Küste; ein Gebäude in einer Erdbebenzone benötigt stärkere (und teurere) Materialien.

Die alten Computermodelle, die im Bauwesen verwendet wurden, verstanden diese Unterschiede nicht. Sie behandelten das ganze Land wie einen flachen, einheitlichen Ort, was zu teuren Fehlern führte.

2. Die Lösung: Ein „Doppel-Gehirn-System“

Der Autor entwickelte ein neues Computermodell, das wie ein Zwei-Personen-Expertenteam arbeitet, das zusammenarbeitet:

Gehirn A (Random Forest): Dieser Teil ist großartig darin, viele verschiedene Regeln und Muster gleichzeitig zu betrachten. Es ist wie ein erfahrener Ingenieur, der Tausende von Projekten gesehen hat und die „Faustregeln“ kennt.
Gehirn B (Künstliches Neuronales Netz): Dieser Teil ist wie ein Mustererkennungs-Zauberer. Er betrachtet komplexe, unordentliche Daten und findet verborgene Verbindungen, die Menschen vielleicht übersehen würden.

Durch die Kombination dieser beiden Gehirne erhält das Modell das Beste aus beiden Welten. Es wurde mit 450 echten Bauprojekten in Peru aus den Jahren 2018 bis 2025 trainiert.

3. Die Geheimzutat: Die „Peruanischen Anpassungsfaktoren“

Das Modell schaut nicht nur auf den Preis von Ziegeln und Zement. Es fügt jeder Berechnung einen speziellen „peruanischen Filter“ hinzu. Es stellt drei spezifische Fragen, bevor es einen Preis angibt:

Wo ist es? (Küste, Sierra oder Dschungel?)
Wie hoch ist es? (Liegt es über 3.500 Metern, wo die Logistik schwieriger ist?)
Wie wackelig ist es? (Wie hoch ist das Erdbebenrisiko gemäß den peruanischen Bauvorschriften?)

Dies ist wie ein GPS, das nicht nur die Entfernung angibt, sondern auch berechnet, wie viel zusätzliches Benzin man aufgrund der steilen Hügel und Staus benötigt.

4. Die Ergebnisse: Eine viel schärfere Kristallkugel

Die Ergebnisse waren beeindruckend:

Genauigkeit: Das neue Modell sagte die Kosten mit einer Genauigkeit von 91,20 % voraus.
Geldersparnis: Anstatt um 142.800 $ danebenzuliegen (der alte Weg), liegt das neue Modell nur um etwa 91.350 $ daneben. Das ist eine Ersparnis von etwa 51.450 $ pro Projekt.
Bias reduziert: Es reduzierte den „geografischen Bias“ (den Fehler, der durch das Ignorieren von Standortunterschieden entsteht) um 34 %.

5. Warum das für Peru wichtig ist

Das Paper argumentet, dass dies nicht nur ein mathematischer Trick ist, sondern ein praktisches Werkzeug für die Regierung und private Unternehmen.

Reale Daten: Es nutzt echte öffentliche Datensätze aus Perus Vergabesystem (SEACE).
Zukunftssicher: Es passt in Perus bestehende digitale Systeme (wie PlanBIM) und folgt den spezifischen Gesetzen des Landes zur Anpassung von Baupreisen.
Weniger Drama: Durch die genauere Vorhersage der Kosten wird es weniger Streitigkeiten und Neuverhandlungen geben, wenn ein Projekt das Budget überschreitet.

Kurz gesagt: Der Autor hat ein intelligentes Computertool gebaut, das die einzigartige, raue und erdbebengefährdete Realität Perus versteht. Durch die Kombination zweier Arten von KI und das Hinzufügen spezifischer lokaler Regeln sagt es Baukosten viel genauer voraus als die alten Methoden, spart dem Land erhebliches Geld und reduziert das finanzielle Risiko.

Technisches Resümee: Prädiktive Intelligenz zur Bewertung von Tiefbauleistungen in Peru

Problemstellung
Bauprojekte im Bereich des Bauingenieurwesens in Peru stehen vor erheblichen Herausforderungen bei der dynamischen Kostenbewertung aufgrund der Volatilität der Inputpreise, der regulatorischen Komplexität unter dem Gesetz über das staatliche Beschaffungswesen (Gesetz Nr. 30225) und der inhärenten Subjektivität traditioneller parametrischer Schätzungen. Während globale Modelle des maschinellen Lernens (ML) existieren, versäumen sie es, die spezifischen normativen, geografischen und logistischen Realitäten des peruanischen Marktes zu adressieren. Diese Realitäten umfassen die extreme geografische Dispersion (Küste, Sierra, Dschungel), ausgeprägte seismische Zonen gemäß NTE E.030, Höhenvariationen und eine Anpassungsstruktur basierend auf INEI-Polynomialformeln. Infolgedessen liefern traditionelle Methoden durchschnittliche Vorhersagefehler von über ±USD 142.800 für mittlere Projekte, wobei Infrastrukturprojekte Kostenüberschreitungen von über 58 % und Verzögerungen von etwa 65 % erfahren. Bestehende Ansätze, die häufig auf univariaten LSTM- oder linearen Regressionen beruhen, können nicht gleichzeitig die relationalen und temporalen Abhängigkeiten erfassen, die zur Modellierung der Kaskadeneffekte von Abweichungen innerhalb einer Projektstruktur (Work Breakdown Structure, WBS) erforderlich sind.

Methodik
Die Studie schlägt ein hybrides ML-Modell vor, das Random Forest (RF) und Künstliche Neuronale Netze (ANN) integriert, um diese Lücken zu schließen. Die Methodik basiert auf einer dynamischen Kostenformulierung ( $C_d$ ), die über eine statische algebraische Summation hinausgeht:

Datenquelle: Das Modell wurde mit 450 Bauprojekten trainiert, die zwischen 2018 und 2025 in Peru durchgeführt wurden und aus SEACE, dem Wirtschafts- und Finanzministerium (MEF) sowie regionalen Datensätzen öffentlicher Stellen stammen. Die Eingabevariablen umfassten die bebaute Fläche, den Strukturtyp, den geografischen Standort, die logistische Komplexität, die seismische Zone, die Höhe, die lokale Materialpreisgeschichte und regionale Verbraucherpreisindex-Serien (CPI).
Dynamische Kostenformel: Die Kernformel ist definiert als $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ $C_{d} (t) = Σ [Q_{i} (t) \times P_{ba se, i} \times I_{r e g i o na l} (t)] + ϵ_{M L}$ .
- $Q_i(t)$ : Physische Mengen, extrahiert aus 5D-BIM-Modellen.
- $P_{base,i}$ : Homologierte Basis-Einheitspreise von CAPECO und MEF.
- $I_{regional}(t)$ : Ein räumlich-temporaler regionaler Index, berechnet als $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ . Dieser Index bezieht einzigartig geografische Faktoren (Küste/Sierra/Dschungel), Höhenkorrekturen (> 3.500 m ü. NN) und seismische Zonenanpassungen (NTE E.030) ein.
- $\epsilon_{ML}$ : Ein prädiktiver Korrekturfaktor, der durch das hybride Modell generiert wird, um Residuenfehler zu erfassen, die durch offizielle Indizes nicht erklärt werden.
Hybride Architektur: Das Modell nutzt eine gewichtete hybride Verlustfunktion ( $L_{hybrid} = \alpha \cdot MSERF + (1-\alpha) \cdot MAEANN + \lambda||\theta||^2$ ) mit $\alpha=0,6$ , um die Varianzkontrolle (RF) und die Bias-Reduktion (ANN) auszubalancieren. Eine L2-Regularisierung ( $\lambda$ ) verhindert Overfitting angesichts der begrenzten Datensatzgröße ( $n < 600$ ).
Validierung: Die statistische Stabilität wurde mittels 10-facher Kreuzvalidierung ( $k=10$ ) bestätigt, was eine Standardabweichung von $\sigma = \pm 2,1 \%$ ergab.

Zentrale Beiträge
Die Arbeit identifiziert drei primäre Beiträge:

Algorithmische Entwicklung: Die Erstellung und Validierung eines hybriden RF+ANN-Algorithmus, der speziell auf peruanischen Daten trainiert wurde und eine Genauigkeit von 91,20 % erreichte.
Mathematische Formalisierung: Die Formulierung mathematisch verifizierbarer dynamischer Kostenformeln, einschließlich des räumlich-temporalen regionalen Index ( $\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$ ) und der Integration von Earned Value Management (EVM)-Indikatoren (CPI, EAC) als Feedback-Variablen.
Implementierungsrahmen: Ein vorgeschlagener Weg zur Integration dieses Modells in das PlanBIM-Peru-Ökosystem, SEACE und den multijährigen makroökonomischen Rahmen des MEF zur Unterstützung von EPC-Verträgen und öffentlich-privaten Partnerschaften (PPP).

Ergebnisse
Das hybride Modell erreichte eine Genauigkeit von 91,20 % auf dem Testdatensatz (90 Projekte), mit einem $R^2$ von 0,9819 und einem RMSE von 0,1358.

Fehlerreduktion: Der durchschnittliche Vorhersagefehler wurde von ±USD 142.800 (traditionelle Methoden) auf ±USD 91.350 (ML-Modell) reduziert, was einer Reduktion des finanziellen Schätzrisikos um 35,9 % und einer absoluten Verbesserung von USD 51.450 pro Projekt entspricht.
Bias-Minimierung: Die Integration des räumlich-temporalen regionalen Index reduzierte den geografischen Bias im Vergleich zu Modellen, die einen einzelnen nationalen Index verwenden, um 34 % (statistisch signifikant, $p < 0,001$ ).
Leistungskontext: Das Modell übertraf die traditionelle parametrische Schätzung um 18,8 Prozentpunkte und zeigte eine überlegene Leistung in Hochinflationsphasen (2022–2023) sowie bei Projekten in den Hochlandregionen (Sierra).

Bedeutung und Ansprüche
Die Arbeit behauptet, dass diese Studie einen neuen Standard für das Finanzmanagement der peruanischen Infrastruktur setzt, indem sie die Lücke zwischen globalen ML-Fähigkeiten und lokalen regulatorischen/geografischen Spezifika schließt. Die Genauigkeit von 91,20 % wird nicht bloß als statistische Kennzahl präsentiert, sondern als greifbare Minderung finanzieller Risiken in EPC- und PPP-Verträgen, in denen Kostenüberschreitungen oft aus unzureichender Prognose regionaler Anpassungen resultieren.

Die Autoren betonen, dass das Modell innerhalb des aktuellen peruanischen Rahmens operativ lebensfähig ist, indem es die vorhandene Transparenz öffentlicher Daten (SEACE) und Regierungsinitiativen (PlanBIM, Invierte.pe) nutzt. Dennoch räumt die Arbeit bescheiden Einschränkungen ein, darunter die Heterogenität historischer Datenformate aus regionalen Einheiten, das Fehlen eines nationalen georeferenzierten Einheitspreis-Repositorys und die Notwendigkeit halbjährlicher Modellaktualisierungen, um regulatorischen Änderungen in den nationalen Bauvorschriften Rechnung zu tragen. Zukünftige Forschung konzentriert sich auf die Datenstandardisierung und die Erweiterung des Modells auf die Terminplanung (Earned Schedule).