Estimativa de custo de obras públicas de presídios: uso de técnicas de machine learning

Abstract

Estimar custos de construção iniciais para diferentes tipologias de obras é uma tarefa desafiadora, especialmente no caso de presídios públicos, que possuem características únicas e complexidades não abrangidas por métodos tradicionais de estimativa. Este estudo propõe o uso de técnicas de machine learning para a estimativa parametrizada de custos de obras públicas de presídios. Foram desenvolvidos quatro modelos de machine learning com o objetivo de verificar qual o modelo mais adequado para alcançar estimativas mais precisas para essa tipologia. Entre os modelos avaliados, o de árvores de decisão apresentou o melhor desempenho, com erro percentual médio absoluto (MAPE) de 16,47%, seguido pelo modelo de support vector machine, que obteve MAPE de 21,19%. Os outros modelos apresentaram erros mais significativos e foram considerados inadequados para estimar custos. Ao comparar os resultados com a regressão linear simples, observou-se a superioridade dos modelos desenvolvidos em termos de precisão. Os achados indicam que o uso de machine learning é uma ferramenta eficaz para lidar com as complexidades da estimativa de custos de presídios públicos, proporcionando maior exatidão do que os métodos tradicionais. Esses resultados ressaltam o potencial dessas técnicas para otimizar o planejamento de obras dessa natureza, tornando-as uma alternativa promissora para superar desafios existentes.