プロジェクト管理において、プロジェクトの期間とコストの正確な予測は特にリソースに制約のあるタスクネットワークにおいて重要な課題です。従来の手法であるクリティカルパス法（CPM）やプログラム評価レビュー技法（PERT）は、タスク間の相互依存性やリソースパフォーマンスに関して簡略化された固定的な前提に依存しています。本研究では、プロジェクト活動のネットワーク表現をグラフニューラルネットワーク（GNN）に統合する新しいリソースベースの予測フレームワークを提案します。このモデルでは、プロジェクトを異種の活動-リソースグラフとして表現し、ノードは活動やリソースを、エッジは時間およびリソースの依存性を表します。実験結果では、提案されたGNNフレームワークが従来の回帰分析や決定木ベースの手法と比較して、平均絶対誤差が23〜31％削減され、複雑なプロジェクトネットワークにおける決定係数R2が約0.78から0.91に向上することが示されました。また、学習された埋め込みはリソースのボトルネックや重要な依存関係についての洞察を提供し、より説明可能で適応的なスケジューリングの意思決定を促進します。