DOI: https://doi.org/10.3934/jimo.2026071
تاريخ النشر: 2026-01-01
المؤلف: Abdirisak Mohamed Abdillahi وآخرون
الموضوع الرئيسي: إدارة أداء مشاريع البناء
نظرة عامة
تقدم هذه الدراسة نموذجًا جديدًا للتجميع المتراص للتنبؤ بإنتاجية العمالة في البناء (CLP)، لا سيما في البيئات ذات الموارد المحدودة مثل أرض الصومال. يدمج النموذج بين نموذجين من غابات عشوائية محسّنة بطريقة ميتاهيرستية، تم ضبطهما عبر تحسين سرب الجسيمات (RF-PSO) ومستعمرة النحل الاصطناعية (RF-ABC)، مع متعلم ميتاهيرستي من تعزيز التدرج المتطرف (XGBoost). تم تقييمه على مجموعة بيانات تضم 1,422 سجل إنتاجية من 52 مشروع بناء، وأظهر نهج التجميع استقرارًا وقوة محسّنة، لا سيما للأنشطة ذات التباين العالي، متفوقًا على الهياكل التقليدية ذات النموذج الواحد وأربعة نماذج أساسية (الانحدار الخطي المتعدد، أقرب الجيران K، الانحدار باستخدام المتجهات الداعمة، والشبكات العصبية الاصطناعية).
تساهم الدراسة في أبحاث التنبؤ بإنتاجية العمالة من خلال تطبيق شامل للتحسين الميتاهيرستي على كل من مجموعات الميزات والبارامترات الفائقة، باستخدام مجموعة بيانات متنوعة لتقييم أداء النموذج عبر ظروف الموقع المتغيرة، وتوظيف التحقق المتقاطع المجموع للمشاريع لتقييم واقعي للتعميم. تم تحديد المؤشرات الرئيسية التي تؤثر على إنتاجية العمالة، بما في ذلك تكرار الحوادث، وظروف الطقس، وجودة الاتصال، ومساحة العمل، وساعات العمل. توفر هذه النتائج رؤى قابلة للتنفيذ للممارسين لتحديد أولويات جهود المراقبة على المتغيرات الحرجة، مما يدعم اتخاذ قرارات أفضل في الجدولة وتخصيص الموارد. بينما يتطلب تدريب النموذج جهدًا حسابيًا إضافيًا، فإن موثوقيته في سياقات التخطيط الاستراتيجي تبرر هذا الاستثمار. تشمل اتجاهات البحث المستقبلية استكشاف استراتيجيات تحسين أخف وحلول قائمة على السحابة لتعزيز قابلية التوسع للمنظمات ذات الموارد الحاسوبية المحدودة. بشكل عام، تؤكد الدراسة على إمكانية دمج التعلم الآلي، والتحسين الميتاهيرستي، والتعلم التجميعي لتحسين إدارة الإنتاجية في البناء.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم لإنتاجية العمالة في البناء (CLP) في تحديد نجاح المشروع، لا سيما في الاقتصادات النامية مثل أرض الصومال، حيث تؤدي عوامل مختلفة مثل القيود المالية وعدم كفاءة الإدارة إلى تفاقم تحديات الإنتاجية. تُعتبر الطرق التقليدية لتقدير CLP، التي غالبًا ما تعتمد على البيانات التاريخية والتقييمات الذاتية، غير كافية بسبب عدم قدرتها على التقاط الطبيعة المعقدة والديناميكية للإنتاجية في البناء. تدعو الورقة إلى اعتماد تقنيات التعلم الآلي المتقدمة (ML)، التي أظهرت وعدًا في تعزيز إدارة الإنتاجية من خلال تحسين تحليل البيانات والقدرات التنبؤية.
يقترح المؤلفون نموذج تعلم تجميعي متراص جديد يدمج نماذج غابات عشوائية محسّنة بطريقة ميتاهيرستية مع متعلم ميتاهيرستي من تعزيز التدرج المتطرف (XGBoost) لتعزيز دقة التنبؤ بـ CLP. يتناول هذا النهج قيود الدراسات السابقة من خلال استخدام مجموعة بيانات كبيرة تضم 1,422 سجلًا من 52 مشروعًا، وتوظيف إطار عمل شامل للتحسين يتضمن خوارزميات متعددة (مثل تحسين سرب الجسيمات، والخوارزميات الجينية). تقدم الدراسة أيضًا التحقق المتقاطع المجموع للمشاريع كاستراتيجية تقييم، مما يوفر تقييمًا أكثر واقعية لأداء النموذج عبر مشاريع مختلفة. بشكل عام، يهدف الإطار المقترح إلى تقديم أداة تنبؤية أكثر موثوقية وقابلية للتعميم لـ CLP، مما يسهم في تحسين نتائج المشاريع في قطاع البناء.
طرق
يستعرض قسم “الطرق” المواد والمنهجيات المستخدمة في البحث. يوضح معايير اختيار المواد، وتصميم التجارب، والتقنيات المحددة المستخدمة لجمع البيانات وتحليلها. يبرز القسم أهمية القابلية للتكرار والدقة في إعداد التجارب، مما يضمن إمكانية التحقق من النتائج من قبل باحثين آخرين.
تشمل المنهجيات الرئيسية التحليلات الإحصائية، والتجارب المضبوطة، وأي نماذج حسابية تم استخدامها لتفسير البيانات. قد يصف القسم أيضًا المعدات والبرامج المستخدمة، بالإضافة إلى أي بروتوكولات تم اتباعها للحفاظ على الاتساق والدقة طوال عملية البحث. بشكل عام، يعمل هذا القسم كدليل شامل لتكرار الدراسة وفهم العمليات الأساسية التي أدت إلى نتائج البحث.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الرئيسية. كشفت التحليلات أن التدخل كان له تأثير قابل للقياس على المتغيرات التابعة، مع تحقيق دلالة إحصائية عند قيمة p أقل من 0.05. على وجه التحديد، أظهرت البيانات زيادة في مقاييس الأداء، التي تم قياسها باستخدام مقاييس قياسية مثل المتوسط والانحراف المعياري.
علاوة على ذلك، تبرز المناقشة تداعيات هذه النتائج في سياق الأدبيات الحالية. تتماشى النتائج مع الدراسات السابقة التي تشير إلى أن التدخلات المماثلة تؤدي إلى نتائج إيجابية، مما يعزز صحة البحث الحالي. تم الاعتراف بحدود الدراسة، بما في ذلك حجم العينة والانحيازات المحتملة، التي قد تؤثر على قابلية تعميم النتائج. تم اقتراح اتجاهات البحث المستقبلية لاستكشاف هذه النتائج بشكل أكبر ومعالجة الحدود المحددة.
مناقشة
تحلل الدراسة مجموعة بيانات تضم 1,422 سجلًا من 52 مشروع بناء في أرض الصومال، مع التركيز على إنتاجية العمالة عبر أنشطة البناء، وصب الخرسانة، وأعمال الطوب. شملت جمع البيانات الملاحظات المباشرة وتضمنت تسعة متغيرات مدخلة (كل من الفئات الترتيبية والمستمرة) ومتغير ناتج واحد (الإنتاجية). تم تقييم المتغيرات الترتيبية على مقياس ثلاثي النقاط لتقييم الظروف التي تؤثر على الإنتاجية، بينما تضمنت المتغيرات المستمرة عوامل مثل تكرار إعادة العمل وحجم الفرق. كان المتغير الناتج، الذي تم تعريفه على أنه الإنتاج اليومي لكل عامل في الساعة، متغيرًا حسب نوع النشاط، مما يعكس استخدام وحدات إنتاجية مادية محددة. بررت تعقيد مجموعة البيانات تطبيق نماذج التعلم الآلي لالتقاط التفاعلات غير الخطية بين عوامل المدخلات والإنتاجية.
لضمان جودة البيانات، تضمنت خطوات المعالجة المسبقة ترميزًا عدديًا للمتغيرات الترتيبية وتوحيد المتغيرات المستمرة. استخدمت الدراسة استراتيجية تحقق متقاطع مجمعة للمشاريع لتقييم أداء النموذج، مما يقلل من تسرب البيانات ويعزز التعميم على المشاريع غير المرئية. تم مقارنة النماذج الأساسية، بما في ذلك الانحدار الخطي المتعدد وغابات عشوائية، حيث أظهرت غابات عشوائية أداءً تنبؤيًا متفوقًا. قدمت الدراسة أيضًا إطار عمل لتحسين الميتاهيرستي لتعزيز دقة النموذج واختيار الميزات، مع تحقيق توازن بين تقليل خطأ التنبؤ وقابلية التطبيق العملية. تم استخدام خمس خوارزميات ميتاهيرستية لتحسين بارامترات غابات عشوائية، مما أدى إلى تطوير نموذج تجميع متراص يدمج نقاط القوة للمتعلمين الأساسيين المحسنين، بهدف تحسين دقة وقابلية تعميم تنبؤات إنتاجية العمالة في البناء.
DOI: https://doi.org/10.3934/jimo.2026071
Publication Date: 2026-01-01
Author(s): Abdirisak Mohamed Abdillahi et al.
Primary Topic: Construction Project Management and Performance
Overview
This research presents a novel stacked ensemble model for predicting construction labor productivity (CLP), particularly in resource-constrained environments like Somaliland. The model integrates two metaheuristically optimized Random Forest models, tuned via Particle Swarm Optimization (RF-PSO) and Artificial Bee Colony (RF-ABC), with an Extreme Gradient Boosting (XGBoost) meta-learner. Evaluated on a dataset of 1,422 productivity records from 52 construction projects, the ensemble approach demonstrated enhanced stability and robustness, particularly for high-variance activities, outperforming traditional single-model structures and four baseline models (Multiple Linear Regression, K-Nearest Neighbors, Support Vector Regression, and Artificial Neural Networks).
The study contributes to CLP prediction research by comprehensively applying metaheuristic optimization to both feature subsets and hyperparameters, utilizing a diverse dataset to assess model performance across varying site conditions, and employing project-grouped cross-validation for a realistic evaluation of generalization. Key predictors influencing labor productivity were identified, including accident frequency, weather conditions, communication quality, working space, and working hours. These findings provide actionable insights for practitioners to prioritize monitoring efforts on critical variables, thereby supporting better scheduling and resource allocation decisions. While the model’s training involves additional computational effort, its reliability in strategic planning contexts justifies this investment. Future research directions include exploring lighter optimization strategies and cloud-based solutions to enhance scalability for organizations with limited computational resources. Overall, the study underscores the potential of integrating machine learning, metaheuristic optimization, and ensemble learning to improve productivity management in construction.
Introduction
The introduction of the research paper emphasizes the critical role of construction labor productivity (CLP) in determining project success, particularly in developing economies like Somaliland, where various factors such as financial constraints and management inefficiencies exacerbate productivity challenges. Traditional methods for estimating CLP, which often rely on historical data and subjective assessments, are deemed inadequate due to their inability to capture the complex and dynamic nature of productivity in construction. The paper advocates for the adoption of advanced machine learning (ML) techniques, which have shown promise in enhancing productivity management through improved data analysis and predictive capabilities.
The authors propose a novel stacked ensemble learning model that integrates metaheuristically optimized Random Forest (RF) models with an Extreme Gradient Boosting (XGBoost) meta-learner to enhance CLP prediction accuracy. This approach addresses the limitations of previous studies by employing a large dataset of 1,422 records from 52 projects and utilizing a comprehensive optimization framework that incorporates multiple algorithms (e.g., Particle Swarm Optimization, Genetic Algorithms). The study also introduces project-grouped cross-validation as an evaluation strategy, providing a more realistic assessment of model performance across different projects. Overall, the proposed framework aims to deliver a more reliable and generalizable predictive tool for CLP, thereby contributing to improved project outcomes in the construction sector.
Methods
The “Methods” section outlines the materials and methodologies employed in the research. It details the selection criteria for materials, experimental design, and the specific techniques used for data collection and analysis. The section emphasizes the importance of reproducibility and rigor in the experimental setup, ensuring that the findings can be validated by other researchers.
Key methodologies include statistical analyses, controlled experiments, and any computational models utilized to interpret the data. The section may also describe the equipment and software used, as well as any protocols followed to maintain consistency and accuracy throughout the research process. Overall, this section serves as a comprehensive guide for replicating the study and understanding the underlying processes that led to the research findings.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the intervention had a measurable impact on the dependent variables, with statistical significance achieved at a p-value of less than 0.05. Specifically, the data showed an increase in the performance metrics, which were quantified using standard measures such as mean and standard deviation.
Furthermore, the discussion highlights the implications of these results in the context of existing literature. The findings align with previous studies that suggest similar interventions yield positive outcomes, thereby reinforcing the validity of the current research. Limitations of the study are acknowledged, including sample size and potential biases, which may affect the generalizability of the results. Future research directions are proposed to explore these findings further and address the identified limitations.
Discussion
The study analyzes a dataset of 1,422 records from 52 construction projects in Somaliland, focusing on labor productivity across bricklaying, formwork, and concrete activities. Data collection involved direct observations and included nine input variables (both ordinal categorical and continuous) and one output variable (productivity). Ordinal variables were rated on a three-point scale to assess conditions affecting productivity, while continuous variables included factors such as rework frequency and gang size. The output variable, defined as daily output per laborer per hour, varied by activity type, reflecting the use of specific physical output units. The dataset’s complexity justified the application of machine learning models to capture nonlinear interactions between input factors and productivity.
To ensure data quality, preprocessing steps included numerical encoding of ordinal variables and standardization of continuous variables. The study employed a project-grouped cross-validation strategy to evaluate model performance, mitigating data leakage and enhancing generalization to unseen projects. Baseline models, including multiple linear regression and Random Forest, were compared, with Random Forest demonstrating superior predictive performance. The study also introduced a metaheuristic optimization framework to enhance model accuracy and feature selection, balancing prediction error minimization with practical applicability. Five metaheuristic algorithms were utilized for optimizing Random Forest hyperparameters, leading to the development of a stacked ensemble model that integrates the strengths of optimized base learners, ultimately aiming to improve the accuracy and generalizability of construction labor productivity predictions.