Издаётся с сентября 1923 года
DOI: 10.33622/0869-7019
Russian Science Citation Index (RSCI) на платформе Web of Science


  • НАУЧНО-ПРОЕКТНЫЙ ЦЕНТР «РАЗВИТИЕ ГОРОДА» - СТРОИТЕЛЬНОМУ КОМПЛЕКСУ
  • Прогнозирование сроков ввода в эксплуатацию объектов с помощью алгоритмов машинного обучения
  • УДК 69.003.13
    doi: 10.33622/0869-7019.2025.12.29-34
    Илья Леонидович КИЕВСКИЙ1, доктор технических наук, генеральный директор, ikievski@yandex.ru
    Сергей Александрович СЕМЕНОВ, зам. генерального директора по информатизации1, аспирант2, s.semenov@dev-city.ru
    Илья Борисович ГРИШУТИН1, начальник отдела внедрения информационных систем, i.grishutin@dev-city.ru
    Сергей Олегович МАКСИМОВ1, начальник отдела научных исследований, s.maksimov@dev-city.ru
    Екатерина Владимировна ТЫМ1, специалист первой категории, e.tym@dev-city.ru
    1 Научно-проектный центр «Развитие города», 129090 Москва, просп. Мира, 19, стр. 3
    2 Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ), 129337 Москва, Ярославское ш., 26
    Аннотация. Показан пример подготовки и обучения модели классического машинного обучения для прогнозирования сроков возведения объектов капитального строительства. Приведены особенности и ограничения существующих источников информации, используемых для прогнозирования продолжительности строительства в среднесрочной и долгосрочной перспективе. Сформированы задачи, решение которых необходимо для повышения качества долгосрочного планирования градостроительного развития, а также способы их решения на основе применения алгоритмов машинного обучения. Описаны основные подходы к подготовке двух групп моделей машинного обучения. Первая группа моделей предназначена для прогнозирования продолжительности строительства отдельных объектов вне проектов планировки территорий. Вторая группа моделей предназначена для прогнозирования сроков завершения реализации проектов планировки территории в целом и по отдельным этапам и участкам. Сформулированы возможные сферы применения полученных результатов.
    Ключевые слова: машинное обучение, городское планирование, прогнозирование сроков строительства, модель "Случайный лес", проекты планировки территории, градостроительное развитие
  • СПИСОК ИСТОЧНИКОВ
    1. Потапенко А. В. Как модернизировать систему планирования в градостроительстве // Жилищное строительство. 2013. № 2. С. 2-8.
    2. Мезенин А., Салихова М., Побединский В. Прогнозирование методом машинного обучения // Роль технического регулирования и стандартизации в эпоху цифровой экономики : сб. статей V Междунар. науч.-практ. конф. (Екатеринбург, 2 ноября 2023 г.). Екатеринбург : ИД "Ажур", 2023. С. 287-292.
    3. Власова Е. Л. [и др.]. Искусственный интеллект в архитектурно-градостроительном проектировании // Architecture and Modern Information Technologies. 2023. № 4(65). С. 311-324.
    4. Крашенинников К. И., Кузнецов В. А., Кулеш Н. П. Практика использования технологий машинного обучения в градостроительном проектировании: классификация видов разрешенного использования и предсказание функционального зонирования // Актуальные исследования. 2025. № 31(266). Ч. I. С. 30-35.
    5. Синицын М. Д. Построение инерционного сценария развития территорий с использованием нейросети Leonardo.AI на примере восточного сектора Московской агломерации // Наука, образование и экспериментальное проектирование : сб. междунар. науч.-практ. конф. (Москва, 8-12 апреля 2024 г.). М. : МАрхИ, 2024. С. 378-379.
    6. Pan X. et al. Modeling urban expansion by integrating a convolutional neural network and a recurrent neural network [Моделирование расширения городов путем интеграции сверточной нейронной сети и рекуррентной нейронной сети] // Journal of Applied Geography. 2022. Vol. 122. P. 102977.
    7. Киевский И. Л., Семенов С. А., Крутяков А. Ю. [и др.]. Искусственный интеллект в градостроительной деятельности: современные методы и их перспективы // Промышленное и гражданское строительство. 2025. № 8. С. 77-82. doi: 10.33622/0869-7019.2025.08.77-82
    8. Сохина С. А., Немченко С. А. Машинное обучение. Методы машинного обучения // Современная наука в условиях модернизационных процессов: проблемы, реалии, перспективы : cб. V Междунар. науч.-практ. конф. Уфа : НИЦ "Вестник науки", 2021. С. 165-168.
    9. Жуланов В. Н. Применение градиентного спуска для обучения модели машинного обучения // Инновационные технологии: теория, инструменты, практика. 2021. № 1. С. 16-21.
    10. Галимов Р. Г. Основы алгоритмов машинного обучения - обучение без учителя // Аллея науки. 2017. № 14. С. 807-809.
    11. Вьюгин В. В. Математические основы машинного обучения и прогнозирования. М. : МЦМНО, 2014. 484 с.
    12. Коньков В. В., Широков В. И., Жабицкий М. Г. Прогнозирование срывов сроков строительства с использованием машинного обучения на основе исторических данных о фактической продолжительности завершенных проектов // International Journal of Open Information Technologies. 2024. № 8. С. 35-47.
    13. Салтанаева Е. А., Шакиров А. А., Гимаева А. Р. Сравнение традиционных методов машинного обучения и глубокого обучения // Научно-технический вестник Поволжья. 2023. № 12. С. 379-381.
    14. Хенрик Б., Джозеф Р., Марк Ф. Машинное обучение. СПб : Питер, 2017. 336 с.
    15. Chaturvedi V., De Vries W. T. Machine learning algorithms for urban land use planning: a review [Обзор алгоритмов машинного обучения для планирования городского землепользовани] // Urban Science. 2011. № 5(3). P. 68. doi: 10.3390/urbansci5030068
  • Для цитирования: Киевский И. Л., Семенов С. А., Гришутин И. Б., Максимов С. О., Тым Е. В. Прогнозирование сроков ввода в эксплуатацию объектов с помощью алгоритмов машинного обучения // Промышленное и гражданское строительство. 2025. № 12. С. 29-34. doi: 10.33622/0869-7019.2025.12.29-34

НАЗАД