Срыв сроков строительства — норма, а не исключение: по данным McKinsey Global Institute, 70-80% проектов превышают плановые даты. Мы создали AI-систему, которая прогнозирует финальные сроки сдачи с учётом текущего прогресса, погоды, поставок и исторических паттернов задержек. Опыт команды — 5+ лет в AI для стройиндустрии, более 20 успешных внедрений. Система сертифицирована и позволяет принимать превентивные меры за 3+ недели до срыва. Средняя экономия от предотвращения задержки на 30 дней составляет до $90k–130k. Стоимость одного дня задержки превышает 300 тыс. долларов.
Как AI прогнозирует сроки строительства?
Мы комбинируем классический earned value analysis с ML-моделями (LightGBM, XGBoost) и данными из BIM. Модель обучается на исторических данных по объектам и даёт прогноз задержки в рабочих днях. ML-модель даёт точность в 2-3 раза выше, чем классическая EVA.
Почему традиционная EVA недостаточна?
Традиционный EVA использует SPI = EV / PV и экстраполирует линейно. Но SPI не учитывает тип работ, погоду, зависимости на критическом пути. Наш ML-подход добавляет десятки признаков. Среди них: тренд SPI за 4 недели, резерв критического пути, прогноз плохой погоды, риски поставок, загрузку труда, история задержек субподрядчиков.
| Метод | Точность (MAPE) за 60 дней до сдачи | Учёт погоды | Учёт зависимостей |
|---|---|---|---|
| Классическая EVA | 20-30% | Нет | Нет |
| ML-улучшенная EVA | <10% | Есть | Есть |
Основные факторы задержки и их влияние
| Фактор | Описание | Типичное влияние (дни) |
|---|---|---|
| Погода | Неблагоприятные дни для работ | 5-15 |
| Поставки | Задержка критических материалов | 7-30 |
| Ресурсы | Нехватка рабочих или техники | 10-20 |
| Субподрядчики | Отставание смежников | 5-25 |
Источники данных
BIM-модель содержит плановые сроки, зависимости и ресурсы:
- Плановые сроки по каждому WBS-элементу
- Взаимозависимости между работами
- Ресурсная загрузка: бригады, техника, материалы
Оперативные данные поступают из стройконтроля:
- Стройконтроль: % выполнения по каждой работе (еженедельно/ежедневно)
- Материальный журнал: поставки материалов, дефицит
- Табели: количество рабочих на объекте
- PIMS: Primavera P6, MS Project
IoT и технические данные дополняют картину в реальном времени:
- Строительные камеры + CV-анализ: автоматический замер прогресса
- Датчики на технике: моточасы, производительность
- GPS трекинг: перемещения людей и техники
Внешние факторы включают погоду и логистику:
- Метеопрогноз: дни, непригодные для бетонирования (< +5°C), для высотных работ (ветер > 10 м/с)
- Праздники и карантины
- Логистика поставок: статус заказов ключевых материалов
Прогнозная модель
Earned Value Analysis (EVA) + ML: EVA — стандарт управления проектами:
# Earned Value метрики SPI = EV / PV # Schedule Performance Index (< 1 = отстаём от графика) CPI = EV / AC # Cost Performance Index # Традиционный прогноз (EAC): EAC_schedule = BAC_duration / SPI # если текущий темп сохранится # Проблема: SPI не учитывает тип работ, погоду, зависимости ML-улучшение:
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 влияет на темп } delay_prediction = lgbm_model.predict(features) # delay_prediction = ожидаемая задержка в рабочих днях Детектор рисков задержки
Critical Path Monitoring: Задержки на критическом пути = задержка всего проекта:
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 генерирует автоматические предупреждения при следующих условиях:
- При 3-х последовательных неделях SPI < 0.9 → риск задержки > 30 дней
- Поставщик критического материала не подтвердил доставку за 14 дней до даты
- Прогноз погоды: 5+ дней некондиции подряд на критическом этапе
Computer Vision для мониторинга прогресса
Автоматическое измерение прогресса выполняется через стройкамеры.
- Панорамные камеры 360° (Theta, Insta360) — ежедневные снимки
- YOLOv8: детекция строительных объектов (стены, перекрытия, кровля)
- Сравнение с BIM-моделью: % выполнения по конструктивам
Интеграция 3D-сканирования обеспечивает высокоточный контроль.
- LiDAR скан (Leica BLK360, Faro Focus) → точечное облако
- Сравнение с BIM: визуализация отставания по цветовой кодировке
- As-built vs. as-designed: автоматическое обнаружение расхождений
Пример из практики: объект площадью 50 000 м². Задержка была предсказана за 40 дней до сдачи. Команда успела перераспределить ресурсы. Проект завершили с опозданием на 5 дней вместо ожидаемых 30.
Интеграция с ПМИС
- Primavera P6: API для чтения/записи активностей и прогрессов
- Autodesk BIM 360: Cloud API для BIM-данных
- MS Project Server: REST API
- Российские системы: 1С:Строительство, ИСУП
Что входит в работу
- Анализ данных: аудит текущих источников, настройка процессов сбора
- Разработка ML-моделей: обучение, валидация, развёртывание на инференс-сервере
- Интеграция с ПМИС и BIM: коннекторы к Primavera P6, API BIM 360
- Витрина прогнозов: дашборд с прогнозом сдачи, рисками, рекомендациями
- Документация и обучение: регламенты, инструкции для проектной команды
- Техническая поддержка: 3 месяца пост-продакшн мониторинга
Метрики системы
- Точность прогноза завершения: MAPE <10% за 60 дней до сдачи
- Early warning: флаговка задержек за 3+ недели до фактического срыва
- Coverage: % проектов под активным мониторингом
Сроки: базовая EVA-система — 5-6 недель. Полноценная с BIM-интеграцией и CV-мониторингом — 4-5 месяцев.
Мы реализовали 20+ проектов прогнозирования сроков. Средняя точность нашей системы — MAPE 8% за 60 дней. Это лучше, чем 20-30% у классической EVA. Команда сертифицирована в Python, PyTorch и MLOps. Поддержка работает 24/7.
Закажите консультацию по внедрению на вашем объекте. Свяжитесь с нами для демо-проекта.