+ 
+
City-modelling - геоинформационная ML система для моделирования городского пространства / цифрового + мастер-планирования. +
+Города развиваются стремительнее с каждым днем. Накопленное городом множество данных о перемещении + населения и посещаемости объектов городской социально-экономической инфраструктуры позволяет создавать + качественно новые модели и переводит процесс управления городом и его развития на новый уровень.
+Для реализации новых возможностей в цифровом развитии города Москвы, связанных с накопленными городскими + данными по посещаемости объектов социально-экономической инфраструктуры, мы разработали + геоинформационную ML систему City-modelling.
+
+ В системе доступно множество слоев с показателями, характеризующими обеспеченность территорий объектами + городской социально-экономической инфраструктуры, такими как школы, бассейны, поликлиники и др. Всего в + системе представлены 13 категорий объектов.
+Среди отображаемых показателей: нагрузка на объекты инфраструктуры, обеспеченность населения, суммарная + обеспеченность населения, пешеходная доступность и потенциал размещения.
+
+ Для расчета спроса населения используются ML-модели, которые строятся на основе реальных ретроспективных + данных по посещаемости объектов и множества данных о городской среде. +
+На основе данных по планируемой реновации и вводу нового коммерческого жилья все показатели + рассчитываются на несколько лет вперед для того, чтобы можно было принимать решения с учетом изменений в + будущем.
+
+ Главной особенностью системы является возможность моделирования городского пространства – выполнение + симуляций строительства и сноса объектов инфраструктуры или жилых домов и онлайн-пересчет всех + показателей с учетом выполненных действий. +
++ Система позволяет за несколько секунд ответить на вопрос – «что будет, если?». Изучив существующую + ситуацию по распределению показателей обеспеченности, можно приступать к проведению экспериментов по + изменению городского пространства – построить новую школу или МФЦ в районах с низкой обеспеченностью и + посмотреть какая будет нагрузка у новых объектов, на сколько сильно она уменьшится у уже существующих + объектов, на сколько увеличиться обеспеченность населения района и т. д. +
+Например, выбрав категорию Бассейны, можно обратить внимание на перегруженность существующих объектов в + районе Северное Тушино и, соответственно, высокий потенциал их размещения в этом районе города.
+
+ Построим новый крупный бассейн в центре района Северное Тушино, предварительно указав его название и + мощность – в течение нескольких секунд показатели обновятся с учетом вновь построенного объекта. + Нагрузка на новый бассейн составит 94%, нагрузка на два перегруженных бассейна нормализуется, а ситуация + в районе, связанная с дефицитом бассейнов, стабилизируется. +
+В процессе подобной симуляции сначала происходит обновление данных каждой ячейки и каждой точки бассейна + с учетом изменений, которые внес пользователь, затем – применение обученной раннее ML-модели к + обновленной выборке.
+
+ 
+ Кроме симуляций строительства и сноса объектов инфраструктуры, в системе также можно выполнять + аналогичные операции с жилыми комплексами – например, оценить, как изменится ситуация при строительстве + нового жилого комплекса на заданное количество квартир. +
+Построим несколько крупных ЖК на промышленной территории района Покровское-Стрешнево и оценим как + изменится ситуация со школами и взрослыми поликлиниками – объекты района станут перегруженными, а + обеспеченность населения снизится.
+
+ 
+ 
+ Все выполненные пользователем симуляции сохраняются в истории, в любой момент их можно отменить и вернуть + состояние системы в предыдущее или первоначальное состояние. +
+
+ Система оснащена множеством фильтров, упрощающих поиск объектов инфраструктуры и городских территорий с + нужными характеристиками. С помощью фильтров можно быстро отбирать объекты с определенной нагрузкой и + мощностью, расположенных в определенных районах города, городские территории с определенными значениями + показателей обеспеченности и т. д. +
+Также в системе доступен выбор детализации отображения городских территорий от сот с длиной стороны 200 + метров до административных районов
+
+ 
+ 
+ 
+ Heat Emergency – geoinformation ML system devoted to modeling of emergencies at heat supply facilities. +
+Every day the city accumulates data on the emergencies that have occurred at heat supply facilities - + residential buildings and heating points. A huge array of such data, combined with data on the + characteristics of heat supply facilities and weather conditions, allows you to create new emergency + management tools.
++ HeatEmergency – an application for the city that helps not only improve control to prevent emergencies, + but also build the best response scenario to an accident that has already occurred +
+
+ Before using, it is necessary to import all the necessary data into the system – locations of residential + buildings and infrastructure facilities, communication of heat supply facilities with each other, + emergency situations of different types that have occurred in residential buildings, indicators of + general house metering devices
+In case of industrial use of the system, all data should be imported in advance, and data requiring + frequent updates (emergency situations and indicators of general house metering devices) should be + transmitted to the system automatically through integrations with the corresponding information systems + of housing and communal services.
+
+ After importing the emergency situations data into the system, a training set is formed, consisting of + the emergencies of a certain type in certain residential buildings on specific dates and the data of the + absence of such accidents. +
+Besides, many signs are formed for the model, including the type of walls, year of construction, number + of storeys, data on the overhaul of various parts of the water supply system of residential buildings, + etc. (about 50 signs in total), weather conditions.
+When building a model, the problem of binary classification is solved - the model determines the + propensity of each residential building to different types of accidents (for example, leakage in a pipe + in an apartment or entrance, lack of heating, etc.).
+The result of the predicted propensity of residential buildings is displayed on the map with the + possibility of using many filters.
+After importing indicators of general house metering devices, the metrics on the pressure and water + temperature in the pipe at the entrance to the house are compared with the standard ones. In case of + deviations from the standards, the fact of an accident on a source – heating point is registered. + Further, similarly to emergencies in residential buildings, an ML model is built, which determines the + propensity of the heating point to an emergency. +
+ +In forecasting, we use complex models that allow us to interpret the propensity for emergencies in a way + that is clear to the user - the forecast can be decomposed into contribution level of all factors + involved in the model and better understand which factors are most significant.
+
+ In the system, it is possible to create a simulation of an accident that has already occurred at a + heating point to assess the number of consumers (residential buildings and socio-economic facilities) + who find themselves in the accident zone and the rate of their cooling down, in order to form an optimal + sequence of response and levelling of the emergency situation. +
+
+ The functionality of the HeatEmergency system based on data analysis and machine + learning methods allows you to improve control over the city heat supply system, improve understanding + of patterns in the occurrence of emergency situations and prevent them. +
+ + Contact us if you are interested in a system like + this + +
+ 
+ 
+ 
+ 
+ 
+ Postnet – geoinformation AutoML system devoted to development and operation monitoring of Moscow + automatic post office chain +
+Moscow automatic post office chain is now being developed by Moscow city administration. Automatic post + offices are placed not only in various infrastructure facilities, but also right inside the entrances of + residential buildings. Now, by using automatic post offices, you can receive orders from online stores + and marketplaces, and other services will be available soon. To monitor operations of the chain and its + development, our team has developed the Postnet system
+
+ The forecast for number of sales in all potential locations for object placement is based on the data + collected from already operating retail chain outlets, more than 50 factors influencing the city space + and algorithms of machine learning (more than 100 000 locations throughout the city).
+Once a day our system gets updated data on total sales from all operating points of sales. Due to the + application of automated machine learning, the model undergoes additional training every day with + consideration of the updated data, becoming more accurate and remaining relevant over time.
+Beside existing location points in the system, you can import your own into it - the system will + automatically collect the necessary data on the loaded location points, implement the model and give a + forecast for the number of orders.
+
+ In forecasting, we use complex models that allow, on the one hand, to identify non-linear patterns + between the value of the number of sales and many factors affecting it, and on the other, to interpret + this pattern in a way that is clear to the user. +
++ So, the forecast at each location can be decomposed into contribution level of all factors involved in + the model and understand better which features of the surrounding space turn out to be the most + significant - which increase the number of orders, and which, on the contrary, decrease it. +
+
+ The system interface gives an opportunity for the user to select any location from the entire set to + simulate the placement of new point of sales in the chain. In the process of such an online simulation, + the model will automatically reassemble all data and recalculate forecasts taking into account that new + automatic post offices will appear in the selected ones. +
+If the automatic post office is successfully installed, this location will begin to accumulate data on + the number of orders and after a certain time will be included in the training set.
+The system is equipped with many filters that simplify the task of finding locations for placing new + automatic post offices. With the help of filters, you can quickly select locations with a certain + forecast number of sales located in certain areas of the city and in objects of a certain category + (supermarket, residential building entrance, library, etc.). +
+
+ Using advanced filters, you can select locations depending on their position relative to infrastructure + objects, for example, locations of other automatic post offices/pick up points or having certain + statistics on the neighborhood, for example, on the number of apartments.
+
+ All this makes the developed system an innovative and convenient tool for managing + and developing the Moscow Automatic Post Office chain. In general, such an application can be used for + any other chains of any commercial or socio-economic facilities with a certain number of already + operating objects. +
+ + Contact us if you are interested in a system like + this + +
+ 
- 
+ 
+ 
+ 
+ 