Hibrit olasılıksal öğrenme modeli kullanılarak belirsizlik farkında ve açıklanabilir inşaat maliyeti tahmini

Bir Bina İnşa Edilmeden Önce Fiyatının Neden Önemli Olduğu

Kepçe toprağa varmadan önce, malikler ve inşaatçılar bir projenin gerçekte ne kadar tutacağını tahmin etmek zorundadır. Bu tahmin yanlışsa bütçeler aşılır, takvimler kayar ve ortaklar arasındaki güven zedelenir. Bu makale yalnızca doğru olmayı hedeflemekle kalmayan, aynı zamanda tahminin ne kadar güvenilir olduğunu ve modelin neden bir projeyi pahalı veya ucuz gördüğünü de açıklayan yeni bir inşaat maliyeti öngörüsü yöntemi sunuyor. Doğruluk, belirsizlik konusunda dürüstlük ve açıklanabilirlik birleşimi, verinin ve yapay zekânın büyük projeleri daha az riskli hâle getirmesinde ilgilenen herkes için bu çalışmayı önemli kılıyor.

Geleneksel Maliyet Tahmininin Sorunları

On yıllardır inşaat maliyetleri uzman yargısı ve basit istatistikler kullanılarak tahmin ediliyor. Bu yöntemler geçmiş projelere ve insan deneyimine dayanıyor. Anlaşılması kolaylar, ancak projeler daha karmaşık hâle geldiğinde, piyasalar dalgalı olduğunda veya birçok faktör iç içe geçtiğinde zorlanıyorlar. Klasik istatistik araçları girdiler ile maliyetler arasındaki doğrusal ilişkileri varsayar; oysa gerçek projeler malzeme fiyatlarındaki sıçramalar, tasarım tercihleri, saha koşulları ve değişen işgücü piyasaları gibi etkenlerden etkilenir. Birçok yeni makine öğrenmesi modeli bu karmaşık desenleri yakalayabiliyor, fakat genellikle kara kutu gibi davranır ve tek bir en iyi tahmin verir; bu tahminin ne kadar yanlış olabileceğini göstermezler.

Daha Akıllı Tahminler İçin Yeni Bir Hibrit Model

Yazarlar NGBoost‑ETR adını verdikleri bir hibrit öğrenme sistemi öneriyor; bu sistem eşzamanlı olarak üç sorunu ele almayı hedefliyor: doğruluk, belirsizlik ve şeffaflık. Temelinde Natural Gradient Boosting (NGBoost) olarak bilinen bir teknoloji var; bu teknoloji yalnızca bir maliyet tahmini üretmekle kalmayıp, o tahminin etrafında tüm olasılık eğrisini de verir. Model tek başına “döşeme metrekare başına 17 dolar tutar” demek yerine, “17 en muhtemel değerdir, fakat gerçekçi olarak bu kadar daha yüksek veya daha düşük olabilir” demeye benzer bir çıktı üretir. NGBoost’u inşaat verileri üzerinde daha güçlü kılmak için, yazarlar onun sıradan basit ağaçlarını Extra Trees Regression adlı daha güçlü bir ağaç tabanlı öğreniciyle değiştiriyor; bu yöntem döşeme tipi, kat alanı, yükler ve malzeme birim fiyatları gibi girdiler arasındaki doğrusal olmayan ilişkileri yakalamakta özellikle başarılıdır.

Modelin Gerçek Dünyada Nasıl Test Edildiği

Yöntemin uygulamada işe yarayıp yaramadığını görmek için araştırmacılar modeli ABD’de yaygın kullanılan bir maliyet veri tabanı olan RSMeans’ten alınan 4.477 gerçek kayıtta eğitip test ettiler. Her kayıt bir yapısal döşeme bileşenini—örneğin tek yönlü döşemeler, düz döşemeler veya waffle döşemeler—alanı, beklenen yükleri ve beton ile kalıp birim maliyetlerini içerecek şekilde tanımlıyordu. Modelin performansı 10 popüler makine öğrenmesi yöntemi ve 9 diğer NGBoost hibriti ile karşılaştırıldı. Standart doğruluk ölçümleri NGBoost‑ETR’nin görülmemiş veriler üzerinde çok küçük ortalama hatalarla en iyi nokta tahminlerinden bazılarını ürettiğini gösterdi. Aynı derecede önemli olarak, ekip modelin öngördüğü aralıkların gerçekle ne kadar uyuştuğunu değerlendirmek için hem gerçek maliyetin tahmin bandı içinde ne sıklıkla yer aldığına hem de bu bandın ne kadar dar olduğuna bakarak altı farklı belirsizlik metriği kullandı.

Maliyeti Hangi Faktörlerin Sürdüğünü Görmek

Karar vericiler kara kutuya güvenmekte isteksiz olduğundan, yazarlar açıklanabilirliği SHAP adlı modern bir teknikle tasarıma entegre ediyor. SHAP her bir tahmin için her girdiye bir katkı skoru atıyor; bu sayede kullanıcılar örneğin yüksek kalıp fiyatlarının, belirli bir döşeme tipinin veya büyük bir tributary alanın bireysel bir proje için tahmini ne kadar yukarı veya aşağı ittiğini görebiliyor. Veri seti genelinde kalıp maliyeti toplam maliyeti etkileyen en önemli tek faktör olarak öne çıkıyor; bunu döşeme tipi ve alan izliyor. Bu açıklamaları modelin merkezi maliyet tahminine doğrudan bağlayarak, uygulayıcılar tahminlerin kendi alandaki bilgileriyle uyumlu olup olmadığını inceleyebilir ve tasarımları veya pazarlıkları buna göre ayarlayabilirler.

Gelecek Projeler İçin Anlamı

Genel olarak NGBoost‑ETR çerçevesi yüksek doğrulukta maliyet tahminleri, göreli olarak dar ama iyi davranan belirsizlik aralıkları ve hangi değişkenlerin en çok önem taşıdığına dair açık içgörüler sunuyor. Bazı rakip modeller gerçek maliyetlerin kapsama oranını biraz daha yüksek sunmuş, ancak bunu pratik kullanım için çok geniş ve gerçekçi olmayan aralıklar tahmin ederek başarmışlar. Yeni model bunun yerine bir denge sağlıyor: çok muhafazakâr bir yöntem kadar sık olarak tam maliyeti yakalamayabilir, fakat bir aralık sunduğunda o aralık gerçek dünya bütçelemesi, teklif verme ve risk planlaması için yeterince kompakt. Sıradan okuyucular için ana çıkarım şudur: bu araştırma inşaat maliyeti tahminini bilgilere dayalı, daha dürüst bir “hava tahmini”ne yaklaştırıyor—size sadece neyin muhtemel olduğunu söylemekle kalmıyor, aynı zamanda ne kadar emin olabileceğimizi de bildiriyor.

Atıf: Chen, L., Khalid, O.W., Tiang, JJ. et al. Uncertainty aware and explainable construction cost prediction using a hybrid probabilistic learning model. Sci Rep 16, 10973 (2026). https://doi.org/10.1038/s41598-026-44904-8

Anahtar kelimeler: inşaat maliyeti öngörüsü, olasılıksal makine öğrenmesi, proje risk yönetimi, açıklanabilir YZ, altyapı planlaması