摘要
本研究综述了人工智能（AI）在工程项目进度预测与风险识别中的应用现状。基于对多项实证研究的分析，纳入文献共涵盖14篇符合条件的学术论文，研究对象主要分布于建筑、油气、交通及IT等行业，地理范围涉及阿联酋、非洲、俄罗斯、美国及印度等地。多数研究采用案例研究或混合方法设计，强调AI技术在实际工程管理中的应用价值。结果显示，机器学习、深度学习等AI模型被广泛用于进度优化、资源分配与HSE（健康、安全、环境）风险预测，并结合BIM、IoT等系统实现集成化管理。普遍观察到AI模型在提升预测准确性与决策效率方面具有显著潜力，尤其在油井故障预测、施工延误预警等领域表现出较高实证效度。研究共识指向AI在工程实践中的工具化趋势及其对项目绩效的积极影响。
文献检索
围绕研究主题"人工智能在工程项目进度预测与风险识别中的应用"，我们在VersaBot语料库中进行了系统性检索，覆盖其收录的数百万篇学术论文，涉及工程管理、人工智能与数据科学等多个交叉学科领域。为确保检索结果的相关性与前沿性，共筛选出与本主题最相关的前50篇高匹配度论文作为初步样本池。所有检索操作均基于关键词组合（如"AI in project scheduling"、"machine learning for construction risk"、"predictive analytics in engineering projects"）进行语义关联匹配，最终形成的分析数据集由满足预设筛选标准的文献构成。
筛选标准
为确保纳入文献与研究主题的高度相关性与方法论严谨性，采用以下六项筛选标准进行文献筛选：
- 研究设计：评估论文是否明确描述了使用人工智能技术进行工程项目进度预测或风险识别的研究框架，包括研究类型（如案例研究、实验研究）、目的与过程，以确认其具备可复现的研究路径。
- 变量测量：判断论文是否清晰定义了模型的输入与输出变量（如工期、成本、风险因子），并说明其测量方式与数据来源，确保变量操作具有透明性与合理性。
- 实证效度：考察论文是否提供来自真实工程项目的数据支持模型有效性，并报告具体性能指标（如准确率、AUC值），以验证模型的实际适用性。
- 因果关系清晰度：审查研究是否尝试揭示AI模型输出与项目结果之间的潜在因果机制，而非仅停留在相关性层面。
- 理论与应用重点：优先选择侧重于将AI技术应用于实际工程项目场景的研究，排除纯理论推导或通用算法探讨类文献。
- 时间或空间相关性：确认研究是否聚焦于特定时间段或地理区域内的工程项目，且该时空背景与当前研究问题存在直接关联。
上述标准旨在控制研究异质性，提升综合分析的内部一致性与外部可推广性。
数据提取
数据提取依据预设的九个结构化字段进行，以确保信息采集的一致性与完整性。各字段定义如下：
- 研究设计：包括研究类型、研究目的与时间跨度，信息主要来源于摘要、引言与方法部分；若缺失则记录为"未明确说明"。
- 人工智能技术：指所使用的具体AI方法（如神经网络、随机森林等）、模型架构与算法名称，提取自方法或技术实现部分；缺失时记为"未明确说明"。
- 数据来源：涵盖数据集来源（如企业数据、公开数据库）、数据量与特征（如项目类型、时间范围），主要来自方法与数据描述段落；缺失则标注"未明确说明"。
- 预测目标：指模型预测的具体内容（如工期延误、成本超支）、预测周期与精度指标，出自研究目的与结果部分；缺失按"未明确说明"处理。
- 风险识别：包括识别的风险类别（如技术、管理风险）、评估方法与应对策略，信息源于结果与讨论部分；缺失记为"未明确说明"。
- 性能评估：涉及评估指标（如F1分数、MSE）、对比基准与结果表现，提取自结果与讨论部分；缺失记为"未明确说明"。
- 应用场景：指具体工程项目类型（如建筑、能源）、项目规模与阶段（如施工期），信息来自引言与案例分析部分；缺失记为"未明确说明"。
- 局限性与挑战：包括研究限制（如数据不足）与实施障碍（如算力需求），提取自讨论或结论部分；缺失记为"未明确说明"。
- 未来研究方向：指作者提出的技术改进或扩展建议，出自结论或未来工作部分；缺失记为"未明确说明"。
所有字段均按标准化格式录入，确保后续分析可追溯、可比较。
研究结果
研究概览
下表汇总了纳入研究的基本引用信息及其在关键筛选维度上的表现情况，反映整体研究设计与应用倾向。
| 文献 | 研究设计 | 实证效度 | 理论与应用重点 | 时间或空间相关性 |
|---|---|---|---|---|
| (Alhasan & Alawadhi, 2024) | 使用混合方法（定性和定量）评估AI在工程项目管理中的应用，包括案例研究和文献回顾 | 通过实际案例研究收集数据，进行AI应用前后对比分析，提供改进数据 | 强调AI在实际工程项目管理中的应用，包括进度预测、成本估算和风险管理 | 未明确说明 |
| (Adebayo Shodunke, 2025) | 明确描述AI用于项目进度优化和风险预测的研究架构与操作机制 | 通过实际案例研究和模拟结果验证AI系统性能 | 强调AI技术在实际工程项目中的应用，集成BIM、IoT和ERP系统 | 未明确说明 |
| (Carpenter, 2025) | 描述AIIRA平台基于历史HSE数据进行风险预测的设计 | 未明确说明 | 强调AIIRA平台在项目执行阶段的实际应用，通过处方工具改进风险管理 | 针对特定项目阶段（fabrication, construction, installation）进行预测 |
| (Hossain et al., 2024) | 未明确说明 | 使用案例研究和实证证据支持AI对项目管理的影响，源自实际场景 | 强调AI在规划、调度、资源分配、风险管理中的实际应用 | 未明确说明 |
| (Andrade Marin et al., 2021) | 描述两阶段机器学习模型（离线训练+实时应用）用于油井故障预测 | 在Phase I通过盲测评估准确性，在Phase II通过实时应用验证早期预测能力，数据来自740口油井 | 强调模型嵌入工程师日常工作以优化决策 | 涉及Phase I与Phase II两个时间段及740口油井的地理分布 |
| (Bauyrzhan Satipaldy et al., 2021) | 未明确说明 | 通过多个案例研究验证机器学习在地质工程中的应用效果，数据与工程项目相关 | 强调机器学习在地质工程中的分类、预测与优化设计应用 | 未明确说明 |
| (Hardanto, 2021) | 未明确说明 | 提供实证数据验证DNNA模型在流体流动变化预测中的表现，Matthews相关系数达0.849554 | 聚焦机器学习在油藏工程中提高采收率、优化注水策略的应用 | 未明确说明 |
| (Onukwulu et al., 2024) | 未明确说明 | 未明确说明 | 强调数字技术应用于石油天然气项目供应链协调以降低成本与风险 | 涉及石油天然气行业特定时间与地理区域 |
| (Nwangele et al., 2021) | 未明确说明 | 未明确说明 | 强调AI在非洲可持续投资项目的社会影响力提升中的应用 | 明确涉及非洲大陆，尤其是东非地区 |
| (Guest Editorial: Intelligent Transportation Systems in Smart Cities for Sustainable Environments (SCfSE), 2020) | 未明确说明 | 未明确说明 | 多数论文聚焦智能技术在交通拥堵管理、地铁客流控制等实际工程问题中的应用 | 未明确说明 |
小结：纳入研究普遍强调AI在实际工程项目中的应用导向，多数文献通过案例研究或实证分析验证模型有效性。研究设计多集中于案例研究与系统架构描述，时空背景方面部分研究明确了特定区域或阶段。然而，部分研究在研究设计与实证效度方面信息披露不足。
人工智能技术与变量测量
| 文献 | 人工智能技术 | 变量测量 |
|---|---|---|
| (Alhasan & Alawadhi, 2024) | 未明确说明 | 未明确说明 |
| (Adebayo Shodunke, 2025) | 未明确说明 | 未明确说明 |
| (Carpenter, 2025) | 未明确说明 | 未明确说明 |
| (Hossain et al., 2024) | 未明确说明 | 未明确说明 |
| (Andrade Marin et al., 2021) | 机器学习模型用于ESP故障预测 | 输入变量包括历史数据、高分辨率测量数据、工程变量；输出为故障概率，解释了数据来源与处理方法 |
| (Bauyrzhan Satipaldy et al., 2021) | 机器学习技术用于地质工程中的分类、预测与优化设计 | 未明确说明 |
| (Hardanto, 2021) | 机器学习整合储层碳氢化合物数据，使用MRGC、PCA等方法 | 输入为井数据、地震数据；输出为电性相和储层分布模型，提及具体数据处理方法 |
| (Onukwulu et al., 2024) | 未明确说明 | 未明确说明 |
| (Nwangele et al., 2021) | 未明确说明 | 未明确说明 |
| (Guest Editorial: Intelligent Transportation Systems in Smart Cities for Sustainable Environments (SCfSE), 2020) | 未明确说明 | 未明确说明 |
小结：仅有少数研究（如Andrade Marin et al., 2021；Hardanto, 2021）明确报告了所使用的AI技术及变量测量细节。多数研究虽强调应用，但在技术实现与变量定义上缺乏透明度。具体而言，油气领域研究更倾向于详述输入输出变量及其处理流程，体现较强的技术可操作性。
应用场景与性能评估
| 文献 | 应用场景 | 性能评估 |
|---|---|---|
| (Alhasan & Alawadhi, 2024) | 建筑工程项目管理中的进度预测、成本估算与风险管理 | 未明确说明 |
| (Adebayo Shodunke, 2025) | 建筑工程中的实时资源分配与延迟预测 | 未明确说明 |
| (Carpenter, 2025) | 项目执行阶段（fabrication, construction, installation）的HSE风险预测 | 未明确说明 |
| (Hossain et al., 2024) | 项目管理中的规划、调度、资源分配与风险管理 | 未明确说明 |
| (Andrade Marin et al., 2021) | 油井管理中的故障预测 | Phase I通过盲测评估准确性，Phase II通过实时应用验证早期预测能力 |
| (Bauyrzhan Satipaldy et al., 2021) | 地质工程中的分类、预测与优化设计 | 未明确说明 |
| (Hardanto, 2021) | 油藏开发中提高采收率与优化注水策略 | DNNA模型在流体流动预测中Matthews相关系数为0.849554 |
| (Onukwulu et al., 2024) | 石油天然气项目中的供应链协调 | 未明确说明 |
| (Nwangele et al., 2021) | 非洲可持续投资项目的社会影响力提升 | 未明确说明 |
| (Guest Editorial: Intelligent Transportation Systems in Smart Cities for Sustainable Environments (SCfSE), 2020) | 智能城市交通系统中的拥堵管理与乘客流量控制 | 未明确说明 |
小结：AI应用场景广泛，覆盖建筑、油气、地质、交通与投资管理等领域。性能评估方面，仅三项研究提供了量化指标（如Matthews系数、盲测结果），其余多数未报告具体评估方法或结果，影响对模型可靠性的判断。
局限性与未来方向
| 文献 | 局限性与挑战 | 未来研究方向 |
|---|---|---|
| (Alhasan & Alawadhi, 2024) | 未明确说明 | 未明确说明 |
| (Adebayo Shodunke, 2025) | 未明确说明 | 未明确说明 |
| (Carpenter, 2025) | 未明确说明 | 未明确说明 |
| (Hossain et al., 2024) | 未明确说明 | 未明确说明 |
| (Andrade Marin et al., 2021) | 未明确说明 | 未明确说明 |
| (Bauyrzhan Satipaldy et al., 2021) | 未明确说明 | 未明确说明 |
| (Hardanto, 2021) | 未明确说明 | 未明确说明 |
| (Onukwulu et al., 2024) | 未明确说明 | 未明确说明 |
| (Nwangele et al., 2021) | 未明确说明 | 未明确说明 |
| (Guest Editorial: Intelligent Transportation Systems in Smart Cities for Sustainable Environments (SCfSE), 2020) | 未明确说明 | 未明确说明 |
小结：所有纳入文献均未在提取数据中报告关于研究局限性或未来研究方向的信息，表明现有摘要层级内容对此类反思性内容披露不足，可能影响对研究成熟度的全面评估。
总结
现有研究表明，人工智能在工程项目进度预测与风险识别中的应用正逐步从理论探索转向实际部署，尤其在建筑、油气与基础设施管理领域表现突出。多数研究强调AI与BIM、IoT、ERP等系统的集成，致力于提升调度效率与风险响应能力。实证分析显示，机器学习模型在油井故障预测、储层建模与HSE风险管理中具备较高准确性，部分研究提供了量化验证结果。然而，普遍存在技术细节披露不足、变量测量描述不清以及性能评估指标缺失等问题。此外，关于研究局限性与未来方向的信息普遍未被报告。总体来看，AI在工程管理中的应用呈现强应用导向，但方法透明度与学术严谨性仍有待加强。
参考文献
Andrade Marin, A., Al Balushi, I., Al Ghadani, A., Al Abri, H., Al Zaabi, A. K. S., Dhuhli, K., Al Hadhrami, I., Al Hinai, S. H., Al Aufi, F. M., Al Bimani, A. A., Gala, R. D., Marin, E., Kumar, N., & Raj, A. (2021). Real Time Implementation of ESP Predictive Analytics - Towards Value Realization from Data Science. https://doi.org/10.2118/207550-ms
Alhasan, A. M. A., & Alawadhi, E. K. E. (2024). Evaluating the Impact of Artificial Intelligence in Managing Construction Engineering Projects. 3(8), 28--38. https://doi.org/10.26389/ajsrp.k090724
Adebayo Shodunke. (2025). AI-powered project scheduling systems: Enhancing construction timelines with real-time resource allocation and delay prediction analytics. 16(1), 049--068. https://doi.org/10.30574/ijsra.2025.16.1.1950
Carpenter, C. (2025). Data-Driven HSE Assurance Program Provides Effective Risk Management. 77(08), 1--4. https://doi.org/10.2118/0825-0018-jpt
Hossain, M. Z., Hasan, L., Dewan, M. A., & Monira, N. A. (2024). The Impact of Artificial Intelligence on Project Management Efficiency. 1(05), 1--18. https://doi.org/10.62304/ijmisds.v1i05.211
Bauyrzhan Satipaldy, Taigan Marzhan, Ulugbek Zhenis, & Gulbadam Damira. (2021). Geotechnology in the Age of AI: The Convergence of Geotechnical Data Analytics and Machine Learning. 2(1), 136--151. https://doi.org/10.63995/zoaf3555
Hardanto, L. T. (2021). The Power of Predictive Analytics in Oil Field Development: Integrating Machine Learning with Reservoir Hydrocarbon Data to Enable Enhanced Oil Recovery of Hugin Formation within the Theta Vest Structure. https://doi.org/10.29118/ipa21-g-6
Onukwulu, E. C., Dienagha, I. N., Digitemie, W. N., Egbumokei, P. I., & Oladipo, O. T. (2024). Advanced supply chain coordination for efficient project execution in oil & gas projects. 5(4), 1255--1272. https://doi.org/10.54660/.ijmrge.2024.5.4.1255-1272
Nwangele, C. R., Adewuyi, A., Ajuwon, A., & Akintobi, A. O. (2021). Advances in Sustainable Investment Models: Leveraging AI for Social Impact Projects in Africa. 2(2), 307--318. https://doi.org/10.54660/.ijmrge.2021.2.2.307-318
Guest Editorial: Intelligent Transportation Systems in Smart Cities for Sustainable Environments (SCfSE). (2020). 14(11), 1351--1352. https://doi.org/10.1049/iet-its.2020.0556