Рамиль Радикович ХАКИМОВстудент института экономики и информационных технологий, Казанский государственный энергетический университет (КГЭУ), Казань, Российская Федерация ramma19@mail.ru ORCID id: отсутствует SPIN-код: отсутствует
Предмет. В условиях цифровой трансформации строительной отрасли ключевым барьером повышения экономической эффективности становится не дефицит данных, а неспособность существующих систем управления интегрировать и анализировать гетерогенные информационные потоки для построения достоверных прогнозов. Разобщенность статических информационных моделей (BIM) и динамической телеметрии оборудования (IoT) порождает асимметрию управленческих решений, приводящую к систематическому превышению бюджетов и срывов сроков реализации инвестиционно-строительных проектов. Цели. Разработка экономико-математической методологии предиктивного управления строительными процессами, обеспечивающей минимизацию операционных рисков и повышение инвестиционной привлекательности проектов за счет интеграции методов глубокого машинного обучения в контур производственного планирования. Методология. Исследование базируется на синтезе методов системного анализа, теории экономических рисков и технологий интеллектуальной обработки данных. С применением алгоритмов стохастического моделирования Монте-Карло сгенерирован уникальный датасет, объединяющий атрибутивные характеристики BIM-моделей (IFC-классы, объемы материалов), телеметрические потоки строительной техники и внешние факторы (погодные условия, логистические задержки). Для выявления скрытых нелинейных зависимостей применены рекуррентные нейронные сети архитектуры LSTM с математической формализацией процесса оптимизации целевой функции экономических потерь. Результаты. Разработана и верифицирована методология интеграции гетерогенных данных, включающая жесткие правила временной синхронизации (?t = 1 час) и семантической привязки через идентификаторы GlobalID. Сравнительный анализ четырех архитектур (линейная регрессия, Random Forest, XGBoost, LSTM) на тестовой выборке продемонстрировал статистически значимое превосходство рекуррентных сетей: достигнуто снижение средней абсолютной ошибки прогнозирования до 1,04 дня (MAPE = 4,1%) при коэффициенте детерминации R? = 0,94, что в 3 раза точнее традиционных методов и на 38% точнее ансамблевых алгоритмов градиентного бустинга. Выводы. Внедрение интеллектуальных систем предиктивного управления, интегрирующих BIM и IoT, обеспечивает переход от реактивного реагирования к проактивному управлению рисками, создавая экономический эффект за счет сокращения непроизводительных простоев, оптимизации использования ресурсов и минимизации штрафных санкций за срыв контрактных обязательств. Предложенная методология закладывает фундамент для создания самообучающихся цифровых двойников строительных объектов и может быть масштабирована на предприятия инвестиционно-строительного комплекса, функционирующие в условиях высокой волатильности внешней среды.
Идрисова А.А., Галдина А.А. Стратегические направления и организационно-экономические эффекты внедрения искусственного интеллекта в строительном комплексе // Парадигма. 2025. № 11-4. С. 77–84. EDN: BRRQWJ
Бирюков Д.В. Экономико-математические методы прогнозирования // Актуальные проблемы и перспективы развития экономики: российский и зарубежный опыт. 2021. № 4. С. 14–17. EDN: NYSYLI
Гиндуллин Н.Ф., Пучкин Д.К., Пивкин М.Ю. Экономика и информационные технологии в строительстве: BIM, ГИС и искусственный интеллект // Human Progress. 2024. Т. 10. № 12. DOI: 10.46320/2073-4506-2024-12a-27 EDN: KPECSC
Фонтокина В.А., Савенко А.А., Самарский Е.Д. Роль BIM-технологий в организации и технологии строительства // Вестник Евразийской науки. 2022. Т. 14. № 1. EDN: IPTBYB
Карастоянов П.Д., Ткаченко К.Ю., Селиванова О.С. и др. Анализ перехода на технологии информационного моделирования зданий и сооружений (BIM-технологии) // Экономика и предпринимательство. 2018. № 9. С. 202–207. EDN: YVFAFN
Маилян Л.Д., Зеленцов Л.Б., Пирко Д.В. и др. Прогнозирование параметров инвестиционно-строительного проекта с использованием интеллектуальной информационной системы // Строительное производство. 2023. № 4. С. 146–149. EDN: DMPJIR
Белоусов А.В., Медведева Е.А., Решетникова В.П. Прогнозирование параметров инвестиционно-строительного проекта на основе методов регрессионного анализа // Проектное управление в строительстве. 2024. № 2. С. 121–128. EDN: GOOCMJ
Емалетдинова Л.Ю., Вильданов Н.Р., Катасев А.С. Использование нейросетевой модели TCN-LSTM для прогнозирования значений временного ряда // Научно-технический вестник Поволжья. 2023. № 6. С. 62–64. EDN: BLDCMH
Козлов С.В., Седенков С.А. Анализ LSTM и GRU моделей для построения прогнозов временных рядов // International Journal of Open Information Technologies. 2024. Т. 12. № 7. С. 43–50. EDN: DMKFKO
Юсупова Р.И., Зарипова Р.С. Применение искусственного интеллекта для прогнозирования стоимости строительных проектов // Информационные технологии в строительных, социальных и экономических системах. 2025. № 1. С. 111–115. EDN: JYHHIW
Халин Ю.А., Криушина Ю.А., Зинкин С.А., Шилин А.А. Метод оценки и прогнозирования экономических рисков предприятия на основе интеллектуального анализа данных // Известия Юго-Западного государственного университета. 2022. Т. 26. № 4. С. 148–161. DOI: 10.21869/2223-1560-2022-26-4-148-161 EDN: UJLNPZ
Набиуллин А.С., Зарипова Р.С. Роль искусственного интеллекта в сфере управления программными проектами // Информационные технологии в строительных, социальных и экономических системах. 2020. № 2. С. 119–121. EDN: CBCMHW
Воробьев А.В., Кудинов В.А. Определение важности прогноза при управлении производственным предприятием c помощью машинного обучения // Искусственный интеллект и принятие решений. 2021. № 4. С. 27–34. DOI: 10.14357/20718594210403 EDN: RBYFRZ
