Моделирование товарооборота кофеен на основе пространственных данных
(Стр. 167-178)

Подробнее об авторах
Иванов Иван Дмитриевич руководитель
ООО «БСТ Диджитал»
г. Москва, Российская Федерация Аблязина Наиля Хамитовна Институт ЭМИТ
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
г. Москва, Российская Федерация Гринева Наталья Владимировна
Оплатить 390 руб. (Картой) Оплатить 390 руб. (Через QR-код)

Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты

Аннотация:
Актуальность статьи заключается в важности задачи размещения для экономических показателей организаций и росте в последние годы интереса к применению пространственных данных в системах поддержки принятия решений. Целью работы является моделирование оценки влияния значимых пространственных факторов для прогнозирования товарооборота кофеен. В рамках статьи проанализированы некоторые подходы, где сочетаются пространственные данные с машинным обучением для решения задачи размещения. Осуществлен корреляционный анализ пространственных данных. Произведен многоступенчатый отбор факторов для двух наборов, релевантных для разных типов моделей. Произведен подбор гиперпараметров для выбранных методов моделирования (линейная регрессия, решающее дерево, случайный лес, градиентный бустинг) и проведено построение моделей. Главными инструментами стали язык программирования Python и его библиотеки pandas, sklearn, XGBoost, hyperopt, shap, boostaroota. Проведен анализ полученных результатов и выделена модель на основе градиентного бустинга как оптимальная с точки зрения точности и интерпретации. Результатом работы является созданный подход к моделированию экономических показателей компании при помощи машинного обучения на основе пространственных данных.
Образец цитирования:
Иванов И. Д., Аблязина Н. Х., Гринева Н. В. Моделирование товарооборота кофеен на основе пространственных данных // Проблемы экономики и юридической практики. 2023. Т. 19. № 3. С. 167-178. EDN: MFRRXN
Список литературы:
Ананьев А. Ю., Гаевой С. В., Островский А. А. Применение геоэкономического имитационного моделирования для решения задач малого и среднего бизнеса // Известия Волгоградского государственного технического университета. —2011. —№. 11. —С. 73–76.
Булычев Д. М. Прогнозирование результатов экспертного оценивания точек продаж с помощью нейронной сети // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. —2019. —№. 4. —С. 65–74.
Калинкина Г. Е., Маратканов С. В., Габдуллин В. М. Количественная оценка спроса в целях поиска максимально эффективных мест расположения предприятий торговли с помощью геомаркетинга // Вестник Ижевского государственного технического университета. —2012. —№. 4. —С. 57–60.
Наумов А. С., Рубанов И. Н., Аблязина Н. Х. Новые подходы к типологии сельских территорий России //Вестник Московского университета. Серия 5. География. —2021. —№. 4. —С. 12–24.
Тахтаров И. А., Сергеев А. В. Разработка и исследование технологии геомаркетинга на основе транспортных факторов и нелинейной регрессионной модели // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). —Самара: Новая техника. —2017. —С. 702–706.
ЦИАН. URL: https://www.cian.ru/ (дата обращения: 20.09.2022).
Яндекс.Карты. URL: https://yandex.ru/maps/ (дата обращения: 25.05.2022).
Burges C. et al. Learning to rank using gradient descent // Proceedings of the 22nd international conference on Machine learning. —2005. —С. 89–96.
Karamshuk D. et al. Geo-spotting: mining online location-based services for optimal retail store placement // Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. —2013. —С. 793–801.
Kursa M. B., Rudnicki W. R. Feature selection with the Boruta package // Journal of statistical software. —2010. —Т. 36. —С. 1–13.
Liu Y. et al. DeepStore: An interaction-aware wide&deep model for store site recommendation with attentional spatial embeddings // IEEE Internet of Things Journal. —2019. —Т. 6. —№. 4. —С. 7319–7333.
Yin H. et al. LCARS: a location-content-aware recommender system // Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. —2013. —С. 221–229.
Revealing the ‘Where’ of Business Intelligence using Location Analytics / Esri. 2012. URL: https://www.esri.com/content/dam/esrisites/sitecore-archive/Files/Pdfs/library/whitepapers/pdfs/business-intelligence-location-analytics.pdf (дата обращения: 21.05.2022).
Ключевые слова:
пространственные данные, экономические показатели, машинное обучение.


Статьи по теме

Многомасштабное моделирование для управления и обработки информации Страницы: 11-20 DOI: 10.33693/2313-223X-2022-9-2-11-20 Выпуск №21224
Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур
управление катастрофами предсказание паводков река Амур машинное обучение disaster management
Подробнее
Искусственный интеллект и машинное обучение Страницы: 19-31 DOI: 10.33693/2313-223X-2022-9-3-19-31 Выпуск №21873
Алгоритм идентификации лиц и преступных действий
машинное обучение глубокая сверточная нейронная сеть Kaggle ориентиры machine learning
Подробнее
Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей (специальность 2.3.5) Страницы: 26-35 DOI: 10.33693/2313-223X-2023-10-2-26-35 Выпуск №23034
Анализ алгоритмов составляющих частей компилятора и его оптимизации
компилятор программный код оптимизация алгоритм анализ
Подробнее
Искусственный интеллект и машинное обучение Страницы: 35-44 DOI: 10.33693/2313-223X-2022-9-2-35-44 Выпуск №21224
Элементы искусственного интеллекта в решении задач анализа текстов
анализ тональности текста искусственные нейронные сети машинное обучение рекуррентные нейронные сети длинная цепь элементов краткосрочной памяти
Подробнее
1. ЭКОНОМИКА И УПРАВЛЕНИЕ НАРОДНЫМ ХОЗЯЙСТВОМ 08.00.05 Страницы: 55-61 Выпуск №18758
Методы реализации государственной политики в области управления земельным фондом в эпоху цифровизации
цифровизация земельные ресурсы пространственные данные земельная политика мониторинг
Подробнее
05.13.11 МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ВЫЧИСЛИТЕЛЬНЫХ МАШИН, КОМПЛЕКСОВ КОМПЬЮТЕРНЫХ СЕТЕЙ Страницы: 41-47 DOI: 10.336 9 3/2313- 223X - 2019 - 6 - 2- 41- 4 Выпуск №15585
АЛГОРИТМЫ УПРАВЛЕНИЯ ЛОГИЧЕСКОЙ СТРУКТУРОЙ БАЗЫ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ПАРАМЕТРИЧЕСКОЙ МОДЕЛИ КОНКУРЕНТНОГО ДОСТУПА ЗАПРОСОВ, ОСНОВАННОЙ НА МЕТОДЕ СЛУЧАЙНОГО ЛЕСА
администрирование систем управления базами данных конкурентные запросы параметрическая модель конкурентного доступа машинное обучение метод случайного леса
Подробнее
Системный анализ, управление и обработка информации, статистика Страницы: 78-84 DOI: 10.33693/2313-223X-2024-11-1-78-84 Выпуск №95385
Алгебраические модели представления данных и знаний в современных системах управления базами данных
алгебраические модели системы управления базами данных машинное обучение искусственный интеллект реляционная модель
Подробнее
Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей Страницы: 83-91 DOI: 10.33693/2313-223X-2023-10-3-83-91 Выпуск №23683
Определение параметров скрытых угроз раннего обнаружения в информационных системах для задач машинного обучения
машинное обучение корпоративные информационные системы (КИС) имитационное моделирование анализ данных обработка данных
Подробнее
5.2.2. МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 75-79 Выпуск №21250
Современные направления исследований в области рекомендательных систем
рекомендательная система коллаборативная фильтрация контентная фильтрация холодный старт машинное обучение
Подробнее
4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 65-72 Выпуск №19146
Прогнозирование финансовых рынков с использованием сверточной нейронной сети
прогнозирование финансовых рынков машинное обучение сверточная нейронная сеть математическая модель алгоритм
Подробнее