Details

Данная работа посвящена разработке автоматизированного конвейера сбора и обработки данных из Единого реестра застройщиков, а также построению модели прогнозирования риска задержки сдачи строительных объектов. В первой главе рассмотрена предметная область проектного финансирования жилищного строительства, роль эскроу-счетов, структура данных ЕРЗ, методы автоматизированного сбора веб-данных, подходы мультимодального обучения и методы машинного обучения для анализа табличных и визуальных данных. Во второй главе описано проектирование и реализация конвейера сбора данных: извлечение сведений из карточек объектов, загрузка проектных деклараций, обработка PDF-документов и сопоставление характеристик строительных объектов. В третьей главе представлен конвейер формирования обучающей выборки, включающий обработку фотоотчётов, получение визуальных эмбеддингов с помощью DINOv2-small, формирование признаков строительной динамики, объединение визуальных и табличных характеристик и обучение модели CatBoost. В результате работы сформирован мультимодальный набор данных и построена модель, показавшая значение ROC–AUC 0.751 при пятикратной кросс-валидации. Полученные результаты показывают, что исследованные признаки, включая визуальную динамику строительной площадки по фотоотчётам, масштаб объекта, количество квартир, площадь жилых помещений и плановые сроки строительства, имеют практическую значимость при оценке риска задержки ввода объекта в эксплуатацию.

This work is devoted to the development of an automated pipeline for collecting and processing data from the Unified Register of Developers, as well as to building a model for predicting the risk of delayed completion of construction projects. The first chapter examines the subject area of housing construction project financing, the role of escrow accounts, the structure of URD data, methods for automated web data collection, multimodal learning approaches, and machine learning methods for analyzing tabular and visual data. The second chapter describes the design and implementation of the data collection pipeline, including extracting information from construction project pages, downloading project declarations, processing PDF documents, and matching construction project characteristics. The third chapter presents the pipeline for forming the training dataset, including photo report processing, obtaining visual embeddings using DINOv2-small, creating construction dynamics features, combining visual and tabular characteristics, and training a CatBoost model. As a result, a multimodal dataset was formed and a model was built that achieved a ROC-AUC value of 0.751 under five-fold cross-validation. The obtained results show that the studied features, including the visual dynamics of the construction site based on photo reports, project scale, number of apartments, residential floor area, and planned construction deadlines, have practical significance for assessing the risk of delayed commissioning.