AbstractIn this paper, we provide a

Abstract
In this paper, we provide a Nearest Neighbour based extension for project control forecasting with Earned Value Management. The k-Nearest Neighbour method is employed as a predictor and to reduce the size of a training set containing more similar observations. An Artificial Intelligence (AI) method then makes use of the reduced training set to predict the real duration of a project. Additionally, we report on the forecasting stability of the various AI methods and their hybrid Nearest Neighbour counterparts. A large computer experiment is set up to assess the forecasting accuracy and stability of the existing and newly proposed methods. The experiments indicate that the Nearest Neighbour technique yields the best stability results and is able to improve the AI methods when the training set is similar or not equal to the test set. Sensitivity checks vary the amount of historical data and number of neighbours, leading to the conclusion that having more historical data, from which the a relevant subset can be selected by means of the proposed Nearest Neighbour technique, is preferential.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อในกระดาษนี้ เราให้นามสกุลเป็นเพื่อนบ้านที่ใกล้ที่สุดที่ใช้สำหรับควบคุมการคาดการณ์โครงการพร้อมรับค่าบริหาร ใช้ k ใกล้เพื่อนบ้านวิธีการทำนาย และ การลดขนาดของการฝึกอบรมที่กำหนดที่ประกอบด้วยข้อสังเกตที่คล้ายกันมาก มีปัญญาประดิษฐ์ (AI) วิธีทำให้แล้วใช้ของชุดฝึกอบรมลดการคาดการณ์ระยะเวลาจริงของโครงการ นอกจากนี้ เรารายงานเสถียรภาพการคาดการณ์ของ AI วิธีต่าง ๆ และพวกเพื่อนบ้านที่ใกล้ที่สุดไฮบริด การทดลองขนาดใหญ่คอมพิวเตอร์ตั้งค่าการประเมินความแม่นยำและความเสถียรที่มีอยู่ และเสนอใหม่วิธีการคาดการณ์ การทดลองระบุว่า เทคนิคเพื่อนบ้านที่ใกล้ที่สุดอัตราผลตอบแทนดีสุดมั่นคง และจะสามารถปรับปรุงวิธี AI เมื่อชุดการฝึกคล้ายกัน หรือไม่เท่ากับชุดทดสอบ ตรวจสอบความไวแตกต่างจำนวนข้อมูลทางประวัติศาสตร์และของเพื่อนบ้าน นำไปสู่ข้อสรุปที่มีข้อมูลประวัติเพิ่มเติม ที่การย่อยที่เกี่ยวข้องสามารถเลือกโดยใช้เทคนิคนำเสนอเพื่อนบ้านที่ใกล้ที่สุด เป็นพิเศษ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
ในบทความนี้เราจะมีส่วนขยายที่ใกล้ที่สุดเพื่อนบ้านตามการคาดการณ์สำหรับการควบคุมการบริหารจัดการโครงการที่มีรายได้คุ้มค่า วิธีเพื่อนบ้าน K-ที่ใกล้ที่สุดคือใช้เป็นปัจจัยบ่งชี้และการลดขนาดของชุดการฝึกอบรมที่มีข้อสังเกตที่คล้ายกันมากขึ้น ปัญญาประดิษฐ์ (AI) วิธีการแล้วทำให้การใช้งานของชุดการฝึกอบรมที่จะคาดการณ์ลดระยะเวลาที่แท้จริงของโครงการ นอกจากนี้เรารายงานเกี่ยวกับความมั่นคงในการคาดการณ์ในวิธีการ AI ต่างๆและไฮบริดของพวกเขาที่ใกล้ที่สุดคู่ของเพื่อนบ้าน การทดลองคอมพิวเตอร์ขนาดใหญ่มีการตั้งค่าในการประเมินความถูกต้องของการคาดการณ์และความมั่นคงของวิธีการที่มีอยู่และที่เสนอใหม่ การทดลองแสดงให้เห็นว่าเทคนิคเพื่อนบ้านใกล้ที่สุดผลตอบแทนถัวเฉลี่ยผลความมั่นคงที่ดีที่สุดและมีความสามารถในการปรับปรุงวิธีการที่เอไอเมื่อชุดการฝึกอบรมเป็นที่คล้ายกันหรือไม่เท่ากับการทดสอบชุด การตรวจสอบความไวแสงที่แตกต่างกันจำนวนของข้อมูลทางประวัติศาสตร์และจำนวนของเพื่อนบ้านที่นำไปสู่ข้อสรุปที่ว่ามีข้อมูลทางประวัติศาสตร์มากขึ้นจากการที่เป็นกลุ่มย่อยที่เกี่ยวข้องสามารถเลือกได้โดยวิธีการที่นำเสนอเทคนิคเพื่อนบ้านที่ใกล้ที่สุดคือการให้สิทธิพิเศษ

ผลลัพธ์ (ไทย) 3:

บทคัดย่อในกระดาษนี้เราให้เพื่อนบ้านที่ใกล้ที่สุดจากการได้รับการจัดการควบคุมโครงการการพยากรณ์ด้วยค่า วิธีการเพื่อนบ้านละใช้เป็นตัวทำนาย และลดขนาดของชุดฝึกที่มีข้อสังเกตที่คล้ายกันมากขึ้น ปัญญาประดิษฐ์ ( AI ) จากนั้น ให้ใช้วิธีลดการตั้งค่าเพื่อทำนายระยะเวลาที่แท้จริงของโครงการ นอกจากนี้ เรารายงานเกี่ยวกับการพยากรณ์ความมั่นคงของต่าง ๆของไอวิธีไฮบริดที่ตน counterparts การทดลองของคอมพิวเตอร์ขนาดใหญ่ถูกตั้งขึ้นเพื่อศึกษาการพยากรณ์มีความถูกต้องและความมั่นคงของที่มีอยู่และใหม่เสนอวิธี จากการทดลอง พบว่า มีเพื่อนบ้านที่ใกล้ที่สุดของเทคนิคให้ผลลัพธ์ที่ดีที่สุด และสามารถปรับปรุง AI วิธี เมื่อฝึกชุดเหมือนกันหรือไม่เท่ากับการทดสอบชุด การตรวจสอบความไวแตกต่างกัน ปริมาณของข้อมูลทางประวัติศาสตร์และหมายเลขของเพื่อน ที่นำไปสู่ข้อสรุปว่า มีข้อมูลประวัติเพิ่มเติมที่เกี่ยวข้องย่อยสามารถเลือกโดยวิธีการนำเสนอที่ใกล้ที่สุดของเทคนิค เป็น พิเศษ