vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2023-28-5-103-112 Картография и геоинформатика Использование предиктивной геоинформационной модели для оценки рыночной стоимости земельных участков в экспертной системе А. В. Курлов Курлов А. В. Научно-исследовательская лаборатория «Лаборатория городских технологий и пространственного развития», г. Москва, Российская Федерация 2023 28 5 103 112 © А. В. Курлов, 2023 2023 А. В. Курлов Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. При решении задачи прогнозирования рыночной стоимости существует проблема, связанная с набором данных по земельным участкам. Для определения реальной рыночной стоимости была выдвинута гипотеза о том, что модель для предсказания кадастровой стоимости участка будет эффективна и для предсказания увеличения рыночной стоимости земельного участка. Исследование направлено на определение рыночной стоимости земельных участков с учетом пространственного фактора. В статье анализируются данные о рыночной стоимости участков на основе зарегистрированных сделок купли-продажи. Результаты исследования показали сильное влияние местоположения земельных участков относительно социальной инфраструктуры, федеральных трасс, крупных населенных пунктов и водоемов. На основе этого разработана математическая модель, использующая ансамблевый самооптимизирующийся метод, для определения стоимости квадратного метра земельного участка. Принцип работы будущего программного продукта заключается в том, что в специальном плагине пользователь может выбрать земельный участок на карте или задать его координаты и получить на выходе кластер, гипотетическую стоимость земельного участка и прибыль за некоторое заданное количество лет. рыночная стоимость кадастровая стоимость анализ прогнозирование регрессионная модель экспертная модель CatBoost NgBoost XGBoost market value cadastral value analysis forecast regression model expert model CatBoost NgBoost XGBoost 1. Боровков А. А. Математическая статистика : учеб. – 4-е изд., стер. – СПб. : Издательство «Лань», 2010. – 704 с. 2. Шпигельхалтер Д. Искусство статистики. – М. : Манн, Иванов и Фербер, 2020. – С. 134–155. 3. Любимцев О. В., Любимцева О. Л. Линейные регрессионные модели в эконометрике, Линейные регрессионные модели в эконометрике. – Нижний Новгород : Нижегородский государственный архитектурно-строительный университет, ЭБС АСВ, 2016. – С. 9–16. 4. Деммель Дж. Вычислительная линейная алгебра. – М. : Мир, 2000. – 430 с. 5. Vandeput N. Data Science for Supply Chain Forecasting. – 2nd ed. – Walter de Gruyter GmbH & Co KG, 2021 – 310 p. 6. Duan T., Avati A., Ding D. Yi., Thai K. K., Basu S., Ng A., Schuler A. NGBoost: Natural Gradient Boosting for Probabilistic Prediction [Electronic resource] // Proceedings of the 37 th International Conference on Machine Learning. – Vienna, Austria, PMLR 108, 2020. – Mode of access: https://arxiv.org/pdf/1910.03225.pdf (accessed 01.03.2023). 7. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Data Mining, Inference and Prediction. – Springer. – P. 337–386, 409 [Electronic resource]. – Mode of access: https://hastie.su.domains/Papers/ESLII.pdf (дата обращения: 01.03.2023). 8. Dr Guillaume Saupin. Practical Gradient Boosting: An deep dive into Gradient Boosting in Python. – 2022. – 208 p. 9. Кашницкий Ю. С. История развития ансамблевых методов классификации в машинном обучении. – С. 4–6 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/278019662_Istoria_razvitia_ansamblevyh_metodov_klassifikacii_v_masinnom_obucenii (дата обращения: 01.03.2023). 10. Natekin A., Knoll A. Gradient boosting machines, a tutorial [Electronic resource]. – Mode of access: https://www.researchgate.net/publication/259653472_Gradient_Boosting_Machines_A_Tutorial. 11. Peng R. D., Matsui E. The Art of Data Science. A Guide for Anyone Who Works with Data [Electronic resource]. – Mode of access: http://bedford-computing.co.uk/learning/wp-content/uploads/2016/09/artofdatascience.pdf. 12. VanderPlas J. Python Data Science Handbook [Electronic resource]. – Mode of access: https://jakevdp.github.io/PythonDataScienceHandbook/. 13. Шульгин С. Г. Отбор переменных для анализа и прогнозирования нестабильности с помощью моделей градиентного бустинга [Электронный ресурс]. – Режим доступа: https://www.socionauki.ru/upload/socionauki.ru/book/files/monitoring_sm_5/115-153.pdf. 14. Nailong Zhang. A Tour of Data Science (Chapman & Hall/CRC Data Science Series). – 2020. 15. Федотов С., Синицин Ф. Машинное обучение [Электронный ресурс]. – Режим доступа: https://academy.yandex.ru/handbook/ml/article/mashinnoye-obucheniye.