earticle

영어

Recently, with the development of machine learning technology, it can be seen that machine learning technology is applied to various fields in the construction field. Machine learning technology is a technology that can improve prediction performance for future cases based on existing case data, and is expected to be highly utilized in predicting construction costs. This study aims to analyze the predictive performance when applying the Drop out and K-fold methods to prevent over fitting in the deep learning model for predicting construction costs. In the study, 251 construction cost data were used, and the data were used to compare and analyze the ratio of drop-out, the placement and application number of drop-out codes, changes in the number of layers and nodes, and the average error rate according to the K-fold verification method. It was confirmed that the error rates of the model with a large size, the model with a low drop-out ratio, the model with drop-out placed far from the power value, and the model with the K- In addition, it was found that as the number of nodes and layer layers increased, there was no change in accuracy in the existing model, but the prediction accuracy of the Drop out model was improved compared to the existing model.

한국어

본 최근 들어, 머신러닝 기술의 발전과 더불어, 건설 분야에서도 다양한 분야에 머신러닝 기술이 접목되 는 것을 볼 수 있다. 머신러닝 기술은 기존의 사례데이터들을 기반으로 향후 미래의 사례에 대한 예측성능을 향상 시킬 수 있는 기술로서, 공사비를 예측하는 데에도 그 활용성이 높을 것으로 판단된다. 본 연구에서는 건설공사비 예측을 위한 딥러닝 모델에서 과적합방지를 위한 Drop out 방법을 적용하는 경우의 예측성능을 분석하고자 한다. 연구에서는 251개의 공사비 데이터를 활용하였으며, 이들 데이터를 활용하여 Drop out의 비율, Drop out 코드의 배치 위치와 적용 횟수, 레이어 층과 노드 수 변화에 따른 평균 오차율 등을 비교 분석하고자 하였다. 결과적으로 는 모델의 크기가 큰 모델, Drop out 비율이 낮은 모델, Drop out을 출력값에서 멀리 배치한 모델의 오차율이 낮 아지는 것을 확인하였다. 또한, 노드 수와 레이어 층을 늘릴수록 기존 모델에서는 정확도의 변화가 보이지 않지만, Drop out 모델의 예측 정확성이 기존 모델보다 향상되는 것을 알 수 있었다.