Моделирование товарооборота кофеен на основе пространственных данных
(Стр. 167-178)
Подробнее об авторах
Иванов Иван Дмитриевич
руководитель аспирант
ООО «БСТ Диджитал»; Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
г. Москва, Российская Федерация; г. Москва, Российская Федерация Аблязина Наиля Хамитовна Институт ЭМИТ
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
г. Москва, Российская Федерация Гринева Наталья Владимировна кандидат экономических наук, доцент, доцент кафедры информационных технологий
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация
ООО «БСТ Диджитал»; Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
г. Москва, Российская Федерация; г. Москва, Российская Федерация Аблязина Наиля Хамитовна Институт ЭМИТ
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
г. Москва, Российская Федерация Гринева Наталья Владимировна кандидат экономических наук, доцент, доцент кафедры информационных технологий
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Актуальность статьи заключается в важности задачи размещения для экономических показателей организаций и росте в последние годы интереса к применению пространственных данных в системах поддержки принятия решений. Целью работы является моделирование оценки влияния значимых пространственных факторов для прогнозирования товарооборота кофеен. В рамках статьи проанализированы некоторые подходы, где сочетаются пространственные данные с машинным обучением для решения задачи размещения. Осуществлен корреляционный анализ пространственных данных. Произведен многоступенчатый отбор факторов для двух наборов, релевантных для разных типов моделей. Произведен подбор гиперпараметров для выбранных методов моделирования (линейная регрессия, решающее дерево, случайный лес, градиентный бустинг) и проведено построение моделей. Главными инструментами стали язык программирования Python и его библиотеки pandas, sklearn, XGBoost, hyperopt, shap, boostaroota. Проведен анализ полученных результатов и выделена модель на основе градиентного бустинга как оптимальная с точки зрения точности и интерпретации. Результатом работы является созданный подход к моделированию экономических показателей компании при помощи машинного обучения на основе пространственных данных.
Образец цитирования:
Иванов И. Д., Аблязина Н. Х., Гринева Н. В. Моделирование товарооборота кофеен на основе пространственных данных // Проблемы экономики и юридической практики. 2023. Т. 19. № 3. С. 167-178. EDN: MFRRXN
Список литературы:
Ананьев А. Ю., Гаевой С. В., Островский А. А. Применение геоэкономического имитационного моделирования для решения задач малого и среднего бизнеса // Известия Волгоградского государственного технического университета. —2011. —№. 11. —С. 73–76.
Булычев Д. М. Прогнозирование результатов экспертного оценивания точек продаж с помощью нейронной сети // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. —2019. —№. 4. —С. 65–74.
Калинкина Г. Е., Маратканов С. В., Габдуллин В. М. Количественная оценка спроса в целях поиска максимально эффективных мест расположения предприятий торговли с помощью геомаркетинга // Вестник Ижевского государственного технического университета. —2012. —№. 4. —С. 57–60.
Наумов А. С., Рубанов И. Н., Аблязина Н. Х. Новые подходы к типологии сельских территорий России //Вестник Московского университета. Серия 5. География. —2021. —№. 4. —С. 12–24.
Тахтаров И. А., Сергеев А. В. Разработка и исследование технологии геомаркетинга на основе транспортных факторов и нелинейной регрессионной модели // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). —Самара: Новая техника. —2017. —С. 702–706.
ЦИАН. URL: https://www.cian.ru/ (дата обращения: 20.09.2022).
Яндекс.Карты. URL: https://yandex.ru/maps/ (дата обращения: 25.05.2022).
Burges C. et al. Learning to rank using gradient descent // Proceedings of the 22nd international conference on Machine learning. —2005. —С. 89–96.
Karamshuk D. et al. Geo-spotting: mining online location-based services for optimal retail store placement // Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. —2013. —С. 793–801.
Kursa M. B., Rudnicki W. R. Feature selection with the Boruta package // Journal of statistical software. —2010. —Т. 36. —С. 1–13.
Liu Y. et al. DeepStore: An interaction-aware wide&deep model for store site recommendation with attentional spatial embeddings // IEEE Internet of Things Journal. —2019. —Т. 6. —№. 4. —С. 7319–7333.
Yin H. et al. LCARS: a location-content-aware recommender system // Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. —2013. —С. 221–229.
Revealing the ‘Where’ of Business Intelligence using Location Analytics / Esri. 2012. URL: https://www.esri.com/content/dam/esrisites/sitecore-archive/Files/Pdfs/library/whitepapers/pdfs/business-intelligence-location-analytics.pdf (дата обращения: 21.05.2022).
Булычев Д. М. Прогнозирование результатов экспертного оценивания точек продаж с помощью нейронной сети // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. —2019. —№. 4. —С. 65–74.
Калинкина Г. Е., Маратканов С. В., Габдуллин В. М. Количественная оценка спроса в целях поиска максимально эффективных мест расположения предприятий торговли с помощью геомаркетинга // Вестник Ижевского государственного технического университета. —2012. —№. 4. —С. 57–60.
Наумов А. С., Рубанов И. Н., Аблязина Н. Х. Новые подходы к типологии сельских территорий России //Вестник Московского университета. Серия 5. География. —2021. —№. 4. —С. 12–24.
Тахтаров И. А., Сергеев А. В. Разработка и исследование технологии геомаркетинга на основе транспортных факторов и нелинейной регрессионной модели // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017). —Самара: Новая техника. —2017. —С. 702–706.
ЦИАН. URL: https://www.cian.ru/ (дата обращения: 20.09.2022).
Яндекс.Карты. URL: https://yandex.ru/maps/ (дата обращения: 25.05.2022).
Burges C. et al. Learning to rank using gradient descent // Proceedings of the 22nd international conference on Machine learning. —2005. —С. 89–96.
Karamshuk D. et al. Geo-spotting: mining online location-based services for optimal retail store placement // Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. —2013. —С. 793–801.
Kursa M. B., Rudnicki W. R. Feature selection with the Boruta package // Journal of statistical software. —2010. —Т. 36. —С. 1–13.
Liu Y. et al. DeepStore: An interaction-aware wide&deep model for store site recommendation with attentional spatial embeddings // IEEE Internet of Things Journal. —2019. —Т. 6. —№. 4. —С. 7319–7333.
Yin H. et al. LCARS: a location-content-aware recommender system // Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. —2013. —С. 221–229.
Revealing the ‘Where’ of Business Intelligence using Location Analytics / Esri. 2012. URL: https://www.esri.com/content/dam/esrisites/sitecore-archive/Files/Pdfs/library/whitepapers/pdfs/business-intelligence-location-analytics.pdf (дата обращения: 21.05.2022).
Ключевые слова:
пространственные данные, экономические показатели, машинное обучение.
