现代工程建设项目日趋复杂,其现场施工过程和建设规模在不断扩大,使得项目现场施工进度控制管理和资源优化配置显得更加重要。凭借经验开展施工管理和决策不可避免地会导致决策失误和管理不善,随着新技术、新材料、新设备的发展,为现场管理和资源配置提高效率提供了新的手段和方法,高效、准确的资源配置可以帮助劳动者更有序、更有效地工作。但实践中仍存在信息不及时准确、数据不全、资源分配不合理等问题,许多研究探索了从成本控制、技术改进、计划制定、资源配置、布局优化等方面提高工作效率的方法。大多数的研究都是利用算法工具来管理资源,包括遗传算法、数学建模等。然而,由于没有量化指标,没有具体的方法或理论来解决资源配置优化问题,即使一些管理者和研究人员有视频或数据,也很难提取出合适有效的信息。针对以上问题,本文从计算建筑构件施工活跃度来预测资源配置,以帮助管理者节约管理时间,有精力控制多个施工现场。包括:(1)计算施工构件的活跃度。在运输领域,有一些预测交通流量和活跃的区域通过监测车辆路线和建立数学模型,有鉴于此,本研究试图优化资源管理,通过机器视觉技术结合计算机分析,统计一个建筑工地工人访问工具箱的次数和方向,根据方向、位置和工人访问工具箱的次数来量化建筑物构件的活跃度,计算其构件的施工活跃度。(2)分析构件施工活跃度的空间相关性。为了更好地保证计算和调整活跃度指标的准确性和精度,考虑了空间位置对构件施工活跃度的影响,计算了全局Moran指数和局部Moran指数,分析了构件活跃度的全局空间自相关性和局部空间自相关性。本案例中,全局Moran指数I为0.4528,建筑物构件施工活跃度表现出比较强的全局空间自相关。另外,检验Z值得分为正,且在5%的水平,表明建筑物构件的活跃度趋于空间集聚。(3)建立活跃情况的预测模型。用活跃度和Moran指数进行机器学习,针对不同的构件(墙和柱),分别进行机器学习和交叉检验,对比分析后采取不同的机器学习算法,在本案例中,借助Weka软件,对柱采用随机森林算法的预测模型对施工的活跃度进行训练预测,而墙采用神经网络算法的预测模型对墙的施工的活跃度进行训练预测。通过建立构件活跃情况的预测模型,对活跃情况做出预测,以帮助管理者高效分配所需的现场资源。本研究有利于合理配置施工资源,提高施工现场管理效率,可在一定程度上对现代工程管理理论起到补充作用。