Розробка AI-системи управління житловим фондом

Розробка системи ШІ для управління житловим фондом

Управління житловим фондом регіонального або муніципального рівня — завдання балансування ресурсів між тисячами об'єктів з різним технічним станом. ШІ переводить планування ремонтів та інвестицій з інтуїтивного рівня на аналітичний.

Оцінка технічного стану будинків

Паспортизація житлового фонду + ML:

Дані для оцінки: рік побудови, серія проекту, матеріал стін, площа, поверховість, історія ремонтів, актуальне техобстеження. ML-регресія на сукупному індексі зносу:

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

def build_wear_model(housing_data, inspection_results):
    """
    Прогноз фізичного зносу будівлі за паспортними даними.
    inspection_results: результати технічних обстежень (цільова змінна)
    """
    features = [
        'age_years',           # вік будівлі
        'wall_material_code',  # 0=панель, 1=цегла, 2=моноліт
        'project_series',      # серія (хрущовка, брежневка тощо)
        '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']  # % фізичного зносу

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

Комп'ютерне зір'я для обстеження:

Фотографії фасаду → CV оцінка стану:

• Тріщини: YOLOv8 Instance Segmentation → площа та ширина тріщин
• Відшарування штукатурки, руйнування балконів, протічки
• Класифікація стану: задовільний / незадовільний / аварійний

Дрони з камерами для інспекції дахів — недоступних місць без лісів.

Планування капітального ремонту

Короткостроковий ризик:

Модель прогнозу аварійного виходу з ладу (ймовірність за 3 роки):

• Ознаки: поточний знос, темп деградації, історія інцидентів
• LightGBM бінарна класифікація → P(emergency_3y)
• Пріоритет: високий ризик + велика кількість мешканців → першими в черзі

Регіональна програма капітального ремонту:

Оптимізація плану на 10–25 років (відповідно до ЖК РФ ст.168):

import pulp

def optimize_repair_program(houses, risk_scores, annual_budget, n_years=10):
    """
    Оптимізація програми капітального ремонту: максимізувати збережену вартість фонду
    при бюджетних обмеженнях кожного року.
    """
    prob = pulp.LpProblem("repair_program", pulp.LpMaximize)

    # Змінна: в якому році ремонтувати дім 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'
            )

    # Кожен дім ремонтується рівно один раз (або не ремонтується)
    for house_id in houses['id']:
        prob += pulp.lpSum(repair_year[(house_id, y)] for y in range(n_years)) <= 1

    # Бюджет кожного року
    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: максимізувати зважену суму (ризик × мешканці × 1/year)
    prob += pulp.lpSum(
        risk_scores[h] *
        houses.loc[houses['id']==h, 'residents'].values[0] *
        (1 / (year + 1)) *  # ранніший ремонт переважніший
        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)}

Моніторинг та реагування

Управління інцидентами:

Інтеграція з диспетчерською службою (ГІС ЖКХ, Домовик, 1С:ЖКХ):

• Класифікація звернень мешканців за типом (NLP на тексті звернення)
• Маршрутизація до потрібної служби
• Пріоритизація: витік води на 5-му поверху → терміново; скрипить дверь → планово

Аналітика для муніципалітету:

• KPI стану фонду: середній знос, % аварійних будинків
• Прогноз потреби в ресурсах (переселенці з аварійного жилля) на 3–5 років
• Фінансова модель: надходження від внесків vs. потреба в фінансуванні програми

Термін розробки: 3–5 місяців для системи оцінки стану фонду, планівника капітального ремонту та аналітичного дашборду.