A Study on the Dump Truck Round-trip Time Prediction Model Using Random Forest Algorithm

Abstract

대규모 건설 프로젝트를 완수하기 위해 예산을 측정하고 일정계획을 세우는 것은 사업 성패의 중요한 사항이다. 특히 대규모 택지 및 산업공단 조성공사, 고속도로, 공항 등의 건설공사는 전체 공사에서 토공사가 차지하는 비율이 6%이상이고, 토공 사에서 운반작업이 차지하는 비율은 30%이상으로 운반작업은 매우 중요한 공정이 다. 하지만 초기 계획에 있어 예정가격산정에 사용되는 품셈은 운반대수 산정에 있 어 일반적인 기준만 제시 하고 공사현장의 여건을 제대로 반영하지 못한다. 부산에 코델타시티 3-1공구 조성공사 현장의 왕복시간을 실측 데이터와 품셈과 비교해본 결과 5 ~ 28% 사이의 차이를 보였으며 이는 운반작업 물량이 많을 경우 공사비의 큰 영향을 받을 것이라 생각된다. 그러므로 본 연구에서는 머신러닝기법중 하나인 랜덤포레스트 알고리즘을 활용하여 덤프트럭의 왕복시간 예측 모델을 구축하고 왕복시간을 예측 하고자 한다. 연구현장 은 공사 진행 중인 00공구 조성공사에서 36일간의 덤프트럭 운반 자료를 수집하였 고, 선행연구를 통해 영향요인을 조사하였다. 이를 바탕으로 현장의 공사 관리자와 덤프트럭 기사 인터뷰를 통해 머신러닝에서 학습시킬 영향 요인을 선정 하였다. 선 정된 모든 영향요소를 Integer로 변환하여 데이터베이스화 하였고, 랜덤포레스트 알 고리즘을 활용한 덤프트럭 왕복시간 예측 모델을 구축 하였다. 구축된 예측모델로 영향요소를 학습시켜 덤프운반 대수 산정에 필요한 왕복시간을 예측해 보았다. 왕복 시간예 결과 분석을 요약하면 다음과 같다. 총 14개의 토취원에서 9717개의 왕복시 간 데이터를 예측하였고, 실측값과 오차율은 전체 평균 1.6%로 예측값을 신뢰 할 수 있는 수준이였다. 그리고 선형회귀분석을 통해 예측모델에 대한 정확도 평가를 수행했고 95%의 정확도를 확인하였다. 높은 정확도를 통해 예측값의 신뢰도를 확보 하였고, 이를 바탕으로 기존에 사용되었던 품셈 기준의 왕복시간을 대체하여 현장 특성과 교통상황이 반영된 보다 정확한 왕복시간 계산이 가능하다. 이를 활용하여 공사초기 계획에 있어 대수산정, 공사비 추정, 공사계획, 공사관리 등 공사 전반에 걸쳐 도움이 될 것이라 기대된다.|The transportation work of the earth works is affected by various constraints (e.g. weather, traffic, equipment, site conditions, etc.), and productivity is determined by these factors. The management of these factors can achieve effects such as reducing the cost of transportation work and improving the efficiency of construction work such as reducing construction period. However, most of the current transportation operations at construction sites rely on the field manager's empirical knowledge, which often results in dump truck congestion or failure to meet the target volume. And this empirical knowledge is unreasonable to continue to be used in the field because the borrow pit route passes through the city center. And when establishing the initial transportation plan for the project, the estimated price is calculated based on the standards calculation. In the case of standards, the number of cycles of dump trucks should be calculated when calculating the number of dump trucks, and the transportation times required to calculate the number of times (t1, t2, t3, t4, t5, t6) are needed. The conditions of the transportation times presented in the section are limited in reflecting the actual traffic conditions at the site by presenting general conditions at the construction site. Therefore, in this work, we propose a model that utilizes machine learning techniques to more accurately predict dump truck round trip times. Prior research analysis examined the factors affecting dump truck round-trip time (e.g. slope, speed limit, equipment type, loadings, etc.), and interviews with site construction managers and dump truck drivers to select the three main influences (traffic, traffic lights, and haulage). In order to collect input data needed for modeling, the Busan Codelta City 3-1 construction collected 36 days of dump truck transportation data, traffic lights by route, and traffic volume by time, and all selected influences were converted to Integer. A predictive time model was built by applying machine learning techniques and a random forest algorithm was used. The reason for selection is that it solves the problem of Overfitting, which is a disadvantage of decision trees, produces high accuracy without parameter tuning, and is considered suitable for this work as it is the most widely used algorithm for regression and classification. The round-trip time prediction was made by training the impact factors with the built-in model. The actual transport invoice and predicted data were compared and verified, and the error rate between the two data was around 1.6%, which showed high accuracy. Such a round-trip time prediction model is expected to enable more accurate dump truck counting at the site, which is expected to reduce the frequency of complaints in areas such as urban construction sites, and also help prevent safety accidents caused by drivers' excessive driving.