В современном мегаполисе горожане массово ездят не только на работу — потоки пассажиров сосредоточены ещё и, например, на торгово-развлекательных центрах. Это своего рода «постиндустриальные» центры притяжения, которые формируют новый тип городской полицентричности.

На основе данных мобильных операторов мы исследуем, есть ли в городе места, которые притягивают больше не трудовых потоков, чем трудовых. Мы используем данные БТИ и Яндекса, чтобы исследовать посещения объектов инфраструктуры с не трудовыми целями и выявляем дополнительные факторы, влияющие на посещаемость центров притяжения, помимо собственно наличия там мест, которые можно посещать.

• Не секрет: город очень сложная структура, и уже мало ориентироваться на интуицию, чтобы развивать и улучшать городские сервисы.

• Как один из примеров городских сервисов: транспорт. Транспортное планирование существовало и ранее, а сейчас стали доступны новые технологии, которые упрощают работу с данными и помогают принимать правильные планировочные решения.

• Я сделаю обзор примеров (в том числе из практики нашей компании): как подход, ориентированный на данные, помогает улучшать городские сервисы.

Чтобы принимать эффективные решения в сфере планирования и развития города, нужно знать его структуру, в частности — типы городской застройки. Методы машинного обучения позволяют получить необходимые градостроительные схемы за счёт передачи специфических знаний от эксперта нейросетевой модели. В исследовательском проекте CityClass на примере пяти российских городов провели классификацию морфотипов (паттернов) городской застройки на основе космических снимков при помощи свёрточной нейросети.

Из года в год популярность городского велопроката в Москве растёт: сейчас им пользуются 10 тысяч человек в день. Растущий спрос требует более грамотного управления системой распределения велосипедов по станциям: чтобы человек всегда мог взять велосипед в нужном месте и вернуть его возле места назначения. Это можно делать эффективно, если знать, как, когда и куда перемещаются люди на прокатных велосипедах. Мы проанализировали данные за предыдущие сезоны, выявили паттерны перемещения (которые оказались не всегда очевидными) и разработали диспетчерскую систему распределения велосипедов по станциям с прогнозированием спроса. На примере этого проекта я расскажу, как данные, машинное обучение и прогнозирование улучшают реальный городской сервис.