City-modelling - геоинформационная ML система для моделирования городского пространства / цифрового +
City-modelling ————— геоинформационная ML система для моделирования городского пространства / цифрового мастер-планирования.
Города развиваются стремительнее с каждым днем. Накопленное городом множество данных о перемещении @@ -42,7 +42,7 @@
+ 
+ 
+ 
+ 
+ 
+ 
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 + изменится ситуация со школами – объекты района станут перегруженными, а обеспеченность населения снизится.
- 
+ 
+ 
- 
+ 
+ 
+ 
+ 
+ 
+ 
Heat emergency – геоинформационная ML система для моделирования возникновения аварийных ситуаций на +
Heat emergency ————— геоинформационная ML система для моделирования возникновения аварийных ситуаций на объектах теплоснабжения.
Каждый день город накапливает данные по произошедшим аварийным ситуациям на объектах теплоснабжения – жилых домах и тепловых пунктах. Огромный массив таких данных в совокупности с данными о характеристиках объектов теплоснабжения и погодных условиях позволяет создавать новые инструменты управления аварийными - ситуациями. Heat emergency – приложение для города, помогающее не только улучшить контроль для + ситуациями. Heat emergency — приложение для города, помогающее не только улучшить контроль для предотвращения возникновения аварийных ситуаций, но и построить оптимальный сценарий реагирования на уже возникшую аварию.
+ 
+ 
После попадания в систему показаний счетчиков ОДПУ показания по давлению и температуре воды в трубе на входе в дом сравниваются с нормативными. При отклонениях от нормативов фиксируется факт аварии на - источнике – тепловом пункте. Далее, аналогично с фактами аварий в жилых домах строится ML-модель, + источнике — тепловом пункте. Далее, аналогично с фактами аварий в жилых домах строится ML-модель, определяющая склонность теплового пункта к аварии.
При прогнозировании мы используем сложные модели, позволяющие интерпретировать склонность к аварийности - понятным для пользователя образом – прогноз можно разложить на вклады всех задействованных в модели + понятным для пользователя образом — прогноз можно разложить на вклады всех задействованных в модели факторов и лучше понять, какие именно факторы оказываются наиболее значимыми.
- 
+ 
+ 
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.
+City-modelling ————— a geoinformation ML system for urban space modeling / digital master planning.
+Cities are developing faster every day. The vast amount of data accumulated by the city on population + movement and visitor numbers to urban socio-economic infrastructure facilities makes it possible to + create qualitatively new models and elevate the process of city management and development to a new + level.
+To realize new opportunities in the digital development of Moscow, related to the accumulated urban data + on visitor numbers to socio-economic infrastructure facilities, we have developed the geoinformation ML + system 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.
+The system provides access to numerous layers with indicators that characterize the provision of + territories with urban socio-economic infrastructure facilities, such as schools, swimming pools, + clinics, etc. In total, the system presents 13 categories of facilities.
+Among the displayed indicators are: load on infrastructure facilities, population provision, total + population provision, pedestrian accessibility, and potential for placement.
- 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.
+ML models, built on the basis of real retrospective data on facility visitor numbers and a variety of + urban environment data, are used to calculate population demand.
+Based on data for planned renovation and the introduction of new commercial housing, all indicators are + calculated several years in advance so that decisions can be made with future changes in mind.
- 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.
+The main feature of the system is the ability to model urban space by performing simulations of the + construction and demolition of infrastructure facilities or residential buildings and recalculating all + indicators online based on these actions.
+The system can answer the question "what if?" in a few seconds. After studying the current situation with + the distribution of provision indicators, you can start experimenting with changing the urban space. You + can build a new school or a multifunctional center in areas with low provision and see what the load on + the new facilities will be, how much the load on existing facilities will decrease, how much the + provision for the local population will increase, and so on.
+For example, by selecting the Swimming Pools category, you can see the overload of existing facilities in + the Severnoe Tushino district and, consequently, the high potential for placing new ones in this area of + the city.
- 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.
+Let's build a new large swimming pool in the center of the Severnoe Tushino district, specifying its name + and capacity. Within a few seconds, the indicators will update, taking into account the newly built + facility. The load on the new pool will be 94%, the load on the two overloaded pools will normalize, and + the situation in the district related to the pool deficit will stabilize.
+During such a simulation, the data for each cell and each pool point is first updated based on the + changes made by the user. Then, the previously trained ML model is applied to the updated dataset.
-
- 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.
+Besides simulating the construction and demolition of infrastructure facilities, the system also allows + similar operations with residential complexes. For example, you can assess how the situation will change + if a new residential complex with a specified number of apartments is built.
+Let's build several large residential complexes on the industrial territory of the Pokrovskoye-Streshnevo + district and evaluate how the situation with schools will change. The facilities in the district will + become overloaded, and the population's provision will decrease.
-
-
- Все выполненные пользователем симуляции сохраняются в истории, в любой момент их можно отменить и вернуть - состояние системы в предыдущее или первоначальное состояние. -
+All simulations performed by the user are saved in a history log. At any time, they can be canceled to + restore the system to a previous or initial state.
- 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
+The system is equipped with many filters that simplify the search for infrastructure facilities and urban + areas with the desired characteristics. Using filters, you can quickly select facilities with a specific + load and capacity, located in certain areas of the city, or urban areas with specific values for + provision indicators.
+The system also allows you to choose the level of detail for displaying urban territories, from hexagonal + cells with a side length of 200 meters to administrative districts
-
-
-
- Heat Emergency – geoinformation ML system devoted to modeling of emergencies at heat supply facilities. +
Heat Emergency ————— a 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, + HeatEmergency is 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 +
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
@@ -71,7 +73,7 @@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 +
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 @@ -80,19 +82,19 @@
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. + 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 + 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.
- Postnet – geoinformation AutoML system devoted to development and operation monitoring of Moscow +
Postnet ————— a 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 diff --git a/en/projects.html b/en/projects.html index 99769b5..5b88f55 100644 --- a/en/projects.html +++ b/en/projects.html @@ -48,7 +48,7 @@ facilities