Abstract
<jats:p>Благоустройство муниципалитетов (муниципалитет: город, поселок, сельское поселение или несколько таких территорий) является необходимым условием для их развития. Данная задача является особенно важной для муниципальных округов Дальневосточного федерального округа (далее ДФО). Среди городов дальневосточного региона нет «милионников», инфраструктура развита не достаточно, высок уровень оттока населения в другие регионы. Под благоустройством понимается создание комфортной и функциональной среды в населённых пунктах. Оно включает в себя работы по озеленению, инженерные решения, архитектурное оформление и организационные меры. Целью данной работы является создание модели для прогнозирования необходимого объема финансирования проектов по благоустройству территорий. Анализ закономерностей и моделирование выполнены на примере данных Приморского края. В результате исследования: выявлены факторы, в наибольшей степени определяющие расходы на благоустройство, на основе методов машинного обучения построены и протестированы модели прогнозирования расходов. Для моделей подобраны оптимальные параметры. Ожидаемо, лучшие результаты дали ансамблевые модели, построенные на основе нейронных сетей.</jats:p> <jats:p>Improvement of municipalities (municipality: city, town, rural settlement or several such territories) is a necessary condition for their development. This task is especially important for municipal districts of the Far Eastern Federal District (hereinafter FEFD). Among the cities of the Far Eastern region there are no "millionaires", the infrastructure is not sufficiently developed, the level of population outflow to other regions is high. Improvement is understood as the creation of a comfortable and functional environment in populated areas. It includes landscaping work, engineering solutions, architectural design and organizational measures. The purpose of this work is to create a model for forecasting the required amount of funding for projects on improvement of territories. Analysis of patterns and modeling are performed on the example of data from Primorsky Krai. As a result of the study: the factors that determine the costs of improvement to the greatest extent were identified, models for forecasting costs were built and tested based on machine learning methods. Optimal parameters were selected for the models. As expected, the best results were obtained by ensemble models built on the basis of neural networks.</jats:p>