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 реновации сложившейся жилой застройки
  • УДК 69.003:658.012.22
    doi: 10.33622/0869-7019.2024.11.22-26
    Сергей Александрович СЕМЕНОВ1,2, зам. генерального директора, аспирант, s.semenov@dev-city.ru
    Ярослав Сергеевич АРГУНОВ3, магистрант, argunov8@yandex.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
    3 Northeastern University, 360 Huntington Ave, Boston, MA 02115, USA
    Аннотация. Рассмотрены возможности использования методов предиктивной аналитики для прогнозирования сроков реализации проектов при реновации сложившейся жилой застройки. Показаны ключевые методы предиктивной аналитики, а также особенности применения метода формирования модели на основе ML-алгоритмов (алгоритмов машинного обучения). Приведены результаты исследования и пример успешного применения разработанной модели для прогнозирования сроков выполнения проектов при формировании стратегических календарных графиков реализации Программы реновации жилищного фонда в городе Москве. Применение сгенерированных с помощью ML-технологий моделей позволяет достаточно точно прогнозировать сроки реализации мероприятий, что дает возможность их использовать при построении сводных календарных графиков и составлять долгосрочные графики переселения жителей, графики потребности в строительной технике и строительных материалах, а также формировать контрольные показатели оценки эффективности реализации программы.
    Ключевые слова: предиктивная аналитика, нейронная сеть, TensorFlow, календарное планирование, сроки реализации проектов реновации, длительность строительства
  • СПИСОК ИСТОЧНИКОВ
    1. Киевский Л. В., Киевский И. Л. Теория реновации. М. : Столица, 2023. 528 с.
    2. Колмыков И. А. Предиктивная аналитика и "цифровая зрелость" // Информатизация и системы управления в промышленности. 2020. № 6. С. 50-52.
    3. Камаева Ю. В., Адамцевич Л. А. Перспективы использования предиктивной аналитики в строительстве // Строительство и архитектура. 2023. Т. 11. № 2. С. 1-11.
    4. Черкасов Д. Ю. Иванов В. В. Машинное обучение // Наука, техника и образование. 2018. № 5. С. 85-87.
    5. Донской В. И. Машинное обучение и обучаемость: сравнительный обзор // Intellectual Archive. 2012. № 933. С. 1-19.
    6. Киевский И. Л., Аргунов С. В., Жаров Я. В., Юргайтис А. Ю. Алгоритмизация систем планирования, управления и обработки информации в строительстве // Промышленное и гражданское строительство. 2022. № 11. С. 14-24. doi: 10.33622/0869-7019.2022.11.14-24
    7. Замахина Д. В., Пархоменко М. И. Применение методов календарного планирования для контроля реализации проектов планировки территорий реновации // Промышленное и гражданское строительство. 2020. № 11. С. 56-62. doi: 10.33622/0869-7019.2020.11.56-62
    8. Пудова Е. Е. Инструмент планирования и прогнозирования жилищного строительства // Промышленное и гражданское строительство. 2023. № 11. С. 56-59. doi: 10.33622/0869-7019.2023.11.56-59
  • Для цитирования: Семенов С. А., Аргунов Я. С. Прогнозирование сроков реновации сложившейся жилой застройки // Промышленное и гражданское строительство. 2024. № 11. С. 22-26. doi: 10.33622/0869-7019.2024.11.22-26

НАЗАД