项目网络的时间与成本预测：从统计建模到图神经网络
应用统计
2025-11-20 v1 机器学习
摘要
准确预测项目持续时间和成本是项目管理中最具挑战性的任务之一，尤其是在资源受限且任务相互依赖的网络环境中。传统分析技术，如关键路径方法（CPM）和项目评估与审查技术（PERT），依赖于关于任务相互依赖性和资源性能的简化且常为静态的假设。这项研究提出一种新颖的资源基准预测框架，将项目活动的网络表示与图神经网络（GNN）集成，以捕捉任务、资源和时间成本动态之间的结构性和情境关系。该模型将项目表示为异构的活动-资源图，其中节点表示活动和资源，边缘编码时间和资源依赖。我们评估了多种学习范例，包括 GraphSAGE 和时序图网络，在合成数据集和基准项目数据集上进行测试。实验结果表明，所提出的 GNN 框架相对于传统回归和树基方法实现了平均绝对误差降低 23%~31%，同时将大型复杂项目网络的决定系数 R2 从约 0.78 提升至 0.91。此外，所学习的嵌入提供了关于资源瓶颈和关键依赖关系的可解释见解，使调度决策更具解释性和适应性。
引用
@article{arxiv.2511.15003,
title = {Resource-Based Time and Cost Prediction in Project Networks: From Statistical Modeling to Graph Neural Networks},
author = {Reza Mirjalili and Behrad Braghi and Shahram Shadrokh Sikari},
journal= {arXiv preprint arXiv:2511.15003},
year = {2025}
}
备注
52 pages, 12 figures