Details

Магистерская диссертация посвящена разработке методики, позволяющей оценивать целесообразность реконструкции жилых зданий на основе алгоритмов машинного обучения с учётом технических, экономических, социальных и градостроительных факторов. Применение методов машинного обучения позволяет формализовать процесс принятия решений и снизить степень его зависимости от субъективной экспертной оценки. В ходе исследования решены следующие задачи: — выявлены и систематизированы технические, экономические, социальные и градостроительные критерии, определяющие целесообразность реконструкции жилых зданий; обосновано применение методов машинного обучения для решения задачи оценки; — разработана методика оценки целесообразности реконструкции жилых зданий: задача формализована как задача регрессионного анализа; сформировано признаковое пространство из 16 параметров четырёх групп критериев; разработана формула расчёта интегрального индекса на основе взвешенной суммы нормализованных субиндексов; обоснован выбор алгоритма CatBoost; — выполнена апробация разработанной методики на примере объектов жилой застройки Москвы; проведена оценка качества модели; сформулированы практические рекомендации по её применению. Апробация методики выполнена на базе данных, включающей 500 объектов жилой застройки города Москвы. Модель CatBoost показала коэффициент детерминации R² = 0,932 и среднее абсолютное отклонение MAE = 0,022; по всем основным метрикам результат превзошёл базовые алгоритмы — дерево решений и случайный лес. Анализ важности признаков выявил, что наибольший вклад в предсказание индекса вносят рыночная стоимость объекта (25,6%), физический износ здания (14,2%) и стоимость реконструкции (13,9%); совокупный вклад экономических факторов составляет около 40%. Оценка конкретного объекта — панельного пятиэтажного дома 1964 года постройки с физическим износом 48%, расположенного по адресу: г. Москва, ул. Зеленодольская, д. 17, корп. 3, — дала расчётный индекс 0,683 и предсказание модели 0,619. Оба значения превышают пороговое 0,60 и соответствуют выводу о целесообразности реконструкции. Полученный результат согласуется с фактическим включением объекта в программу реновации жилого фонда Москвы. Разработанная методика применима в практике проектных организаций, застройщиков и органов муниципального управления при подготовке обоснований решений о реконструкции жилых зданий в условиях городской застройки. Её использование обеспечивает объективность и воспроизводимость оценки и снижает зависимость результата от субъективного экспертного мнения.

The masters thesis is devoted to the development of a methodology for assessing the feasibility of residential building reconstruction based on machine learning algorithms, taking into account technical, economic, social, and urban planning factors. The application of machine learning methods makes it possible to formalise the decision-making process and reduce its dependence on subjective expert judgement. The following tasks were addressed in the course of the research: — technical, economic, social, and urban planning criteria determining the feasibility of residential building reconstruction were identified and systematised; the application of machine learning methods for solving the assessment problem was substantiated; — a methodology for assessing the feasibility of residential building reconstruction was developed: the task was formalised as a regression analysis problem; a feature space comprising 16 parameters grouped into four categories of criteria was constructed; a formula for calculating the integrated feasibility index based on the weighted sum of normalised sub-indices was developed; the choice of the CatBoost algorithm was substantiated; — the developed methodology was tested using residential buildings located in Moscow as a case study; the quality of the model was assessed; practical recommendations for its application were formulated. The methodology was tested on a dataset comprising 500 residential buildings located in Moscow. The CatBoost model achieved a coefficient of determination R² = 0,932 and a mean absolute error MAE = 0,022, outperforming the baseline algorithms — the decision tree and the random forest — across all main metrics. The feature importance analysis revealed that the largest contribution to the prediction of the index is made by the market value of the object (25,6%), the physical deterioration of the building (14,2%), and the cost of reconstruction (13,9%); the cumulative contribution of economic factors amounts to approximately 40%. The assessment of a specific object — a five-storey panel residential building constructed in 1964 with physical deterioration of 48%, located at: Moscow, Zelenodolskaya Street, 17, building 3 — yielded a calculated index of 0,683 and a model prediction of 0,619. Both values exceed the threshold of 0,60 and correspond to the conclusion regarding the feasibility of reconstruction. The obtained result is consistent with the actual inclusion of the object in the housing renovation programme of the city of Moscow. The developed methodology is applicable in the practice of design organisations, developers, and municipal authorities for substantiating decisions on the reconstruction of residential buildings in urban areas. Its use ensures the objectivity and reproducibility of the assessment and reduces the dependence of the result on subjective expert judgement.