Кластеризация районов Чикаго на основе демографических и инфраструктурных данных

Abstract

В работе представлена методика кластеризации районов города Чикаго на осно- ве интеграции демографических и инфраструктурных признаков. Использованы открытые данные American Community Survey (ACS) и OpenStreetMap (OSM). Понижение размерности выполнялось с помощью алгоритма UMAP (metric=cosine, n_neighbors=10, min_dist=0.05), а кластеризация — методом K-Means (k=7). Полу- ченные семь кластеров отражают различия между центральными, периферийными и социально уязвимыми районами города. Результаты подтверждают, что объедине- ние демографических и пространственных данных повышает интерпретируемость и устойчивость кластерной модели городской структуры.