人工智能算法在建设项目管理中的应用综述

摘要：传统建设项目管理费时、费力、决策效率较低，而近年来以机器学习、深度学习为代表的人工智能算法在建设项目质量、进度、成本、风险、安全等各领域得到较好的应用，但同时也暴露出一系列问题，如误差较大、稳健性不强、可泛化能力较差等。系统地总结既有研究和实践现状，分析人工智能算法在建设项目管理中应用的挑战与不足，为后续深入研究人工智能算法提供参考。

关键词：建设项目管理；机器学习；深度学习；文献综述

0 引言

建设项目管理是工程建设过程中一项极为重要的工作，直接影响整个工程的效率、效益与安全。长期以来，项目管理工作对管理人员的专业素养、过往经验依赖性较强，费时、费力的同时，也容易导致决策效率及科学性不高。如今，人工智能作为科技领域的前沿技术，已在众多行业中展现出巨大的潜力和价值。近年来，以机器学习、深度学习为代表的人工智能算法在建设项目管理研究和实践工作中取得了显著成效，涵盖质量检测、进度计划、成本预测、风险管控、安全预警等多个方面，具有广阔应用前景^[1]。尽管如此，实际工程项目流程繁多、场景复杂，导致人工智能算法在精确度、鲁棒性、泛化能力等多方面都面临着较大挑战。如何有效整合人工智能算法与现有项目管理流程，克服技术实施中的挑战，以及评估人工智能算法在实际项目管理中的效果和影响，都是亟待解决的问题^[2]。

基于上述背景，本文梳理以机器学习、深度学习为代表的人工智能算法在建设项目管理各领域的应用现状，分析现有研究的成果和不足，并提出未来的研究方向和改进建议。

1 文献计量分析

文献计量学能够通过定量方法分析和评估科学文献的学术影响力、发展趋势，揭示研究热点，相较传统文献综述方法更加直观、客观^[3]。为了更全面地了解机器学习、深度学习在建设项目管理中的研究现状，本研究基于CiteSpace软件开展了文献计量学分析。设置检索词，在Web of Science数据库中共检索到有关文献（含研究论文、综述、科技报告等）100篇。文献检索词设置见表1，经软件自动去重整理后开展有关分析。

关键词共现及聚类图谱如图1所示。由图1可知，“建设管理”“机器学习”“深度学习”是整个图谱最核心的三个关键词，具有较高的中介中心性。此外，其他关键词体现了人工智能算法在建设项目管理各领域的应用情况。建筑信息模型（BIM）与人工智能算法的集成应用是当下的研究热点。BIM技术作为数字底座，为机器学习、深度学习的开发应用搭建了平台。“工人”“安全”“计算机视觉”“追踪”等关键词体现了人工智能算法在建设安全管理领域的应用。既有实践表明，人工智能算法在建筑工人实名制管理、安全防护检测、危险区域识别等多个方面取得了良好应用效果。“损伤检测”“增强现实”等关键词与建设质量管理有密切联系。

关键词突现见表2，其展示了2014—2024年人工智能算法在建设项目管理研究中关键词的突现情况。从表2可以看出，不同的关键词表现出不同的强度和出现时间。例如，关键词“neural networks”和“classification”在2014年和2017年开始突现，分别持续到2017年和2018年。这表明在2014年左右，神经网络和分类算法在建设项目管理中的应用开始受到关注。2016—2020年，关键词“automated information extraction”和“tracking”在这段时间内突现。特别是关键词“sensors”和“construction”在2018年和2019年开始突现，反映了当时研究文献对传感器技术在施工管理中应用的关注。2021—2022年，许多关键词如“information”“damage detection”“automated detection”“workers”“safety”和“artificial intelligence”突现，并且持续到2024年，突现反映出目前对信息处理、损伤检测、自动化检测、工人安全和人工智能的高度关注。总体来看，从早期的神经网络和分类技术到目前的传感器、信息处理、自动化和安全管理技术的广泛应用，人工智能和相关技术在建设项目管理中的应用随着时间的推移不断发展。这种趋势表明，人工智能技术在建设项目管理中的应用越来越广泛和深入。

2 常用算法基本原理

2.1 机器学习算法

机器学习算法是人工智能算法的一个分支，计算机通过观察给定的数据集并基于输入数据生成模型来解决问题。机器学习与传统编程不同，传统编程规则是用计算机语言编写的，而不能从数据中学习，而机器学习使用数据生成预测模型，然后使用这些模型对新数据进行预测。对于一些现实问题，由于代码的复杂性，开发基于规则的程序极其困难，而在有足够相关数据的情况下，可以使用机器学习来解决这些问题。

根据训练数据有无“标签”，机器学习通常可以分成监督学习、无监督学习、强化学习三大类。监督学习是机器学习中最常用的一类方法，其训练数据集包含输入和相应的期望输出（标签），模型通过学习这些输入-输出对，来预测新数据的输出，常见算法有K近邻算法、支持向量机、逻辑回归、线性回归、神经网络等。无监督学习用于没有标签的训练数据，其目标是从数据中发现潜在的结构或模式，常见无监督算法有聚类算法、主成分分析等。强化学习通过与环境的交互，学习一系列行动策略，以最大化累积奖励，常应用于机器人控制、游戏人工智能等领域，Q学习及策略梯度方法是常见的强化学习算法。常见机器学习算法见表3。

2.2 深度学习算法

深度学习算法是机器学习算法的一个分支，通过使用多层神经网络来模拟人脑的结构和功能，在处理复杂的数据模式和预测问题上表现出色。它利用大量的训练数据和强大的计算能力，通过自动特征提取和反向传播算法来优化模型，使其在计算机视觉、自然语言处理、自动驾驶和医疗诊断等领域的运用成效显著。

卷积神经网络（Convolutional Neural Network，CNN）是一种专门用于处理和分析图像数据的深度学习模型。其独特的架构能够有效地捕捉图像的空间层次结构，从而在图像识别、目标检测和图像分割等任务中表现出色^[13]。卷积神经网络的核心是其层级结构，通过层层提取获得图像的低级到高级特征。例如，早期的卷积层可以检测边缘和纹理等简单特征，而后续层则会识别更复杂的模式和对象。卷积操作的局部连接和权重共享特性，使得CNN在处理高维图像数据时更加高效，并且能够有效减少参数数量和过拟合风险。

循环神经网络（Recurrent Neural Networks，RNN）是一种专门用于处理序列数据的神经网络模型，能够捕捉数据中的时间依赖关系。与传统的前馈神经网络不同，RNN具有内部循环结构，允许信息在序列的每个步骤之间进行传递和记忆^[14]。RNN的基本单元包括输入层、隐藏层和输出层。每个时间步的输入不仅依赖于当前输入数据，还依赖于前一时间步的隐藏状态（记忆）。

生成对抗网络（Generative Adversarial Network，GAN）通过两个对抗性神经网络（生成器和判别器）的相互竞争，能够生成与真实数据分布相似的高质量样本^[15]。生成器的任务是从一个随机噪声向量（通常是高斯噪声或均匀噪声）生成逼真的数据样本。生成器通过反向传播不断更新其参数，使其生成的样本逐渐接近真实数据分布。判别器的任务是区分真实数据和生成器生成的假数据。它接收数据样本并输出一个概率值，可表明输入数据是真实数据的概率。判别器通过反向传播更新参数，以提高GAN辨别能力。GAN的训练过程是生成器和判别器的对抗博弈。生成器试图欺骗判别器，使其无法区分真假数据，而判别器则试图准确区分真实数据和假数据。

3 人工智能算法在建设项目管理中的应用

3.1 质量管理

使用机器学习算法和计算机视觉技术，人工智能可以自动检测和识别施工现场的质量问题，如裂缝、腐蚀或材料缺陷。通过训练卷积神经网络（CNN）处理图像数据，可以实时监控和发现质量问题。这种自动化检测不仅能提高检测速度，还能大幅降低人工检查的错误和遗漏。例如，Tan等^[16]通过集成计算机视觉、增强现实技术（VR）、BIM技术，实现了裂缝快速、准确的可视化检测，效果显著。

除此之外，通过分析历史数据，机器学习算法还可以识别质量问题的潜在发展模式和趋势，从而制定预防措施。使用聚类算法和异常检测技术，可以识别出施工过程中可能导致质量问题的关键因素^[17]。例如，通过对多个项目的质量检查数据进行聚类分析，人工智能算法可以识别出哪些施工方法或材料容易导致质量问题，并提供相应的改进措施。此类数据驱动的方法使得质量管理更加科学和高效。

3.2 进度管理

机器学习模型可以根据历史项目数据和当前进度数据预测未来的项目进度。通过训练回归模型和时间序列分析，人工智能可以帮助管理人员更准确地估计工期，并优化施工计划。孙玉慧^[18]基于PCA-BP神经网络对水利工程施工进度进行预测，并通过实证研究表明其效果较优，能够提高项目管理效率。

此外，使用强化学习和优化算法还可以智能地调度资源（如劳动力、设备和材料），找到最优的资源分配策略，以实现最大化工作效率并最小化延误^[19]。例如，人工智能系统可以根据每天的任务需求和工人的技能水平，动态调整工人分配，以确保每个任务都能以最高效率完成，这不仅提高了施工效率，还能有效降低成本。

3.3 成本管理

机器学习算法和深度学习算法在建设项目成本管理中主要通过数据分析和模式识别来预测成本、评估风险、优化资源配置和设计方案，从而提高成本控制的准确性和项目管理的效率^[20-21]。

3.4 安全管理

通过分析现场传感器数据和视频监控数据，人工智能可以实时检测和识别潜在的安全隐患，如工人行为异常、设备故障或环境变化等。计算机视觉和深度学习技术在这一领域被广泛应用，应用深度学习算法可以实现安全帽佩戴检测。Rabbi等^[22]对人工智能算法在建设项目安全管理研究中的现状、挑战、未来研究方向做了系统性综述，涵盖视频、文本、音频等多种模态。

近年来，以人为本的神经工程管理研究开始崭露头角，其融合工程管理、心理学、脑科学、人工智能算法等多学科的研究范式，在建设项目安全管理中有初步应用。例如，Ma等^[23]基于先进传感器设备，运用人工智能算法对钢筋绑扎工人疲劳状态进行实时监测；Xiang等^[24]运用脑电设备，结合人工智能算法，对建筑工人不安全行为的发生机理展开研究。此外，机器学习模型还可以根据历史事故数据和现场条件预测潜在事故，并提供预防措施。

3.5 风险管理

通过分析项目数据和外部环境数据，人工智能可以识别和评估项目风险，如自然灾害、市场波动或供应链中断^[25]。贝叶斯网络和决策树模型在风险评估中表现出色。例如，Pan等^[26]开发了一套基于人工智能算法的建设项目风险管控系统，可以通过分析气象数据和施工进度，预测恶劣天气对项目的影响，并建议调整施工计划以减少风险。

总的来说，人工智能算法在建设项目管理中的应用大大提升了各个管理环节的效率和准确性。通过自动化数据分析、智能预测和优化，人工智能不仅有助于更好地控制项目进度、质量和成本，在提高建设项目安全性和风险管理水平方面也发挥了重要作用。随着人工智能技术的不断发展，其在建设项目管理中的应用前景将更加广阔。具体而言，未来可能会开发更多基于人工智能的智能系统，它们能够集成多种数据源，实现更加全面和实时的项目管理，最终推动建筑行业向着更高效、更智能的方向发展^[27]。

4 挑战及改进建议

4.1 挑战

尽管人工智能在建设项目管理中展现出巨大潜力，但仍存在一些挑战，具体挑战如下：

（1）人工智能算法依赖于大量高质量的数据进行训练。然而，建筑项目中数据的收集和管理往往存在不规范和不完整的问题，导致模型训练数据不足或数据质量不高。

（2）实施人工智能技术需要专业知识和技能，这对于许多传统建筑企业来说是一项巨大挑战。此外，开发和部署人工智能系统的成本较高，可能会超出一些企业的预算。

（3）在复杂的施工环境中，人工智能系统需要快速处理和分析大量数据，以实现实时监控和决策。然而，当前的技术可能无法完全满足这种实时性和高响应性的要求。

（4）在收集和处理项目数据时，数据隐私和安全问题不容忽视。如何在保证数据安全的前提下充分利用数据，是一个亟待解决的问题。

（5）建筑行业的从业人员对于新技术的接受度和熟悉程度偏低，推广和应用人工智能技术需要大量的培训和引导，以提升员工的接受度和使用技能。

4.2 改进建议

针对以上挑战，可以考虑从以下方面进行提升：

（1）通过实施标准化的数据收集和管理流程，以确保数据的全面性和高质量。同时，可以引入物联网（IoT）技术，通过传感器和智能设备实时收集现场数据，提高数据的精确度和时效性。

（2）对企业员工进行定期的人工智能技术培训，提高他们的技术素养和操作能力。同时，通过组织研讨会和技术交流会，分享成功案例和最佳实践，增强员工对人工智能技术的理解和接受度。

（3）对算法设计和系统架构进行优化，以提高人工智能系统的实时处理能力和响应速度。可以采用边缘计算技术，将部分计算任务下放到现场设备上，以避免数据传输延迟。

（5）通过与高校和科研机构合作，开展技术研发和创新，探索低成本、高效能的人工智能解决方案。同时，政府和行业协会可以提供资金和政策支持，鼓励企业应用人工智能技术。

（6）采用先进的数据加密和安全保护技术，确保数据在传输和存储过程中的安全。制定严格的数据隐私保护政策，确保数据使用符合相关法律法规。

（7）选择一些规模较小或相对简单的项目作为试点，探索和验证人工智能技术的应用效果。总结经验后，逐步在更大规模和更复杂的项目中推广应用。

5 结语

本研究系统总结了以机器学习、深度学习为代表的人工智能算法在建设项目管理工作中的应用现状，并剖析了其在应用过程中的不足与挑战，为建设项目管理工作智能化转型提供了有力参考。

参考文献

[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，车善婷，厉闻明.人工神经网络在建筑工程造价预算中的应用[J].中国住宅设施，2024（5）：29-31.

[9]苏中花.多场景下点云数据建筑物分割方法研究[D].成都：电子科技大学，2023.

[10]李姣姣.基于混合机器学习模型的建筑工程造价预测方法[J].九江学院学报（自然科学版），2023，38（4）：47-51.

[11]尉雅晨.基于强化学习的动态事故疏散[J].科学技术创新，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]张丙强.基于卷积神经网络和循环神经网络的结构损伤识别[D].广州：广州大学，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]孙玉慧.基于PCA-BP神经网络的水利工程进度预测[D].哈尔滨：黑龙江大学，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]张旺，魏征.基于BIM技术的高支模工程成本动态分析及控制[J].项目管理技术，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]马登·武科曼诺维奇.项目管理的未来趋势：数字化、道德监管与人类决策的适应性[J].项目管理技术，2024，22（7）：2-4.

收稿日期：2024-09-24

作者简介：

李亚宁（1992—），男，工程师，研究方向：工程项目管理。

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