ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ПРИ РАЗРАБОТКЕ ЦИФРОВЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО РАЗМЕЩЕНИЮ ШКОЛ В ГОРОДСКОЙ СРЕДЕ

Авторы

А.А. Иванов Кыргызско-Германский институт прикладной информатики
А.А. Бакиров Кыргызско-Германский институт прикладной информатики
А.Т. Асанбеков Кыргызско-Германский институт прикладной информатики
Ю.С. Корякина Институт машиноведения, автоматики и геомеханики НАН КР

Ключевые слова:

машинное обучение, СППР, городские данные, размещение школ, образовательная инфраструктура, ИСУО, анализ загруженности школ, плотность населения, цифровая карта

Аннотация

В данной статье рассматривается разработка цифровой системы поддержки принятия решений по размещению новых школ в городской среде. Рассмотрены источники открытых данных о населении и образовательных учреждениях, методы анализа плотности населения и загруженности школ, а также подходы к пространственной визуализации данных на карте. Проанализированы существующие методы определения потребности в образовательной инфраструктуре. На основе проведенного анализа предложена модель определения приоритетных зон для строительства новых школ с использованием методов анализа данных и элементов машинного обучения. Разработанная система позволяет формировать рекомендации по размещению образовательных учреждений на основе анализа городской среды.

Библиографические ссылки

1. Конституция Кыргызской Республики (принята референдумом 11 апреля 2021 года). — Бишкек, 2021.

2. Национальный статистический комитет Кыргызской Республики. Официальный сайт https://stat.gov.kg/

3. Национальный статистический комитет Кыргызской Республики. Статистика населения: https://stat.gov.kg/ru/statistics/naselenie/

4. Информационная система управления образованием Кыргызской Республики (ИСУО). Статистические данные: https://1mektep.edu.gov.kg/ru/statistics

5. OpenStreetMap contributors. OpenStreetMap: свободная карта мира: https://www.openstreetmap.org/

6. UNESCO. OpenEMIS — Education Management Information System: https://www.openemis.org/ .

7. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine Learning in Python // Journal of Machine Learning Research. — 2011. — Vol. 12. — P. 2825–2830.

8. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine // Annals of Statistics. — 2001. — Vol. 29. — No. 5. — P. 1189–1232.

9. Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge: MIT Press, 2016.

10. Batty M. The New Science of Cities. — Cambridge: MIT Press, 2013.

11. Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W. Geographic Information Systems and Science. — Wiley, 2015.

12. United Nations. World Urbanization Prospects. — New York, 2018.

13. United Nations, Department of Economic and Social Affairs, Population Division. World Urbanization Prospects: The 2025 Revision. — New York: United Nations, 2025.

14. Li J., Wang Y. Characteristic Analysis and Integration Method of Urban Planning Data Based on GIS of Internet of Things // Sustainable Computing: Informatics and Systems. — 2022. — Vol. 36. — Article 100801.

15. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine // Annals of Statistics. — 2001. — Vol. 29, No. 5. — P. 1189-1232.

16. Чирягов, А. К. Методологические основы построения устойчивых моделей машинного обучения с использованием вероятностно-статистических методов / А. К. Чирягов, С. В. Корякин, К. Р. Карабакиров // Проблемы автоматики и управления. – 2026. – № 1(55). – С. 152-161. – EDN QLHKUW.