머신러닝기반의 공사기간 예측성능 향상을 위한 실적공기 학습데이터의 결측치 대체방안

Abstract

건설 프로젝트에서는 작업량의 정량적 분석이 아니라 프로젝트 관리자의 경험이나 과거 공사 기록을 참고하여 공사 기간을 결정하는 경우가 많다. 따라서 정확한 예측을 위해서는 작업량을 고려하여 실제 공사 기간 데이터를 기반으로 추정할 필요가 있다. 그러나 기계 학습 모델에 공사 기간 예측을 도입하기 위해서는 빅 데이터가 필요하지만, 예외적인 경우가 아니라면 누락된 데이터는 거의 항상 내재된 문제이다. 따라서 본 연구에서는 데이터 전처리 단계에서 서로 다른 귀인법을 적용하고 비교함으로써 공사 기간 예측 모델의 학습 성능을 높이고자 한다. 연구에서는 평균 오류율을 기반으로 기계 학습 모델 학습에 적합한 대체법을 제안하고자 한다. 결과는 중앙값 회귀법이 단일 대체법 중 가장 적합한 반면 랜덤 포레스트 회귀 결측치 대체법이 가장 적합한 것으로 나타났다. 또한 데이터의 양이 증가함에 따라 단일 대체법보다 다중 회귀에 의한 회귀 대체법이 더 적합한 것으로 나타났다.