💻 computer science

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

Cette étude propose un modèle hybride Forêt Aléatoire–ANN entraîné sur 450 projets de construction péruviens qui atteint une précision de 91,20 % dans l'évaluation dynamique des coûts, réduisant considérablement les erreurs de prédiction et le biais géographique tout en offrant une voie viable pour l'intégration dans les cadres de gestion des infrastructures publiques du Pérou.

Auteurs originaux : PAUL RICARDO PRUDENCIO GALVEZ

Publié 2026-06-30

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : PAUL RICARDO PRUDENCIO GALVEZ

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de deviner le prix final de construction d'une maison au Pérou. Par le passé, les gens faisaient cela en consultant une liste de prix statique (comme un menu de l'année dernière) et en faisant l'addition. Mais au Pérou, le « menu » change constamment à cause de trois facteurs complexes : la météo et le terrain (côte, montagne ou jungle), l'altitude (à quelle hauteur vous vous trouvez) et le risque de séismes.

À cause de ces facteurs changeants, les anciennes méthodes de calcul étaient souvent erronées d'environ 142 800 $ par projet. C'est un écart financier énorme.

Cet article présente une nouvelle méthode plus intelligente pour prédire les coûts en utilisant un « cerveau numérique » qui apprend du passé. Voici la décomposition en termes simples :

1. Le problème : La carte « taille unique » ne fonctionne pas

Imaginez essayer de naviguer au Pérou en utilisant une seule carte qui traite la plage, les hautes montagnes des Andes et la jungle amazonienne exactement de la même manière. Cela ne fonctionnerait pas. Un camion montant une montagne consomme plus de carburant qu'un camion sur la côte ; un bâtiment dans une zone sismique nécessite des matériaux plus solides (et donc plus coûteux).

Les anciens modèles informatiques utilisés dans la construction ne comprenaient pas ces différences. Ils traitaient tout le pays comme un lieu plat et uniforme, ce qui entraînait des erreurs coûteuses.

2. La solution : Un système à « double cerveau »

L'auteur a créé un nouveau modèle informatique qui agit comme une équipe d'experts composée de deux personnes travaillant ensemble :

Le Cerveau A (Forêt Aléatoire / Random Forest) : Cette partie est excellente pour examiner de nombreuses règles et des modèles différents à la fois. C'est comme un ingénieur chevronné qui a vu des milliers de projets et qui connaît les « règles d'or ».
Le Cerveau B (Réseau de Neurones Artificiels) : Cette partie est comme un magicien de la reconnaissance de formes. Elle examine des données complexes et désordonnées pour trouver des connexions cachées que les humains pourraient manquer.

En combinant ces deux cerveaux, le modèle tire le meilleur des deux mondes. Il a été entraîné sur 450 projets de construction réels au Pérou entre 2018 et 2025.

3. La recette secrète : Les « facteurs d'ajustement péruviens »

Le modèle ne se contente pas de regarder le prix des briques et du ciment. Il ajoute un « filtre péruvien » spécial à chaque calcul. Il pose trois questions spécifiques avant de donner un prix :

Où est-ce situé ? (Côte, Sierra ou Jungle ?)
Quelle est l'altitude ? (Est-ce au-dessus de 3 500 mètres, là où la logistique est plus difficile ?)
Est-ce que ça tremble ? (Quel est le niveau de risque sismique selon les codes de construction du Pérou ?)

C'est comme un GPS qui ne se contente pas de vous donner la distance, mais qui calcule aussi combien de carburant supplémentaire vous aurez besoin à cause des pentes raides et des embouteillages.

4. Les résultats : Une boule de cristal bien plus précise

Les résultats sont impressionnants :

Précision : Le nouveau modèle a prédit les coûts avec une précision de 91,20 %.
Argent économisé : Au lieu d'être erroné de 142 800 $ (l'ancienne méthode), le nouveau modèle ne l'est que d'environ 91 350 $. Cela représente une économie d'environ 51 450 $ par projet.
Réduction du biais : Il a réduit le « biais géographique » (l'erreur causée par l'ignorance des différences de localisation) de 34 %.

5. Pourquoi cela importe pour le Pérou

L'article soutient qu'il ne s'agit pas seulement d'un tour de mathématiques, mais d'un outil pratique pour le gouvernement et les entreprises privées.

Données réelles : Il utilise des registres publics réels provenant du système de passation de marchés du Pérou (SEACE).
Prêt pour l'avenir : Il s'intègre aux systèmes numériques existants du Pérou (comme PlanBIM) et respecte les lois spécifiques du pays sur la façon dont les prix de la construction doivent être ajustés.
Moins de drames : En prédisant les coûts plus précisément, il y aura moins de disputes et de renégociations lorsque les projets dépassent le budget.

En résumé : L'auteur a construit un outil informatique intelligent qui comprend la réalité unique, accidentée et sujette aux séismes du Pérou. En combinant deux types d'IA et en ajoutant des règles locales spécifiques, il prédit les coûts de construction avec beaucoup plus de précision que les anciennes méthodes, économisant ainsi une somme importante au pays et réduisant le risque financier.

Résumé Technique : Intelligence Prédictive pour la Valorisation des Travaux de Génie Civil au Pérou

Énoncé du Problème
Les projets de génie civil au Pérou sont confrontés à des défis importants en matière de valorisation dynamique des coûts en raison de la volatilité des prix des intrants, de la complexité réglementaire sous la Loi sur les Contrats Publics (Loi N° 30225), et de la subjectivité inhérente à l'estimation paramétrique traditionnelle. Bien que des modèles d'apprentissage automatique (ML) mondiaux existent, ils ne parviennent pas à traiter les réalités normatives, géographiques et logistiques spécifiques du marché péruvien. Ces réalités incluent une dispersion géographique extrême (côte, sierra, jungle), des zones sismiques distinctes définies par la NTE E.030, des variations d'altitude et une structure de réajustement basée sur les formules polynomiales de l'INEI. Par conséquent, les méthodes traditionnelles produisent des erreurs de prédiction moyennes dépassant ±142 800 USD pour les projets de moyenne envergure, tandis que les projets d'infrastructure subissent des dépassements de coûts supérieurs à 58 % et des retards d'environ 65 %. Les approches existantes, reposant souvent sur des modèles LSTM univariés ou la régression linéaire, ne peuvent pas capturer simultanément les dépendances relationnelles et temporelles requises pour modéliser les effets de cascade des écarts d'activité au sein d'une structure de découpage du projet (WBS).

Méthodologie
L'étude propose un modèle hybride de ML intégrant la Forêt Aléatoire (Random Forest - RF) et les Réseaux de Neurones Artificiels (ANN) pour combler ces lacunes. La méthodologie est fondée sur une formulation de coût dynamique ( $C_d$ ) qui surpasse la sommation algébrique statique :

Source de Données : Le modèle a été entraîné sur 450 projets de construction exécutés au Pérou entre 2018 et 2025, provenant du SEACE, du Ministère de l'Économie et des Finances (MEF) et des registres des entités publiques régionales. Les variables d'entrée comprenaient la surface construite, le type de structure, la localisation géographique, la complexité logistique, la zone sismique, l'altitude, l'historique des prix des matériaux locaux et les séries d'IPC régionaux.
Équation de Coût Dynamique : L'équation centrale est définie par $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ $C_{d} (t) = Σ [Q_{i} (t) \times P_{ba se, i} \times I_{r e g i o na l} (t)] + ϵ_{M L}$ .
- $Q_i(t)$ : Quantités physiques extraites des modèles BIM 5D.
- $P_{base,i}$ : Prix unitaires de base homologués par la CAPECO et le MEF.
- $I_{regional}(t)$ : Un indice régional spatio-temporel calculé comme $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ . Cet indice intègre de manière unique des facteurs géographiques (côte/sierra/jungle), des corrections d'altitude (> 3 500 m n.a.s.l.) et des ajustements de zones sismiques (NTE E.030).
- $\epsilon_{ML}$ : Un facteur de correction prédictif généré par le modèle hybride pour capturer les erreurs résiduelles non expliquées par les indices officiels.
Architecture Hybride : Le modèle utilise une fonction de perte hybride pondérée ( $L_{hybrid} = \alpha \cdot MSERF + (1-\alpha) \cdot MAEANN + \lambda||\theta||^2$ ) avec $\alpha=0,6$ pour équilibrer le contrôle de la variance (RF) et la réduction du biais (ANN). La régularisation L2 ( $\lambda$ ) empêche le surapprentissage compte tenu de la taille limitée de l'ensemble de données ( $n < 600$ ).
Validation : La stabilité statistique a été confirmée via une validation croisée à 10 plis ( $k=10$ ), produisant un écart-type de $\sigma = \pm 2,1 \%$ .

Principales Contributions
Le document identifie trois contributions primaires :

Développement Algorithmique : La création et la validation d'un algorithme hybride RF+ANN spécifiquement entraîné sur des données péruviennes, atteignant une précision de 91,20 %.
Formalisation Mathématique : La formulation d'équations de coût dynamique mathématiquement vérifiables, incluant l'indice régional spatio-temporel ( $\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$ ) et l'intégration des indicateurs de la Gestion de la Valeur Acquise (EVM) (CPI, EAC) comme variables de rétroaction.
Cadre de Mise en Œuvre : Une proposition de voie pour l'intégration de ce modèle avec l'écosystème PlanBIM Pérou, le SEACE et le Cadre Macroéconomique Multiannuel du MEF afin de soutenir les contrats EPC et les Partenariats Public-Privé (PPP).

Résultats
Le modèle hybride a atteint une précision de 91,20 % sur l'ensemble de test (90 projets), avec un $R^2$ de 0,9819 et une RMSE de 0,1358.

Réduction de l'Erreur : L'erreur de prédiction moyenne a été réduite de ±142 800 USD (méthodes traditionnelles) à ±91 350 USD (modèle ML), représentant une réduction de 35,9 % du risque financier d'estimation et une amélioration absolue de 51 450 USD par projet.
Atténuation du Biais : L'intégration de l'indice régional spatio-temporel a réduit le biais géographique de 34 % par rapport aux modèles utilisant un indice national unique (statistiquement significatif, $p < 0,001$ ).
Contexte de Performance : Le modèle a surpassé l'estimation paramétrique traditionnelle de 18,8 points de pourcentage et a démontré une performance supérieure dans les contextes de haute inflation (2022–2023) et pour les projets de haute altitude dans la sierra.

Signification et Revendications
L'article affirme que cette étude établit une nouvelle norme pour la gestion financière des infrastructures péruviennes en comblant le fossé entre les capacités mondiales du ML et les spécificités réglementaires et géographiques locales. La précision de 91,20 % est présentée non seulement comme une métrique statistique, mais comme une atténuation tangible des risques financiers dans les contrats EPC et PPP, où les dépassements de coûts découlent souvent de prévisions de réajustement régional inadéquates.

Les auteurs soutiennent que le modèle est opérationnellement viable au sein du cadre péruvien actuel, en tirant parti de la transparence des données publiques existantes (SEACE) et des initiatives gouvernementales (PlanBIM, Invierte.pe). Cependant, l'article reconnaît modestement certaines limites, notamment l'hétérogénéité des formats de données historiques des entités régionales, l'absence d'un référentiel national de coûts unitaires géoréférencés, et la nécessité de mises à jour semestrielles du modèle pour s'adapter aux changements réglementaires des Normes Nationales de Construction. Les recherches futures sont orientées vers la standardisation des données et l'extension du modèle à la prédiction de l'échéancier (Earned Schedule).