РАЗРАБОТКА АЛГОРИТМИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ УПРАВЛЕНИЯ ВЗАИМООТНОШЕНИЯМИ С КЛИЕНТАМИ ДЛЯ КОМПАНИЙ ЖИЛИЩНОГО СТРОИТЕЛЬСТВА

В этом примере создается класс MyHandler, который является обработчиком запросов, содержащихся в HTTP-сервере. Когда происходит GET-запрос, обработчик проверяет, является ли запрашиваемый путь "/", и если это так, то он отправляет HTML-страницу в ответ.

HTML-страница содержит базовую структуру HTML-документа, включая заголовок, основную часть и навигационное меню. В этом примере используется простые HTML-теги для создания структуры страницы и вставили в неё текст, описывающий данную клиентскую сторону [1].

Последние строки кода создают объект сервера и запускают его на определенном порту, чтобы он мог обрабатывать запросы на данную страницу и отдавать её посетителям веб-сайта. А интерфейс информационной системы выглядит следующим образом (Рис. 1).

Рисунок 1. Главная страница информационной системы

Метод алгоритмического подбора жилищного строительства - это математический алгоритм, который используется для автоматизации процесса подбора наиболее подходящего жилищного строительства для конкретного заказчика.

Для этого метода используются различные критерии выбора

Каждый ответ на вопрос имеет два значения «Да» и «Нет».

Да = 1 Нет = 0  

Ответы это X1, X2, X3.   X1 – Ответ на первый вопрос X2 – Ответ на второй вопрос X3 – Ответ на третий вопрос    

 F = X1*0.33 + X2*0.33 + X3*0.33  

Если F > 0.5, то Y = 1 Если F < 0.5, то Y = 0     Есть три алгоритма действующих по очереди, по алгоритму.  

 Первая алгоритм для определения желаемой отделки в ЖК.( Отделки бывают черновые и чистовые)

Вторая алгоритм для определения надобности подземного паркинга клиенту.

 Третья алгоритм для определения желаемой инфраструктуры (Есть средняя и развитая инфраструктура)  

Таким образом, каждая алгоритм выдает по одному числу 1 либо 0.  

На выходе получаются три числа соответствующих каждому ЖК.   '000',          '001',       '010',            '011',                    '100',              '101',         '110',        '111' 'ЖК 1','       ЖК 2',    'ЖК 3',         '

Для реализации метода алгоритмического подбора жилищного строительства используются технологии машинного обучения и анализа данных [2]. Обычно в процессе разработки такого метода создается модель, которая обучается на основе исторических данных, и затем используется для предсказания наиболее подходящего варианта жилищного строительства для каждого клиента (Рис. 2).

Рисунок 2. Система для управления отношениями клиентов

Разработка данного алгоритмического метода состоит из следующих этапов:

• Определение критериев выбора: определяются, какие параметры будут учитываться при выборе жилья. Например, это может быть стоимость, местоположение, планировка, качество материалов и т. д.
• Сбор и анализ данных: собираются данные о различных вариантах жилья и производится их анализ с учетом выбранных критериев.
• Разработка алгоритма выбора: на основе анализа данных и выбранных критериев разрабатывается алгоритм выбора наилучшего варианта жилья. Этот алгоритм может создан на основе методов машинного обучения, например, на основе алгоритма случайного леса.
• Разработка пользовательского интерфейса: создание удобного и понятного пользовательского интерфейса, который используется для выбора наилучшего варианта жилья на основе разработанного алгоритма.
• Тестирование и улучшение: тестирование разработанного метода на различных данных и внесение необходимых улучшений для улучшения точности и эффективности выбора наилучшего варианта жилья.

Код для алгоритмического метода подбора жилищного строительства выглядит следующим образом:

import pandas as pd

from sklearn.tree import DecisionTreeClassifier

# Создаем DataFrame с данными о жилищных объектах и их характеристиках

df = pd.DataFrame({

'Площадь': [100, 120, 150, 200, 250],

'Количество комнат': [2, 3, 4, 5, 6],

'Наличие гаража': [True, True, False, True, True],

'Расстояние до школы': [1, 3, 2, 4, 5],

'Расстояние до магазина': [2, 1, 3, 5, 4],

'Цена': [1000000, 1200000, 1500000, 2000000, 2500000]

})

# Создаем модель на основе Decision Tree Classifier

model = DecisionTreeClassifier()

# Обучаем модель на имеющихся данных

X = df[['Площадь', 'Количество комнат', 'Наличие гаража', 'Расстояние до школы', 'Расстояние до магазина']]

y = df['Цена']

model.fit(X, y)

# Задаем характеристики для нового жилищного объекта

new_object = {

'Площадь': 180,

'Количество комнат': 4,

'Наличие гаража': True,

'Расстояние до школы': 2,

'Расстояние до магазина': 4

}

# Получаем предсказание цены для нового объекта

predicted_price = model.predict([list(new_object.values())])[0]

print(predicted_price)

В данном коде создается DataFrame с данными о жилищных объектах и их характеристиках, с использованием библиотеки pandas. Затем создается модель на основе Decision Tree Classifier из библиотеки scikit-learn и обучается на имеющихся данных.

Для предсказания цены нового жилищного объекта задаются его характеристики в виде словаря и передается в модель в виде списка значений. Модель возвращает предсказанную цену для нового объекта.

Этот алгоритмический метод подбора жилищного строительства может быть дополнен другими критериями, такими как стоимость строительства, наличие парковки, вид на море и т.д. Также можно использовать другие модели машинного обучения, такие как Random Forest или Gradient Boosting.