Explainable Machine Learning for Early-Stage Construction Duration Prediction Using Limited Project Information

あらゆる建設プロジェクトは、「完成までにどれくらいの時間がかかるのか？」という、水晶玉なしでは答えを出すのが難しい問いとともに始まります。設計図が完全に描かれる前、資材が発注される前、そして最初のシャベルが地面に当たってしまう前の段階で、請負業者とクライアントはタイムラインを決定しなければなりません。この決定は、予算、作業員のスケジュール、そして関係者全員が負うことになる財務的リスクを左右します。伝統的に、この問いに答えるには詳細なエンジニアリング計算と個々のタスクの細かな内訳が必要でしたが、そのような情報は、初期の計画段階には存在しません。これは、タイムラインを必要とするニーズが最も高い時期に、タイムラインを作成するための利用可能なデータが最も少ないという、困難な状況を生み出しています。

これを解決するために、研究者たちは、プログラムが固定された既定のルールに従うのではなく、データの中からパターンを見つけ出す方法を学習するコンピュータ科学の一分野である機械学習に目を向けました。建設の文脈において、これらのプログラムは過去のプロジェクトを分析し、コストや建物の種類といった特定の要因が、作業期間とどのように関連しているかを学習することができます。しかし、これまでの試行の多くは、フロアの正確な数や具体的な敷地条件など、プロジェクトがすでに開始された後にのみ得られるデータに依存していました。これは、最も重要となる極めて早い段階での意思決定における有用性を制限してしまいます。Mehmet Sena KaşkaとIşık Ateş Kıralによる新しい研究は、プロジェクトの極めて初期段階で利用可能な基本的な情報のみを使用して、建設期間を予測するシステムを構築することで、このギャップに対処しています。

研究者たちは、システムを訓練するために209件の完了した建設プロジェクトからデータを収集しました。彼らは、計画段階ではまだ判明していない複雑な詳細をあえて無視することを選択しました。その代わりに、コンピュータに4つの単純な情報を入力しました。それは、プロジェクトの推定コスト、オーナーが公的機関か民間企業か、建物またはインフラの一般的な種類、そして地理的な場所です。データセットには、住宅、商業オフィスから、工場、港湾、送水ラインに至るまで、中東、北アフリカ、南アジア、および独立国家共同体（CIS）を含むさまざまな地域にわたる幅広い構造物が含まれていました。このような多様なプロジェクトを用いることで、チームは建設業界の限定的な一部ではなく、その混沌とした現実を扱えるモデルを作成することを目指しました。

このデータを解釈するために、チームはいくつかの異なる種類の機械学習アルゴリズムをテストしました。彼らは、Random Forest、Extra Trees、Artificial Neural Networks、そしてXGBoostと呼ばれるモデルを比較しました。これらはパターンを見つけ出すための異なる数学的アプローチであり、それぞれ情報の処理方法が異なります。研究者たちは、単一のテストだけで勝者を宣言しないよう注意を払いました。代わりに、データの分割方法による偶然の成功ではないことを確認するため、データを繰り返しシャッフルし、異なる方法でモデルをテストしました。この厳格なテストにより、一部のモデルは単一のテストでは優れた性能を示したものの、データの変化に対して敏感であることが明らかになりました。多くの小さな決定ツリーを構築して組み合わせる手法を用いるXGBoostモデルが、これらの繰り返しのテストにおいて最も一貫したパフォーマンスを示すことが証明されました。

研究者が選定した最終的なモデルであるXGBoostは、データの中にある意味のあるパターンを捉えていることを示唆するレベルの精度を達成しました。まだ見ていない特定のプロジェクトのセットに対してテストを行った際、モデルの予測は平均して約175日の誤差がありました。これは大きな誤差のように聞こえるかもしれませんが、本研究のプロジェクトの期間は、わずか92日から最大2,760日に及び、中央値は669日でした。詳細なスケジュールがまだ存在しない初期計画の文脈において、このレベルの精度は貴重な出発点となります。研究者たちは、モデルがどのように結論に達したのかを説明するためのツールも使用しており、結果が「ブラックボックス」の謎にならないようにしました。

モデルの論理に関する分析により、プロジェクトの推定コストが、建設期間を予測する上で最も重要な要因であることが明らかになりました。コストが上がるにつれて、予測される期間も一般的に長くなる傾向があり、これは規模が大きく高価なプロジェクトほど時間がかかるという直感とも一致します。しかし、モデルはコストだけでは物語の全容を語れないことも学習しました。地理的な場所や、プロジェクトが公的か民間かもタイムラインに影響を与えました。例えば、同程度のコストレベルであっても、特定の地域におけるプロジェクトは他の地域よりも長くかかると予測されました。プロジェクトの種類も重要であり、インフラや港湾プロジェクトは、工場や商業ビルとは異なる期間のパターンを示しましたが、これらの要因はコストほどの影響力はありませんでした。

こうした有望な結果にもかかわらず、著者たちは自らの研究の限界を定義することに慎重です。彼らは、このツールが、すべての具体的な計画が判明した後に作成される詳細な建設スケープメントの代わりになるものではないことを強調しています。このモデルは、予備的な補助手段、つまり提案されたタイムラインを過去のデータと比較してベンチマークしたり、入札が行われる前に潜在的なリスクを察知したりするためのものです。また、研究者たちは、モデルの性能が学習に使用された特定のデータに依存していることも指摘しています。データセットには209件のプロジェクトしか含まれておらず、種類や場所の分布も偏っていたため、全く別の国や異なる市場環境に適用した場合、モデルの挙動が変わる可能性があります。研究では、モデルが重要な実世界の意思決定に信頼されるためには、新しい外部データによるテストが必要であると明記されています。

結局のところ、この研究は、非常に限られた情報であっても、建設期間に関する情報に基づいた推測を行うことが可能であることを示しています。プロジェクトの極めて初期段階で判明しているわずかな変数に焦点を当てることで、チームは意思決定者が初期計画段階の不確実性を乗り越えるための枠組みを構築しました。この研究は、コンピュータが完璧な確実性を持って未来を予測することはできなくても、過去から学ぶことで、単なる推測よりも優れた妥当な推定を提供できることを示しています。このアプローチは、建設の最も早い段階にデータ駆動型の洞察をもたらす実用的な方法を提供し、最初のレンガが積まれる前に、期待値を管理しリソースを計画する助けとなります。