1. 工程进度预测与工期风险分析导论

在工程项目管理中，进度从来不是一条笔直的线。设计变更、天气窗口、材料到货、劳动力波动、审批周期、机械故障，任何一个环节的偏差都可能沿着工序网络向后传递，最终表现为里程碑滑移甚至总工期超期。传统进度管理依赖横道图、关键路径法（CPM）和挣值分析（EVM），它们擅长回答“现在偏了多少”，却很难提前回答“接下来最可能偏到哪里、为什么偏、偏了会影响谁”。本课程要解决的，正是把“事后统计”推进到“事前预测与风险量化”。

一、课程要回答的三个核心问题

整门课程围绕三个层层递进的问题展开。第一，进度预测到底预测什么：不是简单外推一条曲线，而是预测各工序的完成时间分布、里程碑达成概率、关键路径的迁移趋势。第二，风险从哪里来、如何量化：把天气、资源、变更、供应链等不确定性转化为可计算的概率与影响区间，而不是停留在“风险较高”的定性描述。第三，预测结果如何转化为决策：当模型给出“某里程碑按期概率仅62%”时，管理者应决定是否赶工、调整逻辑关系、增加资源或重排优先级。

这三个问题对应三种能力：数据能力、建模能力、决策能力。缺少数据，模型是空转；缺少建模，数据只是报表；缺少决策映射，预测就只是数字游戏。

二、AI预测相对传统方法的增量价值

传统CPM给出的是确定性工期，即每个工序取一个固定历时，再算最早开始、最晚开始和总时差。它的隐含假设是“历时已知且不变”，这与工程现实差距很大。AI预测的价值不在于取代CPM，而在于补上三块短板。

• 处理不确定性：用概率分布代替单点历时，输出P50、P80、P90等分位工期，让管理者知道“有多大把握”。
• 捕捉非线性影响：资源冲突、多工序并行、返工连锁等关系，往往不是简单加减，机器学习模型可以从历史数据中学习这些交互效应。
• 持续更新：随着现场实际进度数据不断回传，模型可以滚动修正预测，而不是等到月度例会才发现偏差。

需要强调的是，AI预测的输入仍然来自进度计划、资源计划、合同工期、历史项目数据和现场实际记录。模型质量的上限，由数据质量和工序逻辑的准确性决定。因此本课程不会把AI讲成“黑箱魔法”，而是强调“可解释的预测链路”。

三、整体学习路径

课程按“认知—数据—模型—风险—决策—落地”推进。前几章建立进度网络、关键路径、浮动时间等基础语言；随后进入数据层，讨论进度数据的采集口径、清洗规则和特征构造；中段重点讲解工期预测模型，包括回归、时间序列、蒙特卡洛模拟与机器学习方法，并说明各自的适用边界；后段聚焦风险分析，把风险事件映射为工期影响，计算缓冲与应急时间；最后落到工具链、案例复盘和组织落地。

下面这张图给出本课程的整体知识结构：左侧是输入层，中间是预测与风险分析的核心处理链，右侧是决策输出，底部是贯穿全程的数据反馈回路。

四、一个最小示例：从单点工期到概率工期

假设某桥梁项目的一个关键工序“承台混凝土浇筑”，计划历时为10天。传统CPM会直接按10天排入网络。但在实际中，若遇到连续降雨、混凝土供应延迟或验收返工，历时可能延长到12～15天。若我们根据历史数据估计：正常完成概率60%，历时10天；轻度延误概率25%，历时12天；重度延误概率15%，历时15天，则可计算期望历时：

E = 10×0.60 + 12×0.25 + 15×0.15
  = 6.0 + 3.0 + 2.25
  = 11.25 天

这意味着，如果仍按10天排计划，该工序本身就存在约2.25天的期望缺口。若该工序位于关键路径上，且后续还有5个类似工序，累计期望偏差可能达到10天以上。AI预测的第一步，就是把这些“单点假设”替换为“分布假设”，再通过网络传播计算整体工期分布。

五、学完本课程应达到的能力标准

完成30章学习后，你应当能够独立完成以下任务：读取一份进度计划并识别关键路径与浮动时间；整理至少一个项目的历史进度数据并构造预测特征；选择合适模型输出里程碑概率工期；把风险事件量化为工期影响并计算缓冲；用预测结果支撑赶工、资源调配和应急决策；在项目例会上用概率语言而非“大概”“可能”沟通进度风险。

进度管理的未来，不是用AI替代工程师的判断，而是让工程师在更充分的信息下做判断。接下来，我们将从进度网络的基础语言开始，逐步搭建这条从数据到决策的完整链路。