💻 computer science

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

본 연구는 450개의 페루 건설 프로젝트를 학습하여 동적 비용 산정에서 91.20%의 정확도를 달성한 하이브리드 랜덤 포레스트-ANN 모델을 제안하며, 이는 예측 오차와 지리적 편향을 유의미하게 감소시키는 동시에 페루의 공공 인프라 관리 체계로의 통합을 위한 실행 가능한 경로를 제공한다.

원저자: PAUL RICARDO PRUDENCIO GALVEZ

게시일 2026-06-30

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: PAUL RICARDO PRUDENCIO GALVEZ

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

페루에서 집을 짓는 데 드는 최종 가격표를 추측하려고 한다고 상상해 보십시오. 과거에는 사람들은 단순히 (작년 메뉴판 같은) 고정된 가격 목록을 보고 그 금액들을 더하는 방식으로 이를 예측했습니다. 하지만 페루에서는 세 가지 까다로운 요소 때문에 이 "메뉴"가 끊임없이 변합니다. 바로 날씨와 지형(해안, 산악, 정글), 고도(얼마나 높은 곳에 있는지), 그리고 지진 위험입니다.

이러한 변화하는 요인들 때문에 기존의 예측 방식은 프로젝트당 약 $142,800 정도의 오차를 보였습니다. 이는 엄청난 재정적 격차입니다.

이 논문은 과거로부터 학습하는 "디지털 두뇌"를 사용하여 비용을 예측하는 더 똑똑한 새로운 방법을 소개합니다. 쉬운 용어로 풀이하면 다음과 같습니다:

1. 문제점: "일률적인" 지도는 통하지 않는다

해변, 안데스 고산 지대, 아마존 정글을 모두 똑같이 취급하는 단 하나의 지도로 페루를 항해하려고 한다고 상상해 보십시오. 그것은 불가능할 것입니다. 해안가를 달리는 트럭보다 산을 올라가는 트럭이 더 많은 연료를 소모하며, 지진 구역에 있는 건물은 더 강하고 비싼 자재를 필요로 합니다.

기존의 건설 컴퓨터 모델들은 이러한 차이를 이해하지 못했습니다. 그들은 나라 전체를 하나의 평평하고 균일한 장소로 취급했고, 이는 값비싼 실수로 이어졌습니다.

2. 해결책: "두 개의 두뇌" 시스템

저자는 함께 협력하는 두 명의 전문가 팀처럼 작동하는 새로운 컴퓨터 모델을 만들었습니다:

두뇌 A (랜덤 포레스트 - Random Forest): 이 부분은 수많은 다양한 규칙과 패턴을 한꺼번에 살펴보는 데 탁-월합니다. 이는 수천 개의 프로젝트를 경험하여 "경험 법칙"을 알고 있는 베테랑 엔지니어와 같습니다.
두뇌 B (인공신경망 - Artificial Neural Network): 이 부분은 패턴 인식의 마법사 같습니다. 복잡하고 무질서한 데이터를 살펴보고 인간이 놓칠 수 있는 숨겨진 연결 고리를 찾아냅니다.

이 두 두뇌를 결합함으로써, 모델은 두 방식의 장점을 모두 갖게 됩니다. 이 모델은 2018년부터 2025년까지 페루에서 진행된 450개의 실제 건설 프로젝트를 통해 학습되었습니다.

3. 핵심 비결: "페루형 조정 계수"

모델은 단순히 벽돌과 시멘트 가격만 보는 것이 아닙니다. 모든 계산에 특별한 "페루 필터"를 추가합니다. 계산 전 세 가지 구체적인 질문을 던집니다:

어디인가? (해안, 산악, 또는 정글?)
얼마나 높은가? (물류 이동이 어려운 3,500미터 이상인가?)
흔들림은 어떤가? (페루의 건축 법규에 따른 지진 위험 수준은 얼마인가?)

이것은 단순히 거리만 알려주는 것이 아니라, 가파른 언덕과 교통 체증 때문에 연료를 얼마나 더 보충해야 하는지까지 계산해 주는 GPS와 같습니다.

4. 결과: 훨씬 더 정교해진 수정구슬

결과는 인상적이었습니다:

정확도: 새 모델은 91.20%의 정확도로 비용을 예측했습니다.
절감된 비용: 기존 방식은 $142,800의 오차가 있었던 반면, 새 모델은 오차가 약 **$ 91,350**에 불과했습니다. 이는 프로젝트당 약 $51,450를 절약하는 효과를 가져옵니다.
편향 감소: 모델은 "지리적 편향"(위치 차이를 무시하여 발생하는 오류)을 34% 줄였습니다.

5. 이것이 페루에 중요한 이유

이 논문은 이것이 단순한 수학적 기교가 아니라, 정부와 민간 기업을 위한 실용적인 도구라고 주장합니다.

실제 데이터: 페루의 계약 시스템(SEACE)에 기록된 실제 공공 기록을 사용합니다.
미래 대비: 페루의 기존 디지털 시스템(PlanBIM 등)에 부합하며, 건설 가격을 조정하는 국가의 특정 법규를 따릅니다.
갈등 감소: 비용을 더 정확하게 예측함으로써, 프로젝트가 예산을 초과할 때 발생하는 분쟁과 재협상을 줄일 수 있습니다.

요약하자면: 저자는 페루 특유의 험준하고 지진 위험이 있는 현실을 이해하는 똑똑한 컴퓨터 도구를 만들었습니다. 두 종류의 AI를 결합하고 특정 지역 규칙을 추가함으로써, 기존 방식보다 훨씬 더 정확하게 건설 비용을 예측하여 국가의 막대한 자금을 절약하고 재정적 리스크를 줄여줍니다.

기술 요약: 페루 토목 공사 가치 평가를 위한 예측 지능

문제 정의
페루의 토목 공학 프로젝트는 투입 자재 가격의 변동성, 국가 계약법(Law N° 30225)에 따른 규제 복잡성, 그리고 전통적인 파라메트릭 추정 방식의 내재적 주관성으로 인해 역동적인 비용 산정 측면에서 상당한 어려움에 직면해 있다. 글로벌 머신러닝(ML) 모델들이 존재하지만, 이들은 페루 시장의 특수한 규범적, 지리적, 물류적 현실을 반영하지 못한다. 이러한 현실에는 극단적인 지리적 분산(해안, 산악, 정글), NTE E.030에 의해 정의된 뚜렷한 지진 구역, 고도 변화, 그리고 INEI 폴리노미얼 공식에 기반한 재조정 구조가 포함된다. 결과적으로, 전통적인 방식은 중규모 프로젝트에서 ±USD 142,800를 초과하는 평균 예측 오차를 발생시키며, 인프라 프로젝트의 경우 58% 이상의 비용 초과와 약 65%의 공기 지연을 경험한다. 단변량 LSTM이나 선형 회귀에 의존하는 기존 접근 방식은 작업 분류 체계(WBS) 내 활동 편차의 연쇄 효과를 모델링하는 데 필요한 관계적 및 시간적 의존성을 동시에 포착할 수 없다.

방법론
본 연구는 이러한 격차를 해소하기 위해 Random Forest(RF)와 인공 신경망(ANN)을 통합한 하이브리드 ML 모델을 제안한다. 본 방법론은 정적인 대수적 합계를 넘어서는 동적 비용 공식( $C_d$ )에 근거한다:

데이터 소스: 모델은 2018년부터 2025년 사이에 페루에서 수행된 450개의 건설 프로젝트 데이터를 기반으로 학습되었으며, SEACE, 경제재정부(MEF), 그리고 지역 공공 기관의 기록에서 추출되었다. 입력 변수로는 건축 면적, 구조 유형, 지리적 위치, 물류 복잡성, 지진 구역, 고도, 현지 자재 가격 이력, 그리고 지역 소비자 물가 지수(CPI) 시리즈가 포함되었다.
동적 비용 방정식: 핵심 방정식은 다음과 같이 정의된다: $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ $C_{d} (t) = Σ [Q_{i} (t) \times P_{ba se, i} \times I_{r e g i o na l} (t)] + ϵ_{M L}$ .
- $Q_i(t)$ : 5D BIM 모델에서 추출된 물리적 수량.
- $P_{base,i}$ : CAPECO 및 MEF로부터 승인된 기준 단위 가격.
- $I_{regional}(t)$ : $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ 로 계산되는 시공간적 지역 지수. 이 지수는 지리적 요인(해안/산악/정글), 고도 보정(3,500 m.a.s.l. 이상), 그리고 지진 구역 조정(NTE E.030)을 독자적으로 통합한다.
- $\epsilon_{ML}$ : 공식 지수로 설명되지 않는 잔여 오차를 포착하기 위해 하이브립 모델에 의해 생성된 예측 보정 계수.
하이브리드 아키텍처: 모델은 분산 제어(RF)와 편향 감소(ANN)의 균형을 맞추기 위해 $\alpha=0.6$ 인 가중 하이브리드 손실 함수( $L_{hybrid} = \alpha \cdot MSERF + (1-\alpha) \cdot MAEANN + \lambda||\theta||^2$ )를 활용한다. L2 규제( $\lambda$ )는 제한된 데이터셋 크기( $n < 600$ )에 따른 과적합을 방지한다.
검증: 통계적 안정성은 10-겹 교차 검증( $k=10$ )을 통해 확인되었으며, 표준 편차 $\sigma = \pm 2.1\%$ 를 기록했다.

주요 기여
본 논문은 세 가지 주요 기여를 식별한다:

알고리즘 개발: 페루 데이터에 특화되어 학습되어 91.20%의 정확도를 달ien한 하이브리드 RF+ANN 알고리즘의 생성 및 검증.
수학적 정형화: 시공간적 지역 지수( $\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$ )와 피드백 변수로서의 획득 가치 관리(EVM) 지표(CPI, EAC) 통합을 포함한 수학적으로 검증 가능한 동적 비용 방정식의 공식화.
구현 프레임워크: EPC 계약 및 민관 협력 사업(PPP)을 지원하기 위해 본 모델을 PlanBIM Peru 에코시스템, SEACE, 그리고 MEF 다년도 거시경제 프레임워크와 통합하기 위한 경로 제안.

결과
하이브리드 모델은 테스트 세트(90개 프로젝트)에서 $R^2$ 0.9819 및 RMSE 0.1358과 함께 91.20%의 정확도를 달성했다.

오차 감소: 평균 예측 오차가 전통적 방식의 ±USD 142,800에서 ML 모델의 ±USD 91,350로 감소하였으며, 이는 추정 금융 리스크의 35.9% 감소 및 프로젝트당 절대적 개선액 USD 51,450를 의미한다.
편향 완화: 시공간적 지역 지수의 통합은 단일 국가 지수를 사용하는 모델에 비해 지리적 편향을 34% 감소시켰다(통계적으로 유의함, $p < 0.001$ ).
성과 맥락: 모델은 전통적인 파라메트릭 추정보다 18.8 퍼센트 포인트 더 우수한 성능을 보였으며, 고인플레이션 상황(2022–2023) 및 고산지대 산악 프로젝트에서 탁월한 성능을 입증했다.

의의 및 주장
본 논문은 글로벌 ML 역량과 로컬 규제/지리적 특수성 사이의 간극을 메움으로써 페루 인프라 금융 관리에 대한 새로운 표준을 설정한다고 주장한다. 91.20%의 정확도는 단순한 통계적 지표가 아니라, 적절한 지역 재조정 예측 부족에서 기인하는 비용 초과가 빈번한 EPC 및 PPP 계약에서의 실질적인 금융 리스크 완화책으로 제시된다.

저자들은 본 모델이 공공 데이터 투명성(SEACE)과 정부 이니셔티브(PlanBIM, Invierte.pe)를 활용하여 현재의 페르루 프레임워크 내에서 운영 가능하다는 점을 확언한다. 그러나 본 논문은 지역 기관의 역사적 데이터 형식의 이질성, 국가 단위의 지리 참조 단위 비용 저장소 부재, 그리고 국가 건축 규정의 변화에 대응하기 위한 반기별 모델 업데이트의 필요성 등 한계점을 겸허히 인정하고 있다. 향-후 연구는 데이터 표준화와 모델을 일정 예측(Earned Schedule)으로 확장하는 방향으로 진행될 예정이다.