Announced 9 days in advance of the defense with approval from CEE Graduate Committee and Graduate Education Thesis Office.

School of Civil and Environmental Engineering

Ph.D. Thesis Defense Announcement

Application of Data Analytics and Machine Learning Methods to Enhance Decision-Making in Right-Of-Way Acquisition Process and Transportation Asset Management

By Frederick Chung

Advisor:

Dr. Baabak Ashuri

Committee Members:                  Dr. Susan Burns (CEE), Dr. Eric Mark (CEE), Dr. Xiuwei Zhang (CSE), and Dr. Minsoo Baek (KSU)

Date and Time:  May 16th, 2024, 12:00 PM

Location: Microsoft Teams (Meeting ID: 215 398 934 673; Passcode: 28KyNZ)

With the increasing project complexity and evolving conditions surrounding the uncertain project environment, transportation agencies face a great challenge in making optimal decisions in project management. Budgets allocated for transportation projects remain constrained, thereby creating a pressing need for judicious decision-making to ensure the efficient utilization of funds. Given the requirement to address public needs of infrastructure while working within limited budgets, there is a significant necessity to enhance decision-making by exploring application of advanced data analytics and machine learning methodologies. The development of digital tools and platforms has facilitated the collection and storage of vast amount of data pertaining to the performance of infrastructure systems and the history of various projects. The availability of information is opening unique opportunities to analyze past performance, identify patterns, and gain insights that can be used to inform future planning. This research explores implementation of data analytics and machine learning techniques to enhance two crucial project management tasks, Right-Of-Way (ROW) acquisition process and transportation asset management. The first chapter of this research contributes to the state of knowledge in estimating ROW acquisition timeline through developing a novel machine learning model to accurately estimate ROW acquisition timelines, and identifying drivers (i.e., risk factors) of ROW acquisition durations. The forecasting model developed in this research achieves a high accuracy to predict ROW durations by explaining 74% of the variance in ROW acquisition durations using project features. Moreover, number of parcels, average cost estimation per parcel, length of projects, number of condemnations, number of relocations, and type of work are found to be influential factors as drivers of ROW acquisition duration. The second chapter of this research contributes to the body of knowledge in improving the prediction of pavement condition by developing machine learning models and implementing ensemble methods to enhance predictive performance. This research focuses on developing five machine learning classification models, Random Forest, Gradient Boosting, Support Vector Machine, K-Nearest Neighbor, and Artificial Neural Network, to predict pavement condition levels. To enhance prediction performance, ensemble methods, including voting and stacking, are integrated. Voting ensemble model constructed with the two best-performing individual classification models reaches the highest accuracy rate at 83%. Although the performance of individual models fluctuates, ensemble models consistently produce top-tier performance irrespective of the data sampling variations. Therefore, ensemble methods are recommended in developing pavement condition prediction models to enhance accuracy and achieve more consistent quality of predictions. The findings of this research will provide transportation agencies with insights on how to improve practices in scheduling ROW acquisition process and improving pavement condition forecasting practices to enhance their maintenance planning and cost savings.