Моделирование товарооборота кофеен на основе пространственных данных

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.