Xây dựng mô hình học máy được tối ưu hóa bằng thuật toán jellyfish search để dự báo năng suất lao động trên công trường

Tóm tắt

Các hoạt động xây dựng phụ thuộc rất nhiều vào năng suất lao động bởi các tác động trực tiếp của nó đến hiệu quả kinh tế và tiến độ của dự án. Vì vậy, nâng cao năng suất lao động trên công trường luôn là mục tiêu hàng đầu của các doanh nghiệp và các chuyên gia quản lý xây dựng. Nghiên cứu này trình bày các so sánh và đánh giá hiệu suất của các mô hình học máy, bao gồm bốn mô hình đơn ANN, SVR, LR, CART và ba mô hình hỗn hợp Voting, Bagging, Stacking. Kết quả thu được cho thấy mô hình hỗn hợp Bagging-ANN mang lại hiệu quả cao nhất. Các tham số của mô hình được chọn sẽ được tối ưu hóa bằng thuật toán Jellyfish Search để nâng cao hiệu suất mô hình. Kết quả cuối cùng được so sánh với các đề xuất trước đó cho thấy hiệu suất vượt trội của mô hình JS-Bagging-ANN.

Từ khóa: Jellyfish Search; năng suất lao động; mô hình học máy; tối ưu hóa; dự báo.