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 $90k–130kів. 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.
| Метод | Точність (MAPE) за 60 днів до здачі | Врахування погоди | Врахування залежностей |
|---|---|---|---|
| Класична EVA | 20–30% | Ні | Ні |
| ML-покращена EVA | <10% | Так | Так |
Основні фактори затримки та їх вплив
| Фактор | Опис | Типовий вплив (дні) |
|---|---|---|
| Погода | Несприятливі дні для робіт | 5–15 |
| Поставки | Затримка критичних матеріалів | 7–30 |
| Ресурси | Нестача робітників або техніки | 10–20 |
| Субпідрядники | Відставання суміжників | 5–25 |
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
- Аналіз даних: аудит поточних джерел, налаштування процесів збору
- Розробка ML-моделей: навчання, валідація, розгортання на інференс-сервері
- Інтеграція з ПМІС та BIM: конектори до Primavera P6, API BIM 360
- Вітрина прогнозів: дашборд з прогнозом здачі, ризиками, рекомендаціями
- Документація та навчання: регламенти, інструкції для проєктної команди
- 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.