Разработка AI-системы управления жилым фондом

Разработка AI-системы управления жилым фондом

Управление жилым фондом регионального или муниципального уровня — задача балансировки ресурсов между тысячами объектов с разным техническим состоянием. AI переводит планирование ремонтов и инвестиций с интуитивного уровня на аналитический.

Оценка технического состояния домов

Паспортизация жилого фонда + ML:

Данные для оценки: год постройки, серия проекта, материал стен, площадь, этажность, история ремонтов, актуальное техническое обследование. ML-регрессия на совокупном индексе износа:

import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingRegressor

def build_wear_model(housing_data, inspection_results):
    """
    Прогноз физического износа здания по паспортным данным.
    inspection_results: результаты технических обследований (целевая переменная)
    """
    features = [
        'age_years',           # возраст здания
        'wall_material_code',  # 0=панель, 1=кирпич, 2=монолит
        'project_series',      # серия (хрущёвка, брежневка и т.д.)
        'floors',
        'area_sqm',
        'basement_area_sqm',
        'last_major_repair_years_ago',
        'roof_material_code',
        'heating_type_code',
        'facade_cladding',
    ]

    X = housing_data[features]
    y = inspection_results['wear_pct']  # % физического износа

    model = GradientBoostingRegressor(n_estimators=300, learning_rate=0.05)
    model.fit(X, y)
    return model

Компьютерное зрение для обследования:

Фотографии фасада → CV-оценка состояния:

• Трещины: YOLOv8 Instance Segmentation → площадь и ширина трещин
• Отслоение штукатурки, разрушение балконов, протечки
• Классификация состояния: удовлетворительное / неудовлетворительное / аварийное

Дроны с камерами для инспекции кровли — недоступных мест без лесов.

Планирование капитального ремонта

Краткосрочный риск:

Модель прогноза аварийного выхода из строя (вероятность за 3 года):

• Признаки: текущий износ, темп деградации, инцидентная история
• LightGBM бинарная классификация → P(emergency_3y)
• Приоритет: высокий риск + большое число жителей → первые в очереди

Региональная программа капремонта:

Оптимизация плана на 10–25 лет (в соответствии с ЖК РФ ст.168):

import pulp

def optimize_repair_program(houses, risk_scores, annual_budget, n_years=10):
    """
    Оптимизация программы капремонта: максимизировать сохранённую стоимость фонда
    при бюджетных ограничениях каждого года.
    """
    prob = pulp.LpProblem("repair_program", pulp.LpMaximize)

    # Переменная: в каком году ремонтировать дом i
    repair_year = {}
    for house_id in houses['id']:
        for year in range(n_years):
            repair_year[(house_id, year)] = pulp.LpVariable(
                f"repair_{house_id}_{year}", cat='Binary'
            )

    # Каждый дом ремонтируется ровно один раз (или не ремонтируется)
    for house_id in houses['id']:
        prob += pulp.lpSum(repair_year[(house_id, y)] for y in range(n_years)) <= 1

    # Бюджет каждого года
    for year in range(n_years):
        prob += pulp.lpSum(
            houses.loc[houses['id']==h, 'repair_cost'].values[0] * repair_year[(h, year)]
            for h in houses['id']
        ) <= annual_budget

    # Objective: максимизировать взвешенную сумму (риск × жители × 1/year)
    prob += pulp.lpSum(
        risk_scores[h] *
        houses.loc[houses['id']==h, 'residents'].values[0] *
        (1 / (year + 1)) *  # более ранний ремонт предпочтительнее
        repair_year[(h, year)]
        for h in houses['id'] for year in range(n_years)
    )

    prob.solve(pulp.PULP_CBC_CMD(msg=0))
    return {(h, y): repair_year[(h, y)].value() for h in houses['id'] for y in range(n_years)}

Мониторинг и реагирование

Инцидент-менеджмент:

Интеграция с диспетчерской службой (ГИС ЖКХ, Домовик, 1С:ЖКХ):

• Классификация обращений жителей по типу (NLP на тексте обращения)
• Маршрутизация к нужной службе
• Prioritization: утечка воды на 5-м этаже → срочно; скрипит дверь → планово

Аналитика для муниципалитета:

• KPI состояния фонда: средний износ, % аварийных домов
• Прогноз потребности в ресурсах (перессёленцы из аварийного жилья) на 3–5 лет
• Финансовая модель: поступления от взносов vs. потребность в финансировании программы

Срок разработки: 3–5 месяцев для системы оценки состояния фонда, планировщика капремонта и аналитического дашборда.