انجمن مهندسی سازه ایران مهندسی سازه و ساخت 2476-3977 13 09 2026 11 22 Providing a Machine Learning Model for Delay Prediction to Improve the Performance of Construction Projects ارائه یک مدل یادگیری ماشین برای پیش‌بینی تأخیر به منظور بهبود عملکرد پروژه‌های عمرانی 244761 10.22065/jsce.2026.581967.3979 FA حمیدرضا شرفی دانشجوی کارشناسی ارشد ، دانشگاه آزاد اسلامی، واحد تهران شمال زهرا علی پور درویشی مدیریت صنعتی، دانشکده مدیریت، واحد تهران شمال، دانشگاه آزاد اسلامی محمدحسن خلیلیان کارشناسی ارشد مهندسی صنایع، دانشگاه علم و صنعت ایران Journal Article 2026 05 18 The construction industry faces the chronic challenge of project delays, and traditional methods cannot model the complex and nonlinear interactions of factors affecting delays, while machine learning as a data-driven approach can extract hidden patterns from historical data. This study aims to develop a machine learning model for predicting the continuous amount of delay (in days) in Iranian construction projects and identifying the most influential factors; the methodology includes collecting real data from 101 completed projects, implementing seven base algorithms and two ensemble methods, and evaluating performance using MAE, RMSE, and R² metrics. The findings indicate that the Support Vector Regression with linear kernel (SVR) was selected as the final model with an R² of 0.778 and a Mean Absolute Error of 10.4 days. The five variables "material/equipment supply delay", "decision-making speed", "project manager experience", "design revisions", and "payment delay" account for over 73% of the total importance. Three managerial variables comprise more than 42% of the importance, demonstrating that managerial actions have a greater impact on delays than purely technical factors. The proposed model can predict delays of new projects with a Mean Absolute Percentage Error of 12.8%. The final conclusion is that the SVR model, while maintaining simplicity and generalizability, provides practitioners with a practical tool for estimating future delay amounts and focusing on the most effective managerial factors; this data-driven approach can serve as a foundation for developing real-time prediction systems and improving financial discipline in construction projects. صنعت ساخت‌وساز با چالش مزمن تأخیر پروژه‌ها مواجه است و روش‌های سنتی قادر به مدل‌سازی تعاملات پیچیده و غیرخطی عوامل مؤثر بر تأخیر نمی‌باشند، در حالی که یادگیری ماشین به عنوان رویکردی داده‌محور می‌تواند الگوهای پنهان را از داده‌های تاریخی استخراج کند. هدف این پژوهش ارائه مدل یادگیری ماشین برای پیش‌بینی میزان پیوسته تأخیر (بر حسب روز) در پروژه‌های عمرانی ایران و شناسایی مهم‌ترین عوامل مؤثر بر آن است؛ روش پژوهش شامل گردآوری داده‌های واقعی ۱۰۱ پروژه تکمیل‌شده، پیاده‌سازی هفت الگوریتم پایه و دو روش ترکیبی، و ارزیابی با معیارهای MAE، RMSE و R² می‌باشد. یافته‌ها نشان می‌دهد مدل رگرسیون بردار پشتیبان با کرنل خطی با ضریب تعیین ۰.۷۷۸ و میانگین خطای مطلق ۱۰.۴ روز به عنوان مدل نهایی انتخاب شد. پنج متغیر «تأخیر در تأمین مصالح»، «سرعت تصمیم‌گیری»، «تجربه مدیر پروژه»، «بازنگری‌های طراحی» و «تأخیر در پرداخت» بیش از ۷۳ درصد اهمیت کلی را به خود اختصاص دادند. سه متغیر مدیریتی بیش از ۴۲ درصد اهمیت را شامل می‌شوند که نشان می‌دهد اقدامات مدیریتی تأثیر بیشتری نسبت به عوامل فنی صرف بر تأخیر دارند. مدل پیشنهادی قادر است تأخیر پروژه‌های جدید را با میانگین خطای ۱۲.۸ درصد پیش‌بینی کند. نتیجه‌گیری نهایی اینکه مدل SVR با حفظ سادگی و قابلیت تعمیم‌پذیری، ابزاری عملی برای مدیران پروژه جهت برآورد میزان تأخیر آتی و تمرکز بر مؤثرترین عوامل مدیریتی فراهم می‌آورد؛ این رویکرد داده‌محور می‌تواند به عنوان پایه‌ای برای توسعه سیستم‌های پیش‌بینی بلادرنگ و بهبود انضباط مالی در پروژه‌های عمرانی مورد استفاده قرار گیرد.