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

तकनीकी सारांश: पेरू में सिविल कार्यों के मूल्यांकन के लिए भविष्य कहनेवाला बुद्धिमत्ता (Predictive Intelligence)

समस्या विवरण
पेरू में सिविल इंजीनियरिंग परियोजनाएं इनपुट कीमतों की अस्थिरता, राज्य अनुबंध कानून (कानून संख्या 30225) के तहत नियामक जटिलता और पारंपरिक पैरामीट्रिक अनुमान की अंतर्निहित व्यक्तिपरकता के कारण गतिशील लागत मूल्यांकन में महत्वपूर्ण चुनौतियों का सामना कर रही हैं। जबकि वैश्विक मशीन लर्निंग (ML) मॉडल मौजूद हैं, वे पेरू के बाजार की विशिष्ट नियामक, भौगोलिक और लॉजिस्टिक वास्तविकताओं को संबोधित करने में विफल रहते हैं। इन वास्तविकताओं में अत्यधिक भौगोलिक फैलाव (तट, सिएरा, जंगल), NTE E.030 द्वारा परिभाषित विशिष्ट भूकंपीय क्षेत्र, ऊंचाई में भिन्नता और INEI बहुपद सूत्रों पर आधारित पुनर्गठन संरचना शामिल है। फलस्वरूप, पारंपरिक विधियों में मध्यम स्तर की परियोजनाओं के लिए औसत भविष्यवाणी त्रुटि ±USD 142,800 से अधिक होती है, जबकि बुनियादी ढांचा परियोजनाओं में लागत वृद्धि 58% से अधिक और देरी लगभग 65% तक होती है। मौजूदा दृष्टिकोण, जो अक्सर यूनिवेरिएट LSTM या लीनियर रिग्रेशन पर निर्भर करते हैं, वर्क ब्रेकडाउन स्ट्रक्चर (WBS) के भीतर गतिविधियों के विचलन के कैस्केड प्रभावों को मॉडल करने के लिए आवश्यक संबंधात्मक और अस्थायी निर्भरताओं को एक साथ कैप्चर नहीं कर सकते हैं।

कार्यप्रणाली
यह अध्ययन इन कमियों को दूर करने के लिए रैंडम फॉरेस्ट (RF) और आर्टिफिशियल न्यूरल नेटवर्क (ANN) को एकीकृत करने वाले एक हाइब्रिड ML मॉडल का प्रस्ताव करता है। कार्यप्रणाली एक गतिशील लागत सूत्रीकरण ($C_d$) पर आधारित है जो स्थिर बीजगणितीय योग से परे है:

1. डेटा स्रोत: मॉडल को 2018 और 2025 के बीच पेरू में निष्पादित 450 निर्माण परियोजनाओं पर प्रशिक्षित किया गया था, जो SEACE, अर्थव्यवस्था और वित्त मंत्रालय (MEF), और क्षेत्रीय सार्वजनिक संस्थाओं के रिकॉर्ड से प्राप्त की गई थीं। इनपुट चरों में निर्मित क्षेत्र, संरचनात्मक प्रकार, भौगोलिक स्थान, लॉजिस्टिक जटिलता, भूकंपीय क्षेत्र, ऊंचाई, स्थानीय सामग्री मूल्य इतिहास और क्षेत्रीय CPI श्रृंखला शामिल थे।
2. गतिशील लागत समीकरण: मुख्य समीकरण $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ के रूप में परिभाषित है।
   • $Q_i(t)$: 5D BIM मॉडल से निकाले गए भौतिक परिमाण।
   • $P_{base,i}$: CAPECO और MEF से समरूप आधार इकाई मूल्य।
   • $I_{regional}(t)$: एक स्थानिक-कालिक क्षेत्रीय सूचकांक जिसे $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ के रूप में गणना की जाती है। यह सूचकांक विशिष्ट रूप से भौगोलिक कारकों (तट/सिएरा/जंगल), ऊंचाई सुधार (>3,500 मीटर ऊपर समुद्र तल), और भूकंपीय क्षेत्र समायोजन (NTE E.030) को शामिल करता है।
   • $\epsilon_{ML}$: एक भविष्य कहने वाला सुधार कारक जो हाइब्रिड मॉडल द्वारा उत्पन्न किया जाता है ताकि उन अवशिष्ट त्रुटियों को कैप्चर किया जा सके जो आधिकारिक सूचकांकों द्वारा स्पष्ट नहीं की जा सकतीं।
3. हाइब्रिड आर्किटेक्चर: मॉडल एक भारित हाइब्रिड लॉस फंक्शन ($L_{hybrid} = \alpha \cdot MSERF + (-\alpha) \cdot MAEANN + \lambda||\theta||^2$) का उपयोग करता है जहाँ $\alpha=0.6$ है, जो वेरिएंस नियंत्रण (RF) और बायस रिडक्शन (ANN) के बीच संतुलन बनाने के लिए है। L2 रेगुलराइजेशन ($\lambda$) सीमित डेटासेट आकार ($n < 600$) को देखते हुए ओवरफिटिंग को रोकता है।
4. सत्यापन: सांख्यिकीय स्थिरता की पुष्टि 10-फोल्ड क्रॉस-वैलिडेशन ($k=10$) के माध्यम से की गई थी, जिससे मानक विचलन $\sigma = \pm 2.1\%$ प्राप्त हुआ।

प्रमुख योगदान
यह शोध तीन प्राथमिक योगदानों की पहचान करता है:

1. एल्गोरिदम विकास: पेरू के डेटा पर विशेष रूप से प्रशिक्षित और सत्यापित एक हाइब्रिड RF+ANN एल्गोरिदम का निर्माण, जिसने 91.20% सटीकता प्राप्त की।
2. गणितीय औपचारिकता: गणितीय रूप से सत्यापन योग्य गतिशील लागत समीकरणों का निर्माण, जिसमें स्थानिक-कालिक क्षेत्रीय सूचकांक ($\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$) और फीडबैक चर के रूप में अर्न्ड वैल्यू मैनेजमेंट (EVM) संकेतकों (CPI, EAC) का एकीकरण शामिल है।
3. कार्यान्वयन ढांचा: EPC अनुबंधों और सार्वजनिक-निजी भागीदारी (PPP) का समर्थन करने के लिए इस मॉडल को PlanBIM पेरू इकोसिस्टम, SEACE और MEF बहुवर्षीय मैक्रोइकॉनोमिक फ्रेमवर्क के साथ एकीकृत करने के लिए एक प्रस्तावित मार्ग।

परिणाम
हाइब्रिड मॉडल ने टेस्ट सेट (90 परियोजनाएं) पर 91.20% सटीकता प्राप्त की, जिसका $R^2$ 0.9819 और RMSE 0.1358 है।

• त्रुटि में कमी: औसत भविष्यवाणी त्रुटि पारंपरिक विधियों के ±USD 142,800 से घटकर ML मॉडल के ±USD 91,350 हो गई, जो अनुमानित वित्तीय जोखिम में 35.9% की कमी और प्रति परियोजना USD 51,450 का पूर्ण सुधार दर्शाती है।
• बायस शमन: स्थानिक-कालिक क्षेत्रीय सूचकांक के एकीकरण ने एकल राष्ट्रीय सूचकांक का उपयोग करने वाले मॉडलों की तुलना में भौगोलिक बायस को 34% कम कर दिया (सांख्यिकीय रूप से महत्वपूर्ण, $p < 0.001$)।
• प्रदर्शन संदर्भ: मॉडल ने पारंपरिक पैरामीट्रिक अनुमान की तुलना में 18.8 प्रतिशत अंक बेहतर प्रदर्शन किया और उच्च-मुद्रास्फीति वाले संदर्भों (2022-2023) और उच्च-ऊंचाई वाले सिएरा प्रोजेक्ट्स में श्रेष्ठ प्रदर्शन प्रदर्शित किया।

महत्व और दावे
यह शोध दावा करता है कि यह अध्ययन वैश्विक ML क्षमताओं और स्थानीय नियामक/भौगोलिक विशिष्टताओं के बीच की खाई को पाटकर पेरू के बुनियादी ढांचे के लिए वित्तीय प्रबंधन हेतु एक नया मानक स्थापित करता है। 91.20% की सटीकता को केवल एक सांख्यिकीय मीट्रिक के रूप में नहीं, बल्कि EPC और PPP अनुबंधों में वित्तीय जोखिमों के ठोस शमन के रूप में प्रस्तुत किया गया है, जहाँ लागत वृद्धि अक्सर अपर्याप्त क्षेत्रीय पुनर्गठन पूर्वानुमान से उत्पन्न होती है।

लेखक का तर्क है कि यह मॉडल वर्तमान पेरू ढांचे के भीतर परिचालन रूप से व्यवहार्य है, जो मौजूदा सार्वजनिक डेटा पारदर्शिता (SEACE) और सरकारी पहलों (PlanBIM, Invierte.pe) का लाभ उठाता है। हालांकि, शोध पत्र क्षेत्रीय संस्थाओं से ऐतिहासिक डेटा प्रारूपों की विषमता, एक राष्ट्रीय भू-संदर्भित इकाई लागत रिपॉजिटरी की अनुपस्थिति, और राष्ट्रीय भवन नियमों में नियामक परिवर्तनों को समायोजित करने के लिए अर्ध-वार्षिक मॉडल अपडेट की आवश्यकता सहित सीमाओं को भी स्वीकार करता है। भविष्य का शोध डेटा मानकीकरण और शेड्यूल भविष्यवाणी (अर्न्ड शेड्यूल) तक मॉडल के विस्तार की ओर निर्देशित है।