CC BY
0Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
УДК 338.2 DOI 10.29141/2949-477X-2024-3-2-2 EDN ZBWCVA
А.М. Сулейманова, В.Э. Пашкевич
Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация
Прогнозирование дохода управляющей компании на основе технологий машинного обучения
Аннотация. Значительно резвившаяся под управлением крупных девелоперов сфера ЖКХ так же, как и любой другой бизнес, требует четкого планирования финансовых и ресурсов. Качественный прогноз, учитывающий не только ретроспективные данные об объемах продаж услуг, но и размеры коммунальных платежей, цены на услуги ЖКХ и т.п., позволяет эффективно планировать деятельность по управлению бизнесом. Данная статья посвящена проблеме прогнозирования поступлений денежных средств для управляющей компании. На основе анализа публикаций, посвященных вопросам прогнозирования и планирования доходов для управляющих компаний, выявлено, что перечень таких работ ограничен, что указывает на узкую направленность проблематики и ее определенную сложность. В статье предложен вариант алгоритма прогнозирования дохода управляющей компании, занимающейся комплексным обслуживанием в сфере ЖКХ и обеспечением условий проживания жителей многоквартирных домов, который основан на методе машинного обучения.
Ключевые слова: ЖКХ; управляющая компания; прогнозирование; машинное обучение; градиентный бустинг.
Дата поступления статьи: 29 апреля 2024 г.
Для цитирования: Сулейманова А.М., Пашкевич В.Э. Прогнозирование дохода управляющей компании на основе технологий машинного обучения // Цифровые модели и решения. 2024. Т. 3, № 2. С. 17-27. DOI: 10.29141/2949-477X-2024-3-2-2. EDN: ZBWCVA.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
A.M. Suleymanova, V.E. Pashkevich
The National University of Science and Technology «MISIS», Moscow, Russian Federation
Forecasting the income of a management company based on machine learning technologies
Abstract. Significantly frolicking under the management of large developers, the housing and utilities sector, just like some other business, requires clear financial and resource planning. A qualitative forecast that takes into account relevant data not only retrospective data on sales volumes of services, but also the size of utility payments, prices for housing and communal services, etc., allows effective planning of business management activities. This paper is devoted to the problem of forecasting cash receipts for a management company. Based on the analysis of publications devoted to the issues of forecasting and planning income for management companies, it is revealed that the list is limited, indicating the narrow focus of the problem and its certain complexity. The study proposes a variant algorithm for forecasting the income of a management company engaged in integrated services in the domain of housing and communal services and providing living conditions for residents of apartment buildings, which is based on the method of machine learning.
Key words: housing and communal services; management company; forecasting; machine learning; gradient boosting.
Paper submitted: April 29, 2024.
For citation: Suleymanova A.M., Pashkevich V.E. Forecasting the income of a management company based on machine learning technologies. Digital models and solutions. 2024. Vol. 3, no. 2. Pp. 17-27. DOI: 10.29141/2949-477X-2024-3-2-2. EDN: ZBWCVA.
Введение
Прогнозирование возможных событий в такой сфере, как ЖКХ, довольно сложный процесс. Если на сессиях планирования и прогнозирования управляющая компания не будет учитывать ряд существенных факторов, она может оказаться неподготовленной к сезонным явлениям, недополучить часть доходов, а также потерять свою репутацию как известной компании.
На текущий момент прогнозирование доходов предприятий в сфере жилищно-коммунального хозяйства осуществляется в соответствии с Бюджетным кодексом Российской Федерации (в ред. от 1 июля 2021 г.) и постановлением Правительства РФ от 23 июня 2016 г. № 574 (в ред. от 14 сентября 2021 г.) «Об общих требованиях к методике прогнозирования поступления доходов в бюджеты бюджетной системы Российской Федерации» на основе методов прямого расчета, усреднения, индексации и экстраполяции.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
В статье описан процесс прогнозирования дохода управляющей компании, занимающейся комплексным обслуживанием в сфере ЖКХ и обеспечением условий проживания жителей многоквартирных домов, с применением технологий машинного обучения. Для этого предполагается определить наиболее эффективные алгоритмы машинного обучения для прогнозирования поступления денежных средств в компанию, описать их специфику, плюсы и минусы. Главным результатом исследования будет алгоритм прогнозирования финансовых показателей, учитывающий признаки, специфичные для бизнеса управляющей компании.
Практическая значимость результатов настоящего исследования заключается в том, что предложенный алгоритм выявляет и учитывает закономерности между объемами поступлений доходов и факторами, влияющими на доходы управляющей компании. Повышение качества прогноза, в свою очередь, положительно влияет на управленческие решения и результаты бизнеса.
Материалы и методы
Компания-девелопер пользуется услугами компании-подрядчика, предоставляющей свою ИТ-платформу, которая помогает девелоперу создавать собственные экосистемы, объединяя все процессы в единый суперапп. Платформа отправляет все полученные данные во внутреннее корпоративное хранилище данных девелопера. С помощью платформы подрядчика управляющая компания взаимодействует с клиентом. Система предоставляет ряд возможностей как для управляющей компании, так и для жителя.
Для разработки прогноза были выбраны следующие данные:
- id аккаунта пользователя;
- наименование ЖК;
- тип платежа (ЖКУ, страхование, платная услуга);
- сумма, на которую выставлен чек;
- сумма предоставленной льготы. Льгота - это скидка на оплату жилищных и коммунальных услуг. Льгота закрепляется за гражданином на длительное время (например пока младшему ребенку из многодетной семьи не исполнится 16 или 18 лет) или пожизненно (за ветераном, инвалидом войны и другими категориями жильцов);
- пеня - неустойка за нарушения порядка оплаты, начисляемая на задолженность по оплате жилищно-коммунальных услуг;
- долг на начало периода;
- полный итоговый расчет;
- сумма, оплаченная клиентом и поступившая на счет компании (целевой показатель);
- сумма к оплате с учетом ранее оплаченной суммы (долг или переплата);
- период счета;
- наименование услуги;
- площадь ЖК.
Данные для прогноза были выгружены со следующими фильтрами:
- услуга должна быть оплачена;
- услуги, предоставленные жителям, должны быть выполнены.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Далее подготовку данных осуществляли с помощью языка программирования Python. Подготовка данных является важным этапом в анализе данных и машинном обучении и включает в себя ряд шагов, направленных на обработку, очистку и структурирование данных, чтобы сделать их пригодными для дальнейшего анализа. Для повышения эффективности и точности прогноза были добавлены два дополнительных фактора: размер ключевой ставки, установленной Банком России на момент записи данных. сезон года и метка повышения тарифов по оплате коммунальных услуг в соответствующем периоде. На рис. 1 представлено несколько строк финального датасета.
id hflv? typ* pr-njlïiih нлтч Ç^ld'i Mi*n p»¡í Cfll^l Mit гипц w^i .iryj HHfln ^ rjl*
Л1Д12 И «СПЯ SMZ71 QM 0® MiJíl Î774SJ 40 ИЩИМН W J5J1Ï3 wtu™ H»
71TÎT13 M ['mwn 3ID.W 0Ю 64 D.W HOIW DL« !И0 ЯПЙЧН № lfr'Wf v-r™i»" 7i
JIJÎÎDI A JÏV MWÍ^ □№ on №11 51 Í73SD? ШПЩ DO ,WÎ O", UN 1<hM!Yi ipmij 7 S
il»J» П mur Jtéi.M 11.ДЭ S« 0« Si 511b JU4.ll ла »MC4.41 NiM ÎTtBiM ^глсг 1»
ЛЫ№ й Стришмин» J ID« 11Ш «Л ЫМ ílOM UM jlLlÙ £№6341 tfitj IÍIHH ip.m) 7.5
Рис. 1. Фрагмент подготовленного набора данных
При выборе метода прогнозирования было выделено три наиболее эффективных метода машинного обучения, предназначенных для прогнозирования большого объема данных [1; 2]. Их достоинства и недостатки представлены в табл. 1.
Таблица 1. Сравнение методов машинного обучения для прогнозирования
Метод Достоинства Недостатки
Случайный лес (Random Forest) - обработка нелинейных зависимостей; - определение важности различных факторов; - устойчивость к переобучению - трудоемкость обучения; - сложность интерпретации; - тенденция к переобучению при большом количестве деревьев
Градиентный бустинг (Gradient Boosting) - обработка нелинейных зависимостей; - определение важности факторов; - устойчивость к выбросам; - высокая точность; - встроенная кросс-валидация; - обработка пропущенных значений; - параллельность вычислений - трудоемкость обучения; - сложность интерпретации; - тенденция к переобучению при большом количестве итераций
Нейронные сети - обработка нелинейных зависимостей; - определение важности факторов; - устойчивость к выбросам; - высокая точность; - универсальность использования; - гибкая настройкой параметров - трудоемкость обучения; - сложность интерпретации; - тенденция к переобучению при большом количестве итераций; - требование к большому объему данных; - вычислительная сложность; - сложность интерпретации
Т. 3 №2 2024 Vol.3 No. 2
ISSN 2782-4934 (online) ISSN 2949-477X (print)
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Градиентный бустинг (Gradient Boosting), а именно такие алгоритмы, как XGBoost, LightGBM и CatBoost, обеспечивают высокую точность и могут хорошо справляться с комплексными взаимосвязями в данных [3-11]. В связи с этим перечисленные алгоритмы стремительно набирают популярность при решении практических задач. Данное семейство моделей представляет собой серьезное улучшение классического статистического метода решающих деревьев, благодаря быстрым градиентным методам. К плюсам такого решения можно отнести встроенную регуляризацию, кросс-валидацию и обработку пропущенных данных, а также параллельность вычислений. Градиентный бустинг может автоматически определить важность признаков, что делает его полезным в сценариях с большим числом переменных. Этот метод часто применяется задачах машинного обучения, требующих высокой точности прогнозирования. Метод эффективен в случаях, когда необходимо учесть разнотипные признаки (числовые, категориальные и т.п.), так как он автоматически адаптируется и обрабатывает различные типы данных. В настоящем исследовании учитывается большое количество факторов, влияющих на доход управляющей компании, и градиентный бустинг позволит выделить наиболее важные.
Для разработки алгоритма методом градиентного бустинга использовалась библиотека Scikit-learn (также известная как sklearn) - одна из наиболее широко используемых и популярных библиотек машинного обучения для Python.
Результаты
Для определения наиболее значимых и незначимых показателей была выполнена визуализация оценки степени взаимосвязи между переменными с использованием корреляционных коэффициентов (рис. 2).
Рис. 2. Матрица корреляций между признаками 21
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Заметна высокая положительная корреляция между следующими показателями:
- сумма выставленного счета (переменная credit) и итоговая сумма для оплаты c учетом долга (переменная total_sum);
- сумма выставленного счета (переменная credit) и полный итоговый расчет (переменная credit_sum);
- сумма предоставленной льготы (переменная recalculation) и полный итоговый расчет (переменная credit_sum);
- сумма предоставленной льготы (переменная recalculation) и долг на начало периода (start_sum);
- полный итоговый расчет (переменная credit_sum) и итоговая сумма для оплаты c учетом долга (переменная total_sum).
Если две переменные обнаруживают очень высокую корреляцию, это может означать, что они предоставляют для модели почти одинаковую информацию. В таких случаях одну из переменных можно исключить из модели. Было решено не использовать переменные total_sum и credit_sum, так как они могут создать проблемы при реализации алгоритма машинного обучения.
В целях снижения размерности и выбора наиболее значимых признаков для оптимизации работы модели машинного обучения был использован метод Feature Importance. В методе градиентного бустинга предусмотрены встроенные методы для оценки важности признаков. Они помогают уменьшить количество признаков, убрать лишний шум из данных, ускорить обучение модели и улучшить ее обобщающую способность. Вызов атрибута model.feature_importances_ возвращает массив, содержащий важность каждого признака для модели. Признаки сортируются по убыванию их важности. Для исследуемого массива данных получен следующий результат:
- credit (сумма выставленного счета): 0.7376;
- penalties (пеня): 0.1841;
- recalculation (сумма предоставленной льготы): 0.0476;
- key_rate (ключевая ставка): 0.0263;
- tarif: 0.004.
Было принято решение оставить два наиболее важных признака: сумму выставленного счета (переменная credit) и начисленные пени (переменная penalties). Целевой показатель для прогнозирования - сумма, оплаченная клиентом и поступившая на счет компании. Далее массив данных был разделен на обучающую и тестовую выборки в соотношении 80:20.
Для метода градиентного бустинга наиболее распространен и эффективен следующий набор гиперпараметров: learning_rate (скорость обучения) - параметр, который определяет величину, на которую обновляются веса модели на каждом шаге обучения, и depth (глубина деревьев) - параметр, который характеризует максимальную глубину каждого дерева в ансамбле. Дополнительно в модель было решено добавить l2_leaf_reg (12 регуляризация) - данный параметр добавляет штраф к весам модели на основе их абсолютного значения, что помогает предотвратить переобучение путем сокращения весов и уменьшения влияния ненужных или шумных признаков.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Подбор гиперпараметров - это процесс выбора оптимальных значений для тех параметров модели машинного обучения, которым модель не может быть обучиться, поэтому они должны быть установлены вручную. Для подбора гиперпараметров градиентного бустинга можно использовать несколько методов:
- решетчатый поиск (Grid Search) - метод, при котором задается сетка значений для каждого гиперпараметра, и система тестирует все возможные комбинации значений, чтобы найти наилучшую комбинацию;
- случайный поиск (Random Search) - в отличие от перебора по сетке, метод позволяет выбирать случайные комбинации гиперпараметров из заданных диапазонов;
- байесовская оптимизация - метод, основанный на принципах байесовского вывода и использующий модель гауссовских процессов для оценки производительности модели. Метод позволяет учитывать результаты предыдущих запусков для более эффективного выбора следующего набора гиперпараметров; обычно требует меньше итераций, чем случайный поиск, чтобы найти оптимальные гиперпараметры.
В рамках данного исследования есть возможность не накладывать ограничения на вычислительные ресурсы и перебрать большое количество комбинаций гиперпараметров, поэтому был выбран метод решетчатого поиска.
В результате применения метода решетчатого поиска были получены следующие значения параметров:
- depth: 6;
- 1earning_rate: 0.1;
- l2_leaf_reg: 3.
Далее была создана модель регрессии, в которой были заданы ранее определенные параметры. После обучения модели на обучающих данных были получены предсказанные значения целевой переменной, распределение которых представлено на рис. 2.
35000 30000 25000 20000 15000 10000 5000 0
0 20000 40000 60000 80000 100000 120000 140000 Рис. 2. Распределение предсказанной целевой переменной
i
Обсуждение
С помощью функции mean_squared_error из библиотеки Scikit-learn была рассчитана среднеквадратичная ошибка между фактическими и предсказанными значениями целевой переменной, которая составила 32 393. В контексте прогнозирования
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
дохода достаточно крупной компании данное значение может быть рассмотрено как приемлемое отклонение.
Дополнительно для проверки точности модели была посчитана средняя абсолютная ошибка (MAE), демонстрирующая среднюю абсолютную разность между предсказанными и фактическими значениями, и средняя абсолютная процентная ошибка (MAPE), которая вычисляется как среднее абсолютное значение относительных ошибок между фактическими и предсказанными значениями, выраженное в процентах. Значения указанных ошибок равны соответственно 283 и 71 %. Значение показателя MAE означает, что в среднем модель ошибается на 283 единиц в предсказании дохода. При таком высоком доходе управляющей компании данная ошибка незначительна и приемлема. MAPE означает, что в среднем модель ошибается на 71 % в предсказании дохода. Учитывая, что средний ежемесячный доход составляет почти 1 млрд р., данная ошибка достаточно некритична.
Отклонение MAPE меньше, чем MAE, это может сигнализировать о том, что процентные отклонения в модели являются более значимыми, чем абсолютные отклонения. Другими словами, модель лучше предсказывает процентные изменения, чем конкретные абсолютные значения.
В рамках данной работы ошибки могут быть недостаточно низкими по ряду причин:
- данные содержат информацию за период чуть больше года, а это недостаточное количество информации для поиска точных закономерностей;
- предположительно в признаках недостаточно информации для предсказания целевой переменной.
Модель требует доработок для улучшения последующих результатов, а именно:
- необходимо добавить новые признаки (добавление новых признаков или преобразование существующих признаков может улучшить производительность модели);
- повторно подобрать оптимальные гиперпараметры;
- попробовать другие модели машинного обучения или ансамбли моделей;
- собрать больший объем данных, что поможет модели лучше улавливать закономерности и делать более точные предсказания.
Заключение
В ходе данной работы был проведен анализ и подготовка данных для прогнозирования дохода управляющей компании. В качестве метода машинного обучения для прогнозирования был выбран метод градиентного бустинга. Градиентный бустинг является мощным алгоритмом машинного обучения, который является эффективным выбором при прогнозировании точных данных с разнообразными признаками.
С использованием инструментов библиотеки Scikit-learn был предложена модель прогнозирования поступления доходов управляющей компании.
Полученные оценки качества модели показали следующие результаты: среднеквадратичная ошибка 32 393, MAE - 283, MAPE - 71 %. Для компании с высоким ежемесячным доходом, а также с учетом небольшого количества данных для обучения модели, такие отклонения считаются приемлемыми. Полученные прогнозы пригодны для принятия ре-
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
шений, однако в области девелопмента точность очень важна, и она существенно зависит от тех экономических показателей, данные по которым собрать сложно.
Предложенный в статье алгоритм требует дальнейшей доработки и улучшений, но уже на данном этапе можно сделать вывод о том, что алгоритм прогнозирования дохода крупной управляющей компании может быть реализован с помощью метода градиентного бу-стинга. Этот метод позволяет автоматически рассчитать важность каждого специфичного показателя модели, а также учесть категориальные показатели, что существенно сокращает время разработки.
Источники
1. Валиахметова Ю.И., Идрисова Э.И. Применение методов машинного обучения в области прогнозирования объема продаж с учетом динамически изменяющихся признаков // StudNet. 2020. № 10. URL: https://esj.today/PDF/52ECVN622.pdf. EDN: GRCMQK.
2. Бучацкая В.В., Бучацкий П.Ю., Лобанов В.Е. Анализ алгоритмов прогнозирования // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2020. № 4(271). С. 49-52. EDN: KAOLTD.
3. Ильичев В.Ю., Жукова Ю.М., Шамов И.В. Использование технологии градиентного бустинга для создания аппроксимационных моделей // Заметки ученого. 2021. № 12-1. С. 62-67. EDN: JPUAYV.
4. Кирюшин Ю.Н., Михеев М.Ю. Построение деревьев решений при помощи градиентного бустинга // Современные информационные технологии. 2023 № 37(37). С. 40-43. EDN: BNPODV.
5. Сухов А.А., Суханкин А.А. Сравнительный анализ лучших алгоритмов градиентного бустинга: CATBOOST, XGBOOST, LIGHT GBM. Рекомендации к их применению // Вызовы современности и стратегии развития общества в условиях новой реальности: сб. материалов XXIII Междунар. науч.-практ. конф. (Москва, 19 января 2024 г.). М.: АЛЕФ, 2024. С. 287-293. EDN: AKOAVR.
6. Девришев Н.Э., Хэ Ю., Петросян О.Л. Обнаружение аномалий во временных рядах с помощью методов прогнозирования // Процессы управления и устойчивость. 2022. Т. 9, № 1. С. 202-209. EDN: LOQPGR.
7. Жилинский В.О. Сравнение моделей машинного обучения для компенсации остаточной погрешности определения псевдодальности // Системы компьютерной математики и их приложения. 2023. № 24. С. 27-35. EDN: IEITNQ.
8. Дьяконов И.Д., Новикова С.В. Решение задачи прогнозирования при помощи градиентного бустинга над решающими деревьями // Научный форум: Технические и физико-математические науки: сб. ст. по материалам XV Междунар. науч.-практ. конф. (Москва, 7-17 мая 2018 г.), т. 5(15). М.: МЦНО, 2018. С. 9-12. EDN: XOYHNR.
9. Тимофеев А.В. Метод выбора гиперпараметров в задачах машинного обучения для классификации стохастических объектов // Научно-технический вестник информационных технологий, механики и оптики. 2020 Т. 20, № 5 С. 667-676. DOI: 10.17586/22261494-2020-20-5-667-676. EDN: ULVLDK.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
10. Калашников В.А., Иванов М.В. Использование данных для когортного анализа при прогнозировании макроэкономических показателей методами машинного обучения // Экономика: вчера, сегодня, завтра. 2022 Т. 12, № 8-1. С. 7-15. DOI: 10.34670/AR.2022. 31.65.002. EDN: WPGVNS.
11. Астафьева Е., Турунцева М. Оценка качества краткосрочных прогнозов некоторых российских экономических показателей // Научный вестник ИЭП им. Гайдара.ру. 2019. № 1. С. 32-34. EDN: VZBZVC.
References
1. Valiakhmetova Yu.I., Idrisova Eh.I. Primenenie metodov mashinnogo obucheniya v oblasti prognozirovaniya ob"ema prodazh s uchetom dinamicheski izmenyayushchikhsya priznak-ov [Application of methods of machine training in the field of forecasting the volume of sales with account dynamically changing signs]. StudNet. 2020. No. 10. URL: https://esj. today/PDF/52ECVN622.pdf. EDN: https://www.elibrary.ru/grcmqk. (In Russ.)
2. Buchatskaya V.V., Buchatskii P.Yu., Lobanov V.E. Analiz algoritmov prognozirovaniya [Analysis of forecasting algorithms]. Vestnik Adygeiskogo gosudarstvennogo universiteta. Seriya 4: Estestvenno-matematicheskie i tekhnicheskie nauki. 2020. No. 4(271). Pp. 49-52. EDN: https://www.elibrary.ru/kaoltd. (In Russ.)
3. Il'ichev V.Yu., Zhukova Yu.M., Shamov I.V. Ispol'zovanie tekhnologii gradientnogo bust-inga dlya sozdaniya approksimatsionnykh modelei [Using gradient busting technology to create approximation models]. Zametki uchenogo. 2021. No. 12-1. Pp. 62-67. EDN: https:// www.elibrary.ru/jpuayv. (In Russ.)
4. Kiryushin Yu.N., Mikheev M.Yu. Postroenie derev'ev reshenii pri pomoshchi gradientnogo bustinga [Building decision trees using gradient boosting]. Sovremennye informatsionnye tekhnologii. 2023 No. 37(37). Pp. 40-43. EDN: https://www.elibrary.ru/bnpodv. (In Russ.)
5. Sukhov A.A., Sukhankin A.A. Sravnitel'nyi analiz luchshikh algoritmov gradientnogo bustinga: CATBOOST, XGBOOST, LIGHT GBM. Rekomendatsii k ikh primeneniyu [Comparative analysis of the best gradient boosting algorithms: CHATBOOST, SGBUST, LIGHT GBM. Recommendations for their use]. Vyzovy sovremennosti i strategii razvitiya obsh-chestva v usloviyakh novoi real'nosti: sb. materialov XXIII Mezhdunar. nauch.-prakt. konf. (Moskva, 19 yanvarya 2024 g.). Moscow: ALEF, 2024. Pp. 287-293. EDN: https://www. elibrary.ru/akoavr. (In Russ.)
6. Devrishev N.Eh., Kheh Yu., Petrosyan O.L. Obnaruzhenie anomalii vo vremennykh ry-adakh s pomoshch'yu metodov prognozirovaniya [Anomaly detection in time series using forecasting methods]. Protsessy upravleniya i ustoichivost'. 2022. Vol. 9, no. 1. Pp. 202-209. EDN: https://www.elibrary.ru/loqpgr. (In Russ.)
7. Zhilinskii V.O. Sravnenie modelei mashinnogo obucheniya dlya kompensatsii ostatochnoi pogreshnosti opredeleniya psevdodal'nosti [Comparison of machine learning models for compensating for residual pseudorange error]. Sistemy komp'yuternoi matematiki i ikh prilozheniya. 2023. No. 24. Pp. 27-35. EDN: https://www.elibrary.ru/ieitnq. (In Russ.)
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
8. D'yakonov I.D., Novikova S.V. Reshenie zadachi prognozirovaniya pri pomoshchi gradi-entnogo bustinga nad reshayushchimi derev'yami [Solving the forecasting problem using gradient boosting over decision trees]. Nauchnyi forum: Tekhnicheskie i fiziko-matemat-icheskie nauki: sb. st. po materialam XV Mezhdunar. nauch.-prakt. konf. (Moskva, 7-17 maya 2018 g.), vol. 5(15). Moscow: MTSNO, 2018. Pp. 9-12. EDN: https://www.elibrary. ru/xoyhnr. (In Russ.)
9. Timofeev A.V. Metod vybora giperparametrov v zadachakh mashinnogo obucheniya dlya klassifikatsii stokhasticheskikh ob"ektov [Method for hyperparameter tuning in machine learning tasks for stochastic objects classification]. Nauchno-tekhnicheskii vestnik infor-matsionnykh tekhnologii, mekhaniki i optiki. 2020 Vol. 20, no. 5 Pp. 667-676. DOI: https:// doi.org/10.17586/2226-1494-2020-20-5-667-676. EDN: https://www.elibrary.ru/ulvldk. (In Russ.)
10. Kalashnikov V.A., Ivanov M.V. Ispol'zovanie dannykh dlya kogortnogo analiza pri prog-nozirovanii makroehkonomicheskikh pokazatelei metodami mashinnogo obucheniya [Cohort data in the forecasting of macroeconomic indicators by using machine learning methods]. Ehkonomika: vchera, segodnya, zavtra. 2022 Vol. 12, no. 8-1. Pp. 7-15. DOI: https:// doi.org/10.34670/AR.2022.31.65.002. EDN: https://www.elibrary.ru/wpgvns. (In Russ.)
11. Astafeva E., Turuntseva M. Otsenka kachestva kratkosrochnykh prognozov nekotorykh rossiiskikh ehkonomicheskikh pokazatelei [Assessment of the quality of short-term forecasts of some Russian economic indicators]. Nauchnyi vestnik IEHP im. Gaidara.ru. 2019. No. 1. Pp. 32-34. EDN: https://www.elibrary.ru/vzbzvc. (In Russ.)
Информация об авторах
Сулейманова Алина Мидхатовна, магистрант. Национальный исследовательский технологический университет «МИСИС», 119049, РФ, г. Москва, Ленинский пр-кт, 4, стр. 1. E-mail: AlinaSul551@yandex.ru.
Пашкевич Василий Эрикович, кандидат физико-математических наук, преподаватель Института информационных бизнес-систем. Национальный исследовательский технологический университет «МИСИС», 119049, РФ, г. Москва, Ленинский пр-кт, д. 4, стр. 1. E-mail: vas@pcapital.ru.
Information about the authors
Suleymanova Alina Midkhatovna, Postgraduate Student. The National University of Science and Technology «MISIS», 119049, Russian Federation, Moscow, Leninsky Ave., 4, building 1. E-mail: AlinaSul551@yandex.ru.
Pashkevich Vasily Erikovich, Candidate of Physical and Mathematical Sciences, of the Master's School of Information Business Systems. The National University of Science and Technology «MISIS», 119049, Russian Federation, Moscow, Leninsky Ave., 4, building 1. E-mail: vas@pcapital.ru.
