Данная работа посвящена исследованию программных способов получения оценки численности населения и количества рабочих мест на определенной территории. Задачи, которые решались в ходе исследования: 1.Изучение открытых источников данных. 2.Разработка средств загрузки и обработки исходных данных. 3.Выбор параметров районов, необходимых для формирования оценки. 4.Проведение сравнительного теста различных моделей машинного обучения и детерминированных алгоритмов. 5.Разработка программного инструмента для получения оценки вышеописанных показателей на основе полученных результатов. В результате были проанализированы открытые источники данных, разработаны программы для получения и обработки исходных данных. Исследованы детерминированные алгоритмы и модели машинного обучения для получения оценок численности населения и количества рабочих мест. На основании проведенных исследований разработан программный инструмент, загружающий исходные данные из OpenStreetMap и базы Фонда Развития Территорий, и использующий модели машинного обучения СatBoostRegressor и RandomForestRegressor для получения оценок.

The given work is devoted to studying software ways of obtaining an estimate of the population and number of jobs in a specific area. The research set the following goals: 1.Studying the open data sources. 2.Development of means of source data loading and processing. 3.Selection of the parameters of the areas necessary for the assessment. 4.Conducting a comparative test of various machine learning models and deterministic algorithms. 5.Development of a software tool to assess the above indicators based on the results obtained. The study resulted into analysis of the open data sources, with input data collection and processing programs developed. Deterministic algorithms and models of machine learning for obtaining estimates of population and number of jobs were investigated. Based on the research conducted, a software tool was developed, downloading source data from OpenStreetMap and the Territorial Development Foundation, and using machine learning models such as CatBoostRegressor and RandomForestRegressor to obtain assessments.