Artificial Intelligence in Projects: Using machine learning approaches to assert whether variation orders can predict time delay of individual activities

Abstract

Endringsordre er sett på som uunngåelige i byggeprosjekter og kan påvirke omfanget av prosjektet. Blant de viktigste effektene av endringsordre er forsinkelser. Flere forskningsartikler har undersøkt om det er mulig å predikere forsinkelsen av et prosjekt. Det er imidlertid funnet lite forskning på bruk av endringsordre for å predikere tidsforsinkelser. Felles for det meste av forskningen er at de predikerer forsinkelsen av prosjektet i sin helhet, og ikke enkelte aktiviterer i prosjektet. Denne masteroppgaven undersøker om det er mulig å bruke endringsordre til å predikere forsinkelsen av individuelle prosjektaktiviteter. Et sammensatt datasett er opprettet fra individuelle tabeller i en prosjektdatabase. Tabellene ble hentet fra en prosjektstyringsprogramvare. Fire trebaserte modeller ble trent på datasettet; Decision Tree, Random Forest, AdaBoost og Gradient Boosting. To viktighetsanalyser er implementert for å kvantifisere viktigheten av endringsordre i prediksjonene; permutation feature importance og shapley additive explanations.

Den mest presise modellen testet var Random Forest med en recall på DELAYED_START på 92,7% og 91,8% på DELAYED_FINISH. Begge viktighetsanalysene viste at variablene hentet fra endringsordrene var ubetydelige for prediksjonene. Dermed konkluderer denne oppgaven med at klassifisering av forsinkede aktiviteter ut i fra endringsordre er usannsynlig i dette datasettet. De viktigste variablene i å forutsi forsinkelsen av aktivitetene var datovariabler, noe som indikerer at for dette prosjektet følger forsinkelsene en trend. Denne masteroppgaven har vist at et tidligvarslingssystem for aktivitetsforsinkelser kan lages med denne metoden. Videre arbeid inkluderer videre utvikling av en lignende modell på en rekke prosjekter som burde testes på flere prosjekter.

Variation orders (VOs) are generally accepted as inevitable in construction projects and can affect the scope of the project. Among the major effects of variation orders is time delay. Several papers have investigated whether it is possible to predict the delay of a project. However, little research has been found on using VOs to predict time delays. Furthermore, most of the research predicted the delay of the project and not for individual activities. This master’s thesis investigates whether it is possible to use VOs to predict the delay of individual project activities. A compound dataset has been created from individual tables of a project database. The tables were extracted from a project management software. Four tree-based models were trained on the dataset; Decision Tree, Random Forest, AdaBoost and Gradient Boosting. A permutation feature importance analysis and a shapley additive explanations analysis were conducted to quantify whether the variation orders contributed to the predictions.

The overall best performing model was Random Forest with a recall on DELAYED_START of 92.7% and 91.8% on DELAYED_FINISH. Both importance analyses showed that the features extracted from VOs were insignificant for the predictions. Thus, this thesis concludes that classifying delayed activities from variation orders is implausible in this dataset. The most important features in predicting the delay of the activities were the date features, indicating that for this project the delays follow a trend. This master’s thesis has shown that an early warning system for activity delays can be created with this method. Further work includes training a similar model on a multitude of projects and testing on multiple projects.