Dirk Schlüter

Anwendung von maschinellem Lernen zur Kostenprognose in der Ausführung von Anlagenbauprojekten


Front	Back

ISBN:

978-3-8440-8232-6

Series:

Schriftenreihe des Instituts für Baubetrieb und Baumanagement der Universität Duisburg-Essen
Herausgeber: Prof. Dr.-Ing. Alexander Malkwitz
Essen

Keywords:

Großanlagenbau; Kostenprognose; Maschinelles Lernen; multiple lineare Regressionsmodelle; Entscheidungsbäume; Künstliche Neuronale Netzwerke

Type of publication:

Thesis

Language:

German

Pages:

186 pages

Figures:

83 figures

Weight:

276 g

Format:

21 x 14,8 cm

Bindung:

Paperback

Price:

48,80 € / 61,10 SFr

Published:

October 2021

Buy:

DOI:

10.2370/9783844082326 (Online document)

Download:

Available PDF-Files for this title:

You need the Adobe Reader, to open the files. Here you get help and information, for the download.

These files are not printable.


	Document		Appendix
	Type		PDF
	Costs		free
	Action		Display of file - 1,9 MB (1997997 Byte)
	Action		Download of file - 1,9 MB (1997997 Byte)


	Document		Document
	Type		PDF
	Costs		36,60 EUR
	Action		Purchase in obligation and display of file - 7,1 MB (7441250 Byte)
	Action		Purchase in obligation and download of file - 7,1 MB (7441250 Byte)


	Document		Table of contents
	Type		PDF
	Costs		free
	Action		Display of file - 155 kB (158507 Byte)
	Action		Download of file - 155 kB (158507 Byte)


	Document		Data
	Type		ZIP
	Costs		free
	Action
	Action		Download of file - 1,21 MB (1277050 Byte)

User settings for registered users

You can change your address here or download your paid documents again.

User:	Not logged in.
Actions:	Login / Register Forgotten your password?

Recommendation:

You want to recommend this title?

Review copy:

Here you can order a review copy.

Link:

You want to link this page? Click here.

Export citations:

Text
BibTex
RIS

Abstract:

Die Erstellung von Kostenprognosen während der Ausführung von Projekten im industriellen Großanlagenbau gilt als komplex. Die Beurteilung über künftige Kosten- Zustände wird dabei maßgeblich beeinflusst durch eine Vielzahl zu analysierender Parameterkombinationen der direkten und indirekten Anlagenkosten, sowie deren Einflussfaktoren. Darüber hinaus liegt es in der Natur einer Baustellenproduktion, dass Prozesse nicht linear zur Planung verlaufen und Kosten sich anders entwickeln als vorgesehen. Mithin stoßen die gegenwärtig zur Anwendung kommenden Prognoseverfahren, wie z.B. einfache Regressionsmodelle oder Zeitreihenanalysen, an ihre Grenzen. So erreicht die Genauigkeit der Vorhersage derzeit einen bestmöglichen Zustand von ± 3 %. In den letzten Jahren kam es zu Veränderungen in vielen Branchen, wenn große und komplexe Datenmengen zu Prognosen verarbeitet werden mussten. Durch die Anwendung von Methoden des maschinellen Lernens konnten auch dann sehr genaue Vorhersagen getroffen werden, wenn die zu Grunde liegende Informationsbasis multivariat und komplex ist. An dieser Stelle knüpft die Arbeit an. Die Abhandlung zeigt im Ergebnis, dass die Kostenprognosen der maschinellen Lernmodelle allesamt innerhalb eines zulässigen Toleranzbereichs liegen. Somit ist die prinzipielle Eignung gegeben. Darüber hinaus wurde festgestellt, dass maschinelle Lernmodelle bei gleichen Voraussetzungen eine bessere Prognosegenauigkeit erzielen als gegenwärtige Prognoseverfahren.