本 節 歸 納 前 述 之 研 究 成 果 ， 提 出 以 下 幾 點 建 議 ：
一 、本 研 究 所 提 出 之 災 損 風 險 評 估 模 式 中 ， 所 引 用 之 各 種 資 料 仍 略 有 不 足 ， 若 可 取 得 較 為 詳 細 之 統 計 資 料 或 更 有 效 之 推 算 方 法，對 災 損 風 險 評 估 上 應 可 更 具 完 備 。
二、本 研 究 所 提 出 之 道 路 邊 坡 崩 塌 災 損 風 險 評 估 模 式 中 之 風 險 評 估 標 準，由 於 政 府 相 關 單 位 並 無 制 訂 相 關 準 則。故 本 研 究 僅 引 用 國 外 相 關 研 究 制 定 之 標 準 進 行 風 險 程 度 之 評 等，建 議 相 關 單 位 可 擬 定 完 全 符 合 國 內 社 會 現 況 之 風 險 評 估 標 準 。
三、本 研 究 所 彙 整 山 區 道 路 整 治 工 法 之 施 工 成 本 與 工 期，並 無 相 關 統 計 與 研 究 資 料，故 本 研 究 僅 採 用 業 界 工 程 人 員 實 務 上 的 概 估 值。建 議 未 來 可 對 工 法 之 成 本 與 工 期 進 行 深 入 探 討，使 工 法 在 經 濟 效 益 評 估 上 的 推 算 可 更 為 準 確 。
參 考 文 獻
1. 許 兆 博 ，「 道 路 邊 坡 崩 塌 災 損 風 險 評 估 模 式 之 研 究 」， 碩 士 論 文 ， 國 立 臺 灣 科 技 大 學 營 建 工 程 系 ，2006。
2. 廖 洪 鈞 ，「 建 立 山 區 道 路 修 建 工 程 評 估 準 則 及 決 策 機 制 之 研 究 」，行 政 院 經 濟 建 設 委 員 會 ，2004。
3. 廖 洪 鈞 ， 「 臺 灣 地 區 道 路 邊 坡 崩 塌 災 損 擋 土 結 構 功 能 評 估 -現 有 破 壞 案 例 統 計 、 分 析 」 ， 交 通 部 科 技 顧 問 室 ，2004。
4. 李 維 峰，「 山 區 道 路 邊 坡 崩 塌 防 治 工 法 最 佳 化 研 究 」，交 通 部 科 技 顧 問 室 ， 2003。
5. 廖 瑞 堂 ， 「 山 坡 地 護 坡 工 程 設 計 」 ， 科 技 圖 書 ， 2001。
6. 趙 衛 君 ， 「 應 用 高 斯 過 程 建 立 分 階 式 山 區 道 路 邊 坡 崩 塌 預 測 模 式 之 研 究 -以 阿 里 山 公 路 為 例 」， 碩 士 論 文 ， 國 立 臺 灣 科 技 大 學 營 建 工 程 系 ，2004。
7. 吳 秉 晃 ， 「 集 集 地 震 後 阿 里 山 地 區 公 路 邊 坡 之 崩 壞 行 為 與 熱 影 像 特 性 研 究 」 ， 碩 士 論 文 ， 國 立 成 功 大 學 土 木 工 程 研 究 所 ， 2002。
8. 林 信 亨 ，「 地 理 資 訊 系 統 應 用 於 土 石 流 危 險 溪 流 危 險 度 判 定 之 研 究 」，碩 士 論 文 ， 國 立 臺 灣 大 學 土 木 工 程 學 研 究 所 ，1999。
9. 蔡 易 達 ，「 南 投 地 區 一 級 溪 流 土 石 流 發 生 機 率 即 時 評 估 及 驗 證 」，碩 士 論 文 ， 國 立 臺 灣 大 學 生 物 環 境 系 統 工 程 學 系 暨 研 究 所 ，2002
10. 郭 瑞 柏 ， 「 以 鑑 別 分 析 法 選 定 邊 坡 擋 土 工 法 之 研 究 」 ， 碩 士 論 文 ， 國 立 台 灣 科 技 大 學 營 建 工 程 系 ，2002。
11. 黃 開 明 ， 「 應 用 層 級 分 析 法 評 選 山 區 道 路 整 治 工 法 之 研 究 」 ， 碩 士 論 文 ， 中 華 大 學 土 木 工 程 系 ，2003。
12. 翁 義 芳 ， 「 地 工 加 勁 擋 土 牆 施 工 與 成 本 分 析 之 研 究 」 ， 碩 士 論 文 ， 國 立 屏 東 科 技 大 學 土 木 工 程 系 ，2002。
13. 吳 振 威，「 公 路 邊 坡 保 護 工 法 之 選 擇 模 式 研 究 -以 南 二 高 白 河 以 南 路 段 為 例 」 ， 碩 士 論 文 ， 國 立 成 功 大 學 資 訊 工 程 系 ，2003。
14. 林 科 里 ， 「 山 區 公 路 邊 坡 及 擋 土 結 構 物 災 害 搶 修 管 理 之 研 究 」 ， 碩 士 論 文 ， 國 立 中 央 大 學 土 木 工 程 系 ，2004。
15. 盧 育 聘 ， 「 類 神 經 網 路 於 公 路 邊 坡 破 壞 潛 能 之 評 估 」 ， 碩 士 論 文 ， 立 德 管 理 學 院 資 源 與 環 境 管 理 研 究 所 ，2003。
16. 劉 癸 君 ， 「 以 條 件 評 估 法 與 旅 遊 成 本 法 評 估 阿 里 山 森 林 遊 樂 區 之 遊 憩 效 益 」 ， 碩 士 論 文 ， 國 立 嘉 義 大 學 林 業 研 究 所 ，2003。
17. 「 市 區 道 路 工 程 規 劃 及 設 計 規 範 之 研 究 」 ， 內 政 部 營 建 署 。
18. 徐 道 國 ， 「 高 速 公 路 意 外 事 故 車 輛 延 滯 時 間 之 研 究 」 ， 碩 士 論 文 ， 國 立 交 通 大 學 交 通 運 輸 研 究 所 ，1996。
19. 翁 明 全 ， 「 震 後 橋 樑 補 強 方 案 經 濟 效 益 評 估 模 式 之 研 究 」 ， 碩 士 論 文 ， 國 立 台 灣 科 技 大 學 營 建 工 程 系 ，2005。
20. 楊 文 熙 ， 「 時 間 價 值 理 論 與 實 證 之 研 究 」 ， 國 立 交 通 大 學 運 輸 工 程 與 管 理 系 ，1998。
21. 張 欣 聰 ， 「 高 雄 港 線 鐵 路 發 展 為 輕 軌 捷 運 之 社 會 成 本 效 益 分 析 」 ， 國 立 成 功 大 學 交 通 管 理 科 學 研 究 所 碩 士 論 文 ，2001。
22. 王 慶 瑞 ， 「 運 輸 系 統 規 劃 」 ， 正 揚 出 版 社 ， 1996。
23. 施 保 旭 ， 「 地 理 資 訊 系 統 」 ， 儒 林 圖 書 公 司 ， 1997。
24. 王 鑫 ， 「 地 形 學 」 ， 聯 經 出 版 社 ， 1988。
25. 林 建 元，「 地 理 資 訊 系 統 計 畫 評 估 方 法 」，國 科 會 研 究 成 果 研 討 會，1994。
26. 「 阿 里 山 國 家 風 景 區 觀 光 發 展 整 體 計 畫 」 ， 交 通 部 觀 光 局 阿 里 山 國 家 風 景 區 管 理 處 ，2002。
27. 「 車 輛 燃 料 耗 費 率 表 」 ， 交 通 部 運 輸 研 究 所 ， 1999。
28. ERM-Hong Kong ,Ltd., “Slope Failures along Bril Roads : Quantitative Risk Assessment and Ranking” ,GEO Report No.81, Geotechnical
Engineering Office , Hong Kong, 1997.
29. H.N. Wong , K.K.S. Ho , and Y.C. Chan , “Assessmentofconsequence of landslides” ,
Geotechnical Engineering Office , Hong Kong, 1997.
30. Australian Geomechanics Society, “Landslide risk management concepts and guidelines”, Australian Geomechanics, 2000.
31. Geotechnical Engineering Office, “Landslide Consequence Severity Classification ofRoads and Footpaths”,
ERM-Hong Kong, Ltd, 1995.
32. Mark, G. Stewart. and Robert, E. Melchers., “Probabilistic Risk AssessmentofEngineering Systems,”
Chapman & Hall, London, 1997.
附 錄 一 生 命 損 失 風 險
33 32K+550 0.0005786 70 58K+530 0.0413485 1 07 79K +65 0 0.0027617 3 4 3 3 K+ 30 0 0.0001438 71 58 K +65 0 0.0385041 1 08 80K +60 0 0.0003433 3 5 3 3 K+ 70 0 0.0001618 72 59 K +21 0 0.0271937 1 09 81K +70 0 0.0051185 3 6 3 3 K+ 85 0 0.0002411 73 59 K +50 0 0.0226746 - - -3 7 -3 4 K+ -30 0 0.0028895 74 59 K +75 0 0.0001978 - --表 1.2 每 年 潛 在 死 亡 人 數 評 估 結 果 (單 位 :人 /年 )
-表 1.3 生 命 損 失 社 會 風 險 評 估 結 果 (單 位 :元 /年 )
-附 錄 二 交 通 運 輸 損 失 風 險
33 32K+550 967477 70 58K+530 146664 4 1 07 79K +65 0 79845 0 3 4 3 3 K+ 3 00 9 21 27 1 71 58 K +65 0 14 6 664 4 1 08 80K +60 0 64135 9 3 5 3 3 K+ 7 00 101 662 9 72 59 K +21 0 7 612 8 3 1 09 81K +700 77 907 3 3 6 3 3 K+ 8 50 9 67 47 7 73 59 K +50 0 10 4 536 2 - - -3 7 -3 4 K+ -3 00 106 287 -3 74 59 K +75 0 4 194 2 0 - --表 2.2 車 輛 額 外 損 耗 風 險 評 估 結 果 (單 位 :元 /年 )
附 錄 三 道 路 邊 坡 風 險 評 等
-報告內容包括下列各項：
一、參加會議經過
此次參加的國際會議名稱為25th International Symposium on Automation and Robotics in Construction (ISARC)，會議於 2008 年 6 月 27 日至 2008 年 6 月 29 日，
在Vilnius, Lithuania 舉行，共三天，此會議中口頭發表兩篇論文； A Introduction for MEGA House 與 Dynamic Prediction of Project Success using ESIM。
Dynamic Prediction of Project Success using ESIM 此篇論文受與會學者之賞 識，被選為Special Issue of journal “Automation in Construction”。研究成果受 國際著名期刊看重，亦是此行之ㄧ大收穫。
25th ISARC 會議包含下列五大主題：1. Future Outlook on Construction Production, 2. Planning and Management Technology, 3. Robot Key Technology. 4.
New Areas and Fields, 5. Applications. 其充分包含了營建業自動化發展的重點方 向，經由觀摩各國最新的自動化研究，可有效掌握未來國際營建產業自動化與產 業升級的趨勢與成功的關鍵因素。會議結束後，走訪立陶宛。
二、其他
攜回會議論文摘要集一本，光碟片一張，與相關展覽資訊。
DYNAMIC PREDICTION OF PROJECT SUCCESS USING EVOLUTIONARY SUPPORT VECTOR MACHINE INFERENCE
MODEL
1stMin-Yuan Cheng
Department of Construction Engineering, National Taiwan University Of Science And Technology
#43,Sec.4,Keelung Rd.,Taipei,106,Taiwan,R.O.C [email protected]
2ndYu-Wei Wu
Department of Construction Engineering, National Taiwan University Of Science And Technology
#43,Sec.4,Keelung Rd.,Taipei,106,Taiwan,R.O.C [email protected]
ABSTRACT
The purpose of construction management is to successfully accomplish projects, which requires a continuous monitoring and control procedure. To dynamically predict project success, this research proposes an Evolutionary Support Vector Machine Inference Model (ESIM). ESIM is developed based on a hybrid approach that fuses support vector machine (SVM) and fast messy genetic algorithm (fmGA). SVM is primarily concerned with learning and curve fitting; and fmGA with optimization. Furthermore, the model integrates the process of continuous assessment of project performance (CAPP) to dynamically select factors that influence project success. CAPP was developed to identify continuous variables that have the ability for predicting project outcome.
Training and test patterns are collected from CAPP database that contains 46 construction projects.
These projects are real data collected by Russell from the 16 representative Construction Industry Institute (CII) member companies. K-means clustering was employed to conduct an unsupervised clustering to extract similar cases for comparison. Results show that ESIM can successfully predict the project success.
KEYWORDS
Project management, Predictions, Support vector machines, Fast messy genetic algorithm 1. INSTRUCTIONS
In the construction industry, construction project success infers that certain expectations of participants, including owners, planners, designers, architects, contractors, and operators, are fulfilled. Once a construction project has been bid, the prime contract is typically subdivided into multiple subcontracts. Large numbers of participants are, therefore, involved in the project planning and implementation phases
.
Expectations can only be met by conducting a comprehensive analysis ofparticipants [1]. The measurements of project success in the construction industry are cost, schedule, performance, and safety. Hughes [2]
developed a Construction Project Success Survey instrument to identify important success metrics before the start of a project, and to evaluate the level of success achieved at project completion. The measuring metrics include objective (such as cost, schedule, performance, and safety) and subjective considerations.
Griffith [3] developed an objective metrics that comprised of four variables: budget achievement, schedule achievement, design capacity, and
plant utilization. The authors discovered that despite the complexities involved in measuring project success, a measurement can be developed based on objective project performance.
The construction industry is replete with myriad uncertainties that make management exceedingly complex. Factors for success, therefore, vary from project to project. Although human experts can often achieve a satisfactory project outcome, shortfalls nearly always occur due to managers failing to take all relevant factors into consideration and lacking access to all relevant information.
Various scientific and engineering fields have been paying increasing attention in recent years to fusing different artificial intelligence (AI) paradigms. A number of studies have demonstrated that performances achieved by fusing different AI techniques are better than those achieved by employing a single conventional technique [4]. Two tools, the fast messy genetic algorithms (fmGA) and support vector machine (SVM) have been successfully applied to solve various problems in construction management. Considering the characteristics and merits of each, this paper combines the two to propose an Evolutionary Support Vector Machine Inference Model (ESIM). In the ESIM, the SVM is primarily employed to address learning and curve fitting, while fmGA addresses optimization. This model was developed to achieve the fittest C and gamma parameters with minimal prediction error.
An appreciation of critical factors is crucial to assess the requirements of project success and to achieve successfully project objectives.
Statistical methods represent a basic approach to identify significant factors from historical data or questionnaire results. However, the dynamic nature of critical factors means that changes in
project conditions must be monitored continuously. The Construction Industry Institute [5] cooperated with the University of Wisconsin at Madison to develop a prediction software tool, named Continuous Assessment of Project Performance (CAPP) [6], which allows managers to identify significant factors continuously and dynamically.
In this study, CAPP software is employed to determine significant factors for project success and AI approaches are used to assess project success. Project managers can use the model to predict the degree of success of a new project, allowing managers to enhance their effective control over projects and prevent problems. The remaining sections of this paper include Section 2: a introduction of AI approaches which comprehend K-mean clustering and Evolutionary Support Vector Machine Inference Model with fmGA, and SVM involved; Section 3: significant factors for project success are determined using CAPP software and AI approaches apply to project success prediction;
Section 4: conclusions are described.
2. ARTIFICIAL INTELLIGENCE APPROACHES
2.1. K-means Clustering
Many algorithms are able to identify specific domains. K-means clustering is a simple and fast approach to data clustering that starts with k centroids (seeds), which are usually generated randomly. Each data set (sample) is assigned to the cluster with closer centroid of the Euclidean distance measurement. It is customary to set a threshold on iteration numbers to prevent excessive calculation times. After a number of iteration steps, every clustering feature can be determined. As desired number of clusters can be set as a limitation for target convergence, perfect convergence cannot be guaranteed. K-means usually converges in practical
applications, especially in pattern recognition problems. K-means clustering is widely and commonly employed owing to its simplicity, although it does present some inherent drawbacks such as a fixed setting for the optimal solution or time consumption.
2.2. Fast Messy Genetic Algorithms (fmGA) The fmGA, developed by Goldberg et al. [7], can find efficiently optimal solutions for large-scale permutation problems. The fmGA-based approach is known for its flexibility in allowing hybridization with other methodologies to obtain better solutions.
2.3. Support Vector Machines (SVM)
The theory that underlies support vector machines represents a new statistical technique that has drawn much attention in recent years.
This learning theory may be seen as an alternative training technique for polynomial, radial basis function and multi-layer percept classifiers. SVM are based on the structural risk minimization (SRM) induction principle, which aims to restrict the generalization error (rather than the mean square error) to certain defined bounds. In many applications, SVM have been shown to deliver higher performance than traditional learning machines and have been introduced as powerful tools to solve classification and regression problems.
2.4. Evolutionary Support Vector Machine Inference Model (ESIM)
Support vector machines and fast messy genetic algorithms represent recently developed AI paradigms. SVM were first suggested by Vapnik [8] and have recently been applied to a range of problems that include pattern recognition, bioinformatics, and text categorization. An SVM classifies data with different class labels by determining a set of support vectors that are members of the set of training inputs that outline
a hyper plane in a feature space. It provides a generic mechanism that fits the hyper plane surface to the training data using a kernel function. The user may select a kernel function (e.g. linear, polynomial, or sigmoid) for the SVM during the training process, which identifies support vectors along the function surface. Using SVM presents users with the problem of how to set optimal kernel parameters.
Therefore, obtaining SVM parameters must occur simultaneously. Proper parameter settings can improve SVM prediction accuracy, with parameters that should be optimized including penalty parameter C and kernel function parameters such as the gamma of the radial basis function (RBF) kernel. In designing an SVM, one must choose a kernel function, set kernel parameters and determine a soft margin constant C (penalty parameter). The Grid algorithm is an alternative to finding the best C and gamma when using the RBF kernel function. However, this method is time consuming and does not perform well [9]. Fast messy genetic algorithms were developed by Goldberg et al. in 1993.
Unlike the well-known simple genetic algorithm (sGA), which uses fixed length strings to represent possible solutions, fmGA applies messy chromosomes to form strings of various lengths. Its ability to identify efficiently optimal solutions for large-scale permutation problems gives fmGA the potential to generate SVM parameters C and gamma simultaneously.
Considering the characteristics and merits of each, this paper combines the two to propose an Evolutionary Support Vector Machine Inference Model (ESIM). In the ESIM, the SVM is primarily employed to address learning and curve fitting, while fmGA addresses optimization. This model was developed to achieve the fittest C and gamma parameters with minimal prediction error. The structure of ESIM is shown in Fig. 1.
Default
Specific processes and methods used to implement ESIM are summarized in Fig. 2.
Referring to Fig. 2, the blocks on the left hand side are the procedures used to implement the model. The blocks on the right hand side are detailed methods and attributes concerned with execution of the tasks on the left hand side.
Star Using CAPP software, 54 historical construction projects were collected from 17 CII member companies and analyzed using 76 variables.
Current project progress and the level of significance of each factor should be identified first using CAPP software. Significant factors
Current project progress and the level of significance of each factor should be identified first using CAPP software. Significant factors