人工智能算法在建設項目管理中的應用綜述

摘要：傳統建設項目管理費時、費力、決策效率較低，而近年來以機器學習、深度學習為代表的人工智能算法在建設項目質量、進度、成本、風險、安全等各領域得到較好的應用，但同時也暴露出一系列問題，如誤差較大、穩健性不強、可泛化能力較差等。系統地總結既有研究和實踐現狀，分析人工智能算法在建設項目管理中應用的挑戰與不足，為后續深入研究人工智能算法提供參考。

關鍵詞：建設項目管理；機器學習；深度學習；文獻綜述

0 引言

建設項目管理是工程建設過程中一項極為重要的工作，直接影響整個工程的效率、效益與安全。長期以來，項目管理工作對管理人員的專業素養、過往經驗依賴性較強，費時、費力的同時，也容易導致決策效率及科學性不高。如今，人工智能作為科技領域的前沿技術，已在眾多行業中展現出巨大的潛力和價值。近年來，以機器學習、深度學習為代表的人工智能算法在建設項目管理研究和實踐工作中取得了顯著成效，涵蓋質量檢測、進度計劃、成本預測、風險管控、安全預警等多個方面，具有廣闊應用前景^[1]。盡管如此，實際工程項目流程繁多、場景復雜，導致人工智能算法在精確度、魯棒性、泛化能力等多方面都面臨著較大挑戰。如何有效整合人工智能算法與現有項目管理流程，克服技術實施中的挑戰，以及評估人工智能算法在實際項目管理中的效果和影響，都是亟待解決的問題^[2]。

基于上述背景，本文梳理以機器學習、深度學習為代表的人工智能算法在建設項目管理各領域的應用現狀，分析現有研究的成果和不足，并提出未來的研究方向和改進建議。

1 文獻計量分析

文獻計量學能夠通過定量方法分析和評估科學文獻的學術影響力、發展趨勢，揭示研究熱點，相較傳統文獻綜述方法更加直觀、客觀^[3]。為了更全面地了解機器學習、深度學習在建設項目管理中的研究現狀，本研究基于CiteSpace軟件開展了文獻計量學分析。設置檢索詞，在Web of Science數據庫中共檢索到有關文獻（含研究論文、綜述、科技報告等）100篇。文獻檢索詞設置見表1，經軟件自動去重整理后開展有關分析。

關鍵詞共現及聚類圖譜如圖1所示。由圖1可知，“建設管理”“機器學習”“深度學習”是整個圖譜最核心的三個關鍵詞，具有較高的中介中心性。此外，其他關鍵詞體現了人工智能算法在建設項目管理各領域的應用情況。建筑信息模型（BIM）與人工智能算法的集成應用是當下的研究熱點。BIM技術作為數字底座，為機器學習、深度學習的開發應用搭建了平臺。“工人”“安全”“計算機視覺”“追蹤”等關鍵詞體現了人工智能算法在建設安全管理領域的應用。既有實踐表明，人工智能算法在建筑工人實名制管理、安全防護檢測、危險區域識別等多個方面取得了良好應用效果。“損傷檢測”“增強現實”等關鍵詞與建設質量管理有密切聯系。

關鍵詞突現見表2，其展示了2014—2024年人工智能算法在建設項目管理研究中關鍵詞的突現情況。從表2可以看出，不同的關鍵詞表現出不同的強度和出現時間。例如，關鍵詞“neural networks”和“classification”在2014年和2017年開始突現，分別持續到2017年和2018年。這表明在2014年左右，神經網絡和分類算法在建設項目管理中的應用開始受到關注。2016—2020年，關鍵詞“automated information extraction”和“tracking”在這段時間內突現。特別是關鍵詞“sensors”和“construction”在2018年和2019年開始突現，反映了當時研究文獻對傳感器技術在施工管理中應用的關注。2021—2022年，許多關鍵詞如“information”“damage detection”“automated detection”“workers”“safety”和“artificial intelligence”突現，并且持續到2024年，突現反映出目前對信息處理、損傷檢測、自動化檢測、工人安全和人工智能的高度關注。總體來看，從早期的神經網絡和分類技術到目前的傳感器、信息處理、自動化和安全管理技術的廣泛應用，人工智能和相關技術在建設項目管理中的應用隨著時間的推移不斷發展。這種趨勢表明，人工智能技術在建設項目管理中的應用越來越廣泛和深入。

2 常用算法基本原理

2.1 機器學習算法

機器學習算法是人工智能算法的一個分支，計算機通過觀察給定的數據集并基于輸入數據生成模型來解決問題。機器學習與傳統編程不同，傳統編程規則是用計算機語言編寫的，而不能從數據中學習，而機器學習使用數據生成預測模型，然后使用這些模型對新數據進行預測。對于一些現實問題，由于代碼的復雜性，開發基于規則的程序極其困難，而在有足夠相關數據的情況下，可以使用機器學習來解決這些問題。

根據訓練數據有無“標簽”，機器學習通常可以分成監督學習、無監督學習、強化學習三大類。監督學習是機器學習中最常用的一類方法，其訓練數據集包含輸入和相應的期望輸出（標簽），模型通過學習這些輸入-輸出對，來預測新數據的輸出，常見算法有K近鄰算法、支持向量機、邏輯回歸、線性回歸、神經網絡等。無監督學習用于沒有標簽的訓練數據，其目標是從數據中發現潛在的結構或模式，常見無監督算法有聚類算法、主成分分析等。強化學習通過與環境的交互，學習一系列行動策略，以最大化累積獎勵，常應用于機器人控制、游戲人工智能等領域，Q學習及策略梯度方法是常見的強化學習算法。常見機器學習算法見表3。

2.2 深度學習算法

深度學習算法是機器學習算法的一個分支，通過使用多層神經網絡來模擬人腦的結構和功能，在處理復雜的數據模式和預測問題上表現出色。它利用大量的訓練數據和強大的計算能力，通過自動特征提取和反向傳播算法來優化模型，使其在計算機視覺、自然語言處理、自動駕駛和醫療診斷等領域的運用成效顯著。

卷積神經網絡（Convolutional Neural Network，CNN）是一種專門用于處理和分析圖像數據的深度學習模型。其獨特的架構能夠有效地捕捉圖像的空間層次結構，從而在圖像識別、目標檢測和圖像分割等任務中表現出色^[13]。卷積神經網絡的核心是其層級結構，通過層層提取獲得圖像的低級到高級特征。例如，早期的卷積層可以檢測邊緣和紋理等簡單特征，而后續層則會識別更復雜的模式和對象。卷積操作的局部連接和權重共享特性，使得CNN在處理高維圖像數據時更加高效，并且能夠有效減少參數數量和過擬合風險。

循環神經網絡（Recurrent Neural Networks，RNN）是一種專門用于處理序列數據的神經網絡模型，能夠捕捉數據中的時間依賴關系。與傳統的前饋神經網絡不同，RNN具有內部循環結構，允許信息在序列的每個步驟之間進行傳遞和記憶^[14]。RNN的基本單元包括輸入層、隱藏層和輸出層。每個時間步的輸入不僅依賴于當前輸入數據，還依賴于前一時間步的隱藏狀態（記憶）。

生成對抗網絡（Generative Adversarial Network，GAN）通過兩個對抗性神經網絡（生成器和判別器）的相互競爭，能夠生成與真實數據分布相似的高質量樣本^[15]。生成器的任務是從一個隨機噪聲向量（通常是高斯噪聲或均勻噪聲）生成逼真的數據樣本。生成器通過反向傳播不斷更新其參數，使其生成的樣本逐漸接近真實數據分布。判別器的任務是區分真實數據和生成器生成的假數據。它接收數據樣本并輸出一個概率值，可表明輸入數據是真實數據的概率。判別器通過反向傳播更新參數，以提高GAN辨別能力。GAN的訓練過程是生成器和判別器的對抗博弈。生成器試圖欺騙判別器，使其無法區分真假數據，而判別器則試圖準確區分真實數據和假數據。

3 人工智能算法在建設項目管理中的應用

3.1 質量管理

使用機器學習算法和計算機視覺技術，人工智能可以自動檢測和識別施工現場的質量問題，如裂縫、腐蝕或材料缺陷。通過訓練卷積神經網絡（CNN）處理圖像數據，可以實時監控和發現質量問題。這種自動化檢測不僅能提高檢測速度，還能大幅降低人工檢查的錯誤和遺漏。例如，Tan等^[16]通過集成計算機視覺、增強現實技術（VR）、BIM技術，實現了裂縫快速、準確的可視化檢測，效果顯著。

除此之外，通過分析歷史數據，機器學習算法還可以識別質量問題的潛在發展模式和趨勢，從而制定預防措施。使用聚類算法和異常檢測技術，可以識別出施工過程中可能導致質量問題的關鍵因素^[17]。例如，通過對多個項目的質量檢查數據進行聚類分析，人工智能算法可以識別出哪些施工方法或材料容易導致質量問題，并提供相應的改進措施。此類數據驅動的方法使得質量管理更加科學和高效。

3.2 進度管理

機器學習模型可以根據歷史項目數據和當前進度數據預測未來的項目進度。通過訓練回歸模型和時間序列分析，人工智能可以幫助管理人員更準確地估計工期，并優化施工計劃。孫玉慧^[18]基于PCA-BP神經網絡對水利工程施工進度進行預測，并通過實證研究表明其效果較優，能夠提高項目管理效率。

此外，使用強化學習和優化算法還可以智能地調度資源（如勞動力、設備和材料），找到最優的資源分配策略，以實現最大化工作效率并最小化延誤^[19]。例如，人工智能系統可以根據每天的任務需求和工人的技能水平，動態調整工人分配，以確保每個任務都能以最高效率完成，這不僅提高了施工效率，還能有效降低成本。

3.3 成本管理

機器學習算法和深度學習算法在建設項目成本管理中主要通過數據分析和模式識別來預測成本、評估風險、優化資源配置和設計方案，從而提高成本控制的準確性和項目管理的效率^[20-21]。

3.4 安全管理

通過分析現場傳感器數據和視頻監控數據，人工智能可以實時檢測和識別潛在的安全隱患，如工人行為異常、設備故障或環境變化等。計算機視覺和深度學習技術在這一領域被廣泛應用，應用深度學習算法可以實現安全帽佩戴檢測。Rabbi等^[22]對人工智能算法在建設項目安全管理研究中的現狀、挑戰、未來研究方向做了系統性綜述，涵蓋視頻、文本、音頻等多種模態。

近年來，以人為本的神經工程管理研究開始嶄露頭角，其融合工程管理、心理學、腦科學、人工智能算法等多學科的研究范式，在建設項目安全管理中有初步應用。例如，Ma等^[23]基于先進傳感器設備，運用人工智能算法對鋼筋綁扎工人疲勞狀態進行實時監測；Xiang等^[24]運用腦電設備，結合人工智能算法，對建筑工人不安全行為的發生機理展開研究。此外，機器學習模型還可以根據歷史事故數據和現場條件預測潛在事故，并提供預防措施。

3.5 風險管理

通過分析項目數據和外部環境數據，人工智能可以識別和評估項目風險，如自然災害、市場波動或供應鏈中斷^[25]。貝葉斯網絡和決策樹模型在風險評估中表現出色。例如，Pan等^[26]開發了一套基于人工智能算法的建設項目風險管控系統，可以通過分析氣象數據和施工進度，預測惡劣天氣對項目的影響，并建議調整施工計劃以減少風險。

總的來說，人工智能算法在建設項目管理中的應用大大提升了各個管理環節的效率和準確性。通過自動化數據分析、智能預測和優化，人工智能不僅有助于更好地控制項目進度、質量和成本，在提高建設項目安全性和風險管理水平方面也發揮了重要作用。隨著人工智能技術的不斷發展，其在建設項目管理中的應用前景將更加廣闊。具體而言，未來可能會開發更多基于人工智能的智能系統，它們能夠集成多種數據源，實現更加全面和實時的項目管理，最終推動建筑行業向著更高效、更智能的方向發展^[27]。

4 挑戰及改進建議

4.1 挑戰

盡管人工智能在建設項目管理中展現出巨大潛力，但仍存在一些挑戰，具體挑戰如下：

（1）人工智能算法依賴于大量高質量的數據進行訓練。然而，建筑項目中數據的收集和管理往往存在不規范和不完整的問題，導致模型訓練數據不足或數據質量不高。

（2）實施人工智能技術需要專業知識和技能，這對于許多傳統建筑企業來說是一項巨大挑戰。此外，開發和部署人工智能系統的成本較高，可能會超出一些企業的預算。

（3）在復雜的施工環境中，人工智能系統需要快速處理和分析大量數據，以實現實時監控和決策。然而，當前的技術可能無法完全滿足這種實時性和高響應性的要求。

（4）在收集和處理項目數據時，數據隱私和安全問題不容忽視。如何在保證數據安全的前提下充分利用數據，是一個亟待解決的問題。

（5）建筑行業的從業人員對于新技術的接受度和熟悉程度偏低，推廣和應用人工智能技術需要大量的培訓和引導，以提升員工的接受度和使用技能。

4.2 改進建議

針對以上挑戰，可以考慮從以下方面進行提升：

（1）通過實施標準化的數據收集和管理流程，以確保數據的全面性和高質量。同時，可以引入物聯網（IoT）技術，通過傳感器和智能設備實時收集現場數據，提高數據的精確度和時效性。

（2）對企業員工進行定期的人工智能技術培訓，提高他們的技術素養和操作能力。同時，通過組織研討會和技術交流會，分享成功案例和最佳實踐，增強員工對人工智能技術的理解和接受度。

（3）對算法設計和系統架構進行優化，以提高人工智能系統的實時處理能力和響應速度。可以采用邊緣計算技術，將部分計算任務下放到現場設備上，以避免數據傳輸延遲。

（5）通過與高校和科研機構合作，開展技術研發和創新，探索低成本、高效能的人工智能解決方案。同時，政府和行業協會可以提供資金和政策支持，鼓勵企業應用人工智能技術。

（6）采用先進的數據加密和安全保護技術，確保數據在傳輸和存儲過程中的安全。制定嚴格的數據隱私保護政策，確保數據使用符合相關法律法規。

（7）選擇一些規模較小或相對簡單的項目作為試點，探索和驗證人工智能技術的應用效果。總結經驗后，逐步在更大規模和更復雜的項目中推廣應用。

5 結語

本研究系統總結了以機器學習、深度學習為代表的人工智能算法在建設項目管理工作中的應用現狀，并剖析了其在應用過程中的不足與挑戰，為建設項目管理工作智能化轉型提供了有力參考。

參考文獻

[1]BADUGE S K，THILAKARATHNA S，PERERA J S，et al.Artificial intelligence and smart vision for building and construction 4.0：machine anddeep learning methods and applications[J].Automation in Construction，2022（141）：104440.

[2]IVANOVA S，KUZNETSOV A，ZVEREV R，et al.Artificial intelligence methods for the construction and management ofbuildings[J].Sensors，2023，23（21）：8740.

[3]DONTHU N，KUMAR S，MUKHERJEE D，et al.How to conduct a bibliometric analysis：an overview and guidelines[J].Journal of Business Research，2021（133）：285-296.

[4]MA J，LI H，YU X，et al.Sweat analysis-based fatigue monitoring during construction rebar bendingtasks[J].Journal of Construction Engineering and Management，2023，149（9）：04023072.

[5]PADMAPOORANI P，SENTHILKUMAR S，MOHANRAJ R. Machine learning techniques for structural health monitoring of concrete structures：a systematic review[J].Iranian Journal of Science and Technology-Transactions of Civil Engineering，2023，47（4）：1919-1931.

[6]KAR A K，CHOUDHARY S K，SINGH V K.How can artificial intelligence impact sustainability：a systematic literature review[J].Journal of Cleaner Production，2022 （376）：134120.

[7]BODENDORF F，MERKL P，FRANKE J.Intelligent cost estimation by machine learningin supply management：a structured literature review[J].Computers amp; Industrial Engineering，2021（160）：107601.

[8]朱婷，車善婷，厲聞明.人工神經網絡在建筑工程造價預算中的應用[J].中國住宅設施，2024（5）：29-31.

[9]蘇中花.多場景下點云數據建筑物分割方法研究[D].成都：電子科技大學，2023.

[10]李姣姣.基于混合機器學習模型的建筑工程造價預測方法[J].九江學院學報（自然科學版），2023，38（4）：47-51.

[11]尉雅晨.基于強化學習的動態事故疏散[J].科學技術創新，2023（20）：129-132.

[12]SHAMSHIRI A，RYU K R，PARK J Y.Text mining and natural language processing inconstruction[J].Automation in Construction，2024（158）：105200.

[13]JIAO J，ZHAO M，LIN J，et al.A comprehensive review on convolutional neural network in machine fault diagnosis[J].Neurocomputing，2020（417）：36-63.

[14]張丙強.基于卷積神經網絡和循環神經網絡的結構損傷識別[D].廣州：廣州大學，2020.

[15]CHAI P，HOU L，ZHANG G，et al.Generative adversarial networks in constructionapplications[J].Automation in Construction，2024（159）：105265.

[16]TAN Y，XU W，CHEN P，et al.Building defect inspection and data management using computer vision，augmented reality，and BIM technology[J].Automation in Construction，2024（160）：105318.

[17]CAO Y，ZANDI Y，AGDAS A S，et al.A review study of application of artificial intelligence in construction management and composite beams[J].Steel and Composite Structures，2021，39（6）：685-700.

[18]孫玉慧.基于PCA-BP神經網絡的水利工程進度預測[D].哈爾濱：黑龍江大學，2023.

[19]KAZEEM K O，OLAWUMI T O，OSUNSANMI T.Roles of artificial intelligence and machine learning in enhancing construction processes and sustainable communities[J].Buildings，2023，13（8）：2061.

[20]LIU Q，MA Y，CHEN L，et al.Artificial intelligence for production，operations and logistics management in modular construction industry：a systematic literature review[J].Information Fusion，2024（109）：102423.

[21]張旺，魏征.基于BIM技術的高支模工程成本動態分析及控制[J].項目管理技術，2022，20（12）：163-166.

[22]RABBI A B K，JEELANI I.AI integration in construction safety：current state，challenges，and future opportunities in text，vision，and audio based applications[J].Automation in Construction，2024（164）：105443.

[23]MA J，LI H，YU X，et al.Sweat analysis-based fatigue monitoring during construction rebar bendingtasks[J].Journal of Construction Engineering and Management，2023，149（9）： "04023072.

[24]XIANG Q，YE G，LIU Y，et al.Cognitive mechanism of con-" struction workers’ unsafe behavior：a systematic review[J].Safety Science，2023（159）：106037.

[25]DATTA S D，ISLAM M，SOBUZ M H R，et al.Artificial intelligence and machine learning applications in the project lifecycle of the construction industry：a comprehensive review[J].Heliyon，2024，10（5）：e26888.

[26]PAN Y，ZHANG L.Roles of artificial intelligence in construction engineering and management：a critical review and future trends[J].Automation in Construction，2021（122）：103517.

[27]馬登·武科曼諾維奇.項目管理的未來趨勢：數字化、道德監管與人類決策的適應性[J].項目管理技術，2024，22（7）：2-4.

收稿日期：2024-09-24

作者簡介：

李亞寧（1992—），男，工程師，研究方向：工程項目管理。

丁志坤（通信作者）（1978—），男，博士，教授，研究方向：智能建造、可持續建造管理。