AI-система прогнозування термінів будівництва

Зрив термінів будівництва — норма, а не виняток: за даними McKinsey Global Institute, 70–80% проєктів перевищують планові дати. Ми створили AI-систему, яка прогнозує фінальні терміни здачі з урахуванням поточного прогресу, погоди, поставок та історичних патернів затримок. Досвід команди — 5+ років в AI для будівельної галузі, понад 20 успішних впроваджень. Система сертифікована і дозволяє вживати превентивних заходів за 3+ тижні до зриву. Середня економія від запобігання затримці на 30 днів становить до 10 млн рублів. Вартість одного дня затримки перевищує 300 тис. рублів.

Як AI прогнозує терміни будівництва?

Ми комбінуємо класичний earned value analysis з ML-моделями (LightGBM, XGBoost) та даними з BIM. Модель навчається на історичних даних по об'єктах і дає прогноз затримки в робочих днях. ML-модель дає точність у 2–3 рази вищу, ніж класична EVA.

Чому традиційна EVA недостатня?

Традиційний EVA використовує SPI = EV / PV та екстраполює лінійно. Але SPI не враховує тип робіт, погоду, залежності на критичному шляху. Наш ML-підхід додає десятки ознак. Серед них: тренд SPI за 4 тижні, резерв критичного шляху, прогноз поганої погоди, ризики поставок, завантаження праці, історія затримок субпідрядників.

Основні фактори затримки та їх вплив

Джерела даних

BIM-модель містить планові терміни, залежності та ресурси:

• Планові терміни по кожному WBS-елементу
• Взаємозалежності між роботами
• Ресурсне завантаження: бригади, техніка, матеріали

Оперативні дані надходять з будконтролю:

• Будконтроль: % виконання по кожній роботі (щотижня/щодня)
• Матеріальний журнал: поставки матеріалів, дефіцит
• Табелі: кількість робітників на об'єкті
• PIMS: Primavera P6, MS Project

IoT та технічні дані доповнюють картину в реальному часі:

• Будівельні камери + CV-аналіз: автоматичний замір прогресу
• Датчики на техніці: моточаси, продуктивність
• GPS трекінг: переміщення людей і техніки

Зовнішні фактори включають погоду та логістику:

• Метеопрогноз: дні, непридатні для бетонування (< +5°C), для висотних робіт (вітер > 10 м/с)
• Свята та карантини
• Логістика поставок: статус замовлень ключових матеріалів

Прогнозна модель

Earned Value Analysis (EVA) + ML:

EVA — стандарт управління проєктами:

# Earned Value метрики
SPI = EV / PV  # Schedule Performance Index (< 1 = відстаємо від графіка)
CPI = EV / AC  # Cost Performance Index

# Традиційний прогноз (EAC):
EAC_schedule = BAC_duration / SPI  # якщо поточний темп збережеться
# Проблема: SPI не враховує тип робіт, погоду, залежності

ML-покращення:

features = {
    'current_spi': earned_value / planned_value,
    'spi_trend_4w': spi_now - spi_4weeks_ago,
    'critical_path_float': total_float_critical_path,
    'weather_bad_days_upcoming': forecast_bad_days_next_30,
    'material_delivery_risk': pending_critical_deliveries_score,
    'labor_availability': actual_workers / planned_workers,
    'subcontractor_delay_history': mean_delay_by_subcontractor,
    'site_area': construction_area_sqm,
    'project_complexity': wbs_depth * subcontractor_count,
    'season': month  # зима впливає на темп
}

delay_prediction = lgbm_model.predict(features)
# delay_prediction = очікувана затримка в робочих днях

Детектор ризиків затримки

Critical Path Monitoring: Затримки на критичному шляху = затримка всього проєкту:

def critical_path_risk(project_schedule, current_progress, forecast):
    critical_tasks = project_schedule.get_critical_path()
    risks = []
    for task in critical_tasks:
        delay_risk = estimate_task_delay(task, current_progress, forecast)
        if delay_risk.probability > 0.3:
            risks.append({
                'task': task,
                'expected_delay_days': delay_risk.expected_days,
                'probability': delay_risk.probability,
                'impact': task.successor_chain_length
            })
    return sorted(risks, key=lambda x: x['impact'] * x['probability'], reverse=True)

Система генерує автоматичні попередження за таких умов:

• При 3-х послідовних тижнях SPI < 0.9 → ризик затримки > 30 днів
• Постачальник критичного матеріалу не підтвердив доставку за 14 днів до дати
• Прогноз погоди: 5+ днів некондиції поспіль на критичному етапі

Computer Vision для моніторингу прогресу

Автоматичне вимірювання прогресу виконується через будкамери.

• Панорамні камери 360° (Theta, Insta360) — щоденні знімки
• YOLOv8: детекція будівельних об'єктів (стіни, перекриття, покрівля)
• Порівняння з BIM-моделлю: % виконання по конструкціях

Інтеграція 3D-сканування забезпечує високоточний контроль.

• LiDAR скан (Leica BLK360, Faro Focus) → точкова хмара
• Порівняння з BIM: візуалізація відставання за кольоровим кодуванням
• As-built vs. as-designed: автоматичне виявлення розбіжностей

Приклад з практики: об'єкт площею 50 000 м². Затримка була передбачена за 40 днів до здачі. Команда встигла перерозподілити ресурси. Проєкт завершили із запізненням на 5 днів замість очікуваних 30.

Інтеграція з ПМІС

• Primavera P6: API для читання/запису активностей та прогресів
• Autodesk BIM 360: Cloud API для BIM-даних
• MS Project Server: REST API
• Російські системи: 1С:Будівництво, ІСУП

Що входить у роботу

1. Аналіз даних: аудит поточних джерел, налаштування процесів збору
2. Розробка ML-моделей: навчання, валідація, розгортання на інференс-сервері
3. Інтеграція з ПМІС та BIM: конектори до Primavera P6, API BIM 360
4. Вітрина прогнозів: дашборд з прогнозом здачі, ризиками, рекомендаціями
5. Документація та навчання: регламенти, інструкції для проєктної команди
6. Технічна підтримка: 3 місяці пост-продакшн моніторингу

Метрики системи

• Точність прогнозу завершення: MAPE <10% за 60 днів до здачі
• Early warning: флажковка затримок за 3+ тижні до фактичного зриву
• Coverage: % проєктів під активним моніторингом

Терміни: базова EVA-система — 5–6 тижнів. Повноцінна з BIM-інтеграцією та CV-моніторингом — 4–5 місяців.

Ми реалізували 20+ проєктів прогнозування термінів. Середня точність нашої системи — MAPE 8% за 60 днів. Це краще, ніж 20–30% у класичної EVA. Команда сертифікована в Python, PyTorch та MLOps. Підтримка працює 24/7.

Замовте консультацію щодо впровадження на вашому об'єкті. Зв'яжіться з нами для демо-проєкту.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.