💻 computer science

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

本研究は、450件のペルーの建設プロジェクトを用いて学習させたハイブリッドなランダムフォレスト・ANNモデルを提案しており、動的なコスト評価において91.20%の精度を達成し、予測誤差と地理的バイアスを大幅に削減するとともに、ペルーの公共インフラ管理フレームワークへの統合に向けた実行可能な経路を提示している。

原著者： PAUL RICARDO PRUDENCIO GALVEZ

公開日 2026-06-30

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： PAUL RICARDO PRUDENCIO GALVEZ

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ペルーでの住宅建設の最終的な価格を予想しようとしている場面を想像してみてください。かつて人々は、昨年のメニューのような「静的な価格リスト」を見て、それらを合計することで予想を行っていました。しかし、ペルーでは3つの厄介な要素によって、その「メニュー」が絶えず変化しています。それは、天候と地形（海岸部、山岳部、ジャングル）、標高、そして地震のリスクです。

こうした変動する要因があるため、従来の予測手法では、プロジェクトごとに平均して142,800ドルもの誤差が生じていました。これは非常に大きな金額の開きです。

本論文では、過去から学習する「デジタル・ブレイン（電子の脳）」を用いた、よりスマートなコスト予測手法を紹介します。以下に、分かりやすい言葉でその内訳を説明します。

1. 問題点：「一律の地図」は通用しない

海岸、アンデス高地、アマゾンのジャングルをすべて同じものとして扱う単一の地図を使って、ペルーをナビゲートしようとする場面を想像してみてください。そんな地図は機能しないはずです。山道を登るトラックは、海岸を走るトラックよりも多くの燃料を消費します。また、地震帯にある建物には、より強固で（そして高価な）資材が必要です。

建設業界で使用されていた従来のコンピュータモデルは、こうした違いを理解していませんでした。それらは国全体を一つの平坦で均一な場所として扱っていたため、高額なミスを招いていました。

2. 解決策：「ダブル・ブレイン（二重の脳）」システム

著者は、**「二人一組の専門家チーム」**が協力して働くような、新しいコンピュータモデルを作成しました。

脳A（ランダムフォレスト）： この部分は、多くの異なるルールやパターンを同時に見ることに長けています。数千ものプロジェクトを見てきた経験豊富なエンジニアが、「経験則」を知っている状態に似ています。
脳B（人工ニューラルネットワーク）： この部分は、パターン認識の魔術師です。複雑で乱雑なデータを見て、人間が見落としがちな隠れたつながりを見つけ出します。

これら二つの脳を組み合わせることで、モデルは両方の利点を得ることができます。このモデルは、2018年から2025年までのペルーにおける450件の実在する建設プロジェクトを用いて学習されました。

3. 秘訣：「ペルー式調整係数」

このモデルは、単にレンガやセメントの価格を見るだけではありません。計算を行う前に、特別な「ペルー・フィルター」を追加します。モデルは価格を提示する前に、次の3つの具体的な質問を投げかけます。

場所はどこか？（海岸、山岳、またはジャングル？）
標高はどのくらいか？（物流が困難になる標高3,500メートルを超えているか？）
揺れやすさは？（ペルーの建築基準に従った地震リスクのレベルは？）

これは、単に距離を教えるだけでなく、急な坂道や渋滞を考慮して、追加でどれくらいのガソリンが必要かを計算するGPSのようなものです。

4. 結果：より鋭い「水晶玉」

結果は目覚ましいものでした。

精度： 新しいモデルは、91.20%の精度でコストを予測しました。
節約額： 旧来の手法では142,800ドルの誤差が出ていましたが、新モデルの誤差は約91,350ドルに抑えられました。これは、プロジェクトあたり約51,450ドルの節約になります。
バイアスの軽減： 「地理的バイアス」（場所の違いを無視することによって生じる誤差）を**34%**削減しました。

5. なぜこれがペルーにとって重要なのか

著者は、これが単なる数学的なトリックではなく、政府や民間企業にとって実用的なツールであると主張しています。

リアルなデータ： ペルーの契約システム（SEACE）から得られる実際の公的記録を使用しています。
将来への適応性： ペルーの既存のデジタルシステム（PlanBIMなど）に適合し、建設価格の調整に関する同国の特定の法律に従っています。
トラブルの減少： コストをより正確に予測することで、予算超過による紛争や再交渉が少なくなります。

要約すると： 著者は、ペルー特有の険しく、地震の多い現実を理解するスマートなコンピュータ・ツールを作り上げました。二種類のAIを組み合わせ、特定のローカルルールを加えることで、従来のメソッドよりもはるかに正確に建設コストを予測し、国の支出を大幅に節約し、財務リスクを軽減します。

技術要約：ペルーにおける土木工事評価のための予測インテリジェンス

問題提起
ペルーの土木工学プロジェクトは、入力価格の変動性、国家契約法（法律第30225号）に基づく規制の複雑さ、および従来のパラメトリック推定に内在する主観性により、動的なコスト評価において重大な課題に直面している。グローバルな機械学習（ML）モデルは存在するものの、これらはペルー市場特有の規範的、地理的、および物流的な実態に対応できていない。これらの実態には、極端な地理的分散（海岸部、山岳部、ジャングル）、NTE E.030で定義された明確な地震帯、高度の変化、およびINEIのポリノミアル・フォーミュラに基づく再調整構造が含まれる。その結果、従来の手法では中規模プロジェクトにおいて±142,800米ドルの平均予測誤差が生じており、インフラプロジェクトでは58%を超えるコスト超過と約65%の遅延が発生している。単変量LSTMや線形回帰に依存することが多い既存のアプローチは、作業分解構造（WBS）内における活動の逸脱による連鎖効果をモデル化するために必要な、相関関係および時間的依存関係を同時に捉えることができない。

手法
本研究は、これらのギャップに対処するため、ランダムフォレスト（RF）と人工ニューラルネットワーク（ANN）を統合したハイブリッドMLモデルを提案する。本手法は、静的な代数和を超えた動的コスト定式化（ $C_d$ ）に基づいている。

データソース： モデルは、SEACE、経済財務省（MEF）、および地方公共団体等の記録から取得された、2018年から2025年までにペルーで実施された450件の建設プロジェクトを用いて学習された。入力変数には、延床面積、構造形式、地理的位置、物流の複雑さ、地震帯、高度、現地の資材価格履歴、および地域消費者物価指数（CPI）シリーズが含まれる。
動的コスト方程式： コアとなる方程式は、 $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ $C_{d} (t) = Σ [Q_{i} (t) \times P_{ba se, i} \times I_{r e g i o na l} (t)] + ϵ_{M L}$ と定義される。
- $Q_i(t)$ : 5D BIMモデルから抽出された物理量。
- $P_{base,i}$ : CAPECOおよびMEFによる標準化された基本単価。
- $I_{regional}(t)$ : 空間・時間的な地域指数であり、 $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ として計算される。この指数は、地理的要因（海岸/山岳/ジャングル）、高度補正（海抜3,500m超）、および地震帯調整（NTE E.030）を独自に組み込んでいる。
- $\epsilon_{ML}$ : 公式の指数では説明できない残差誤差を捉えるために、ハイブリッドモデルによって生成される予測補正係数。
ハイブリッド・アーキテクチャ： モデルは、分散制御（RF）とバイアス低減（ANN）のバランスを取るため、重み付きハイブリッド損失関数（ $L_{hybrid} = \alpha \cdot MSERF + (1-\alpha) \cdot MAEANN + \lambda||\theta||^2$ 、ここで $\alpha=0.6$ ）を利用する。限定的なデータセットサイズ（ $n < 600$ ）による過学習を防ぐために、L2正則化（ $\lambda$ ）を適用している。
検証： 統計的安定性は10分割交差検証（ $k=10$ ）を通じて確認され、標準偏差は $\sigma = \pm 2.1\%$ であった。

主な貢献
本論文は、主に以下の3つの貢献を特定している。

アルゴリズム開発： ペルーのデータを用いて特別に学習され、91.20%の精度を達成した、ハイブリッドRF+ANNアルゴリズムの作成と検証。
数学的定式化： 空間・時間的な地域指数（ $\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$ ）の導入、およびフィードバック変数としてのアーンド・バリュー・マネジメント（EVM）指標（CPI, EAC）の統合を含む、数学的に検証可能な動的コスト方程式の策定。
実装フレームワーク： EPC契約および官民パートナーシップ（PPP）を支援するために、本モデルをPlanBIM Peruエコシステム、SEACE、およびMEFの多年度マクロ経済枠組みと統合するための経路の提案。

結果
ハイブリッドモデルは、テストセット（90プロジェクト）に対して91.20%の精度を達成し、 $R^2$ は0.9819、RMSEは0.1358であった。

誤差の削減： 平均予測誤差は、従来の手法による±142,800米ドルから、MLモデルによる±91,350米ドルへと減少した。これは、推定財務リスクの35.9%の削減、およびプロジェクトあたり51,450米ドルの絶対的な改善を意味する。
バイアスの軽減： 空間・時間的な地域指数の統合により、単一の国家指数を使用するモデルと比較して、地理的バイアスが34%減少した（統計的に有意、 $p < 0.001$ ）。
パフォーマンスの文脈： 本モデルは、従来のパラメトリック推定を18.8パーセントポイント上回り、高インフレ環境（2022–2023年）および高高度の山岳部プロジェクトにおいて優れた性能を示した。

意義および主張
本論文は、グローバルなML能力と現地の規制・地理的特殊性の間の溝を埋めることにより、ペルーのインフラ管理における新たな基準を確立すると主張している。91.20%の精度は、単なる統計的指標ではなく、地域的な再調整予測の不備からコスト超過が頻発するEPCおよびPPP契約における、具体的な財務リスクの軽減として提示されている。

著者らは、本モデルが既存の公的データの透明性（SEACE）および政府のイニシアチブ（PlanBIM, Invierte.pe）を活用することで、現在のペルーの枠組み内で運用可能であると断言している。しかし、本論文は、地方自治体からの歴史的なデータ形式の異質性、全国的なジオレファレンス付き単価リポジトリの不在、および国家建築規則の変更に対応するための半年に一度のモデル更新の必要性を含め、限界についても謙虚に認めている。今後の研究は、データの標準化および、スケジュールの予測（アーンド・スケジュール）へのモデルの拡張に向けられている。