MARC

 008260126s2024        us                              c    eng  d
■001000017360636
■00520260202105559
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263393816
■035    ▼a(MiAaPQ)AAI32315941
■035    ▼a(MiAaPQ)GeorgiaTech75257
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aLi,  Mingshu.
■24510▼aEnhanced  Construction  Cost  Estimation  of  Highway  Projects  Using  Emerging  Statistical  and  Machine  Learning  Techniques
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a140  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Ashuri,  Baabak.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aSeveral  state  departments  of  transportation  (state  DOTs)  have  encountered  significant  challenges  in  accurately  estimating  costs  for  their  highway  projects,  often  resulting  in  discrepancies  between  the  states'  DOT  estimates  (owner's  estimates)  and  contractors'  submitted  bids.  These  inaccuracies  can  lead  to  cost  overrun,  scope  change,  schedule  delay,  postponement,  and  cancellation  of  transportation  projects,  which  are  problematic  for  both  owner  organizations  and  highway  contractors.  There  is  a  critical  need  to  enhance  the  quality  of  construction  cost  estimates  to  efficiently  allocate  public  funds  and  increase  confidence  in  engineer's  estimates.  Addressing  this  need,  the  overarching  objective  of  this  research  is  to  advance  construction  cost  estimation  for  highway  projects  through  the  application  of  emerging  statistical  modeling  and  machine  learning  techniques,  examining  cost  estimation  at  varying  levels  of  granularity  for  a  comprehensive  analysis.The  study  first  adopts  a  temporal  perspective  at  the  monthly  level,  investigating  risk  factors  that  affect  the  accuracy  of  the  owner's  estimate.  This  level  of  analysis  allows  for  the  examination  of  several  variables  representing  the  local  highway  construction  market,  overall  construction  market,  macroeconomic  conditions,  and  the  energy  market  to  identify  leading  indicators  of  the  ratio  of  low  bid  to  owner's  estimate.  Appropriate  time-series  models,  such  as  ARIMAX,  will  be  applied  to  forecast  this  ratio  using  identified  leading  indicators.  This  macro-level  analysis  offers  foundational  insights  into  market  trends  and  economic  factors  influencing  cost  estimations,  setting  the  stage  for  more  detailed  investigations.Transitioning  to  the  project  level,  the  research  conducts  survival  analysis  to  assess  the  relationship  between  several  potential  drivers  and  the  likelihood  of  bid  over  r  times  estimate.  By  innovatively  applying  concepts  and  methods  from  survival  analysis  to  construction  cost  estimation,  this  part  of  the  study  explores  the  impact  of  project-specific,  bidder-specific,  and  external  market  characteristics  on  estimation  accuracy.  This  project  level  analysis  provides  critical  insights  into  the  dynamics  at  play  within  individual  projects,  complementing  the  broader  market  perspective  obtained  from  the  temporal  analysis.Finally,  at  the  most  granular  pay  item  level,  forecasting  models  for  early-phase  cost  estimation  of  lump  sum  pay  items  (Traffic  Control  and  Grading  Complete)  are  developed  using  text-mining  and  machine  learning  techniques.  This  approach  involves  retrieving  project  information  available  at  the  early  stages  of  project  development  through  text  analysis  and  examining  various  machine  learning  algorithms  with  identified  key  predictive  features  to  select  the  best-performing  model.  By  focusing  on  specific  pay  items,  this  level  of  analysis  directly  addresses  the  practical  needs  of  designers  and  cost  estimators,  offering  precise  tools  for  early  cost  estimation  and  further  enriching  the  comprehensive  understanding  gained  from  the  previous  analyses.This  research  contributes  to  the  body  of  knowledge  through:  (1)  developing  appropriate  multivariate  time-series  models  (i.e.,  ARIMAX  models)  to  predict  the  ratio  of  low  bid  to  owner's  estimate;  (2)  creating  a  Cox  proportional  hazards  model  to  explain  and  predict  the  likelihood  of  bid  over  r  times  estimate;  (3)  developing  machine  learning  algorithms  to  accurately  estimate  prices  of  lump  sum  pay  item  at  early  stages  of  project  development.  It  is  anticipated  that  the  research  outcome  would  help  cost  estimating  professionals  in  transportation  agencies  better  understand  the  risk  factors  and  potential  drivers  of  the  deviation  between  owner's  estimate  and  low  bids,  prepare  more  accurate  cost  estimates  and  develop  appropriate  risk  management  strategies  for  enhanced  decision-making.  Through  its  multi-level  analysis,  the  study  provides  significant  insights  into  project  planning,  budget  allocation,  and  construction  cost  management,  thereby  underscoring  the  critical  role  of  integrating  machine  learning  and  statistical  modeling  techniques  in  enhancing  the  accuracy  and  reliability  of  cost  estimations  for  highway  projects.
■590    ▼aSchool  code:  0078.
■650  4▼aForecasting
■650  4▼aTransportation  planning
■650  4▼aData  processing
■650  4▼aCausality
■650  4▼aFeature  selection
■650  4▼aPrices
■650  4▼aSurvival  analysis
■650  4▼aHighway  construction
■650  4▼aTraffic  control
■650  4▼aDesign
■650  4▼aBids
■650  4▼aComputer  science
■650  4▼aTransportation
■690    ▼a0389
■690    ▼a0800
■690    ▼a0984
■690    ▼a0501
■690    ▼a0709
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360636▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서