مدیریت ارزش کسب شده ابزاری مهم برای پیش‌بینی و ارزیابی زمان و پیشرفت پروژه‌ها در صنعت ساخت‌وساز است. با این حال، این تکنیک به دلیل نادیده گرفتن تغییرپذیری در مدت فعالیت‌ها، معمولاً پیش‌بینی‌های خوش‌بینانه‌ای ارائه می‌دهد که می‌تواند منجر به تأخیرات قابل توجهی در پروژه‌ها شود. این تحقیق به محدودیت‌های این روش در تخمین زمان تکمیل پروژه می‌پردازد و هدف آن بهبود دقت پیش‌بینی‌ها از طریق استفاده از الگوریتم‌های یادگیری ماشین، به ویژه شبکه‌های عصبی حافظه بلندمدت - کوتاه‌مدت، می‌باشد. به کمک این روش پیشنهادی, الگوها و روندهای تاریخی را شناسایی می شود و با تهیه بانک اطلاعاتی پروژه, مدیر پروژه می تواند پیش‌بینی‌های زمان‌بندی بهتری را ارائه دهد.هدف این تحقیق پیشنهاد مدلی است که بتواند مشکلات زمان‌بندی پروژه را با بهره‌گیری از روش سری زمانی یادگیری ماشین که دقت بسیار بالایی دارد، کاهش دهد. براین‌اساس، این مطالعه کاربردهای جدیدی از معماری شبکه عصبی بازگشتی مبتنی بر مدل‌های پیش‌بینی شبکه عصبی حافظه بلندمدت - کوتاه‌مدت با استفاده از زبان برنامه نویسی پایتون پیشنهاد می‌نماید. در این پژوهش، میزان اختلاف زمان تکمیل پروژه در دنیای واقعی با مقداری که توسط ماشین پیش‌بینی شده است مشخص خواهد شد. لازم به ذکر است که در زمینه یادگیری ماشین، تعداد داده‌ها اهمیت ویژه‌ای دارد. بدین منظور، ۳۰ پروژه‌یEPC همراه با گزارش‌های روزانه موجود در بانک اطلاعاتی مدیریت پروژه بررسی می‌شوند. با استفاده از نرم افزار Expert Choice و روش تصمیم گیری چند معیاره AHP ۳۰ پروژه ی بررسی شده براساس سه معیار زمان، هزینه و حجم کار (محدوده پروژه) رتبه بندی می شوند.