Разработка автоматизированной системы прогнозирования показателей преступности на основе статистических данных

РЕФЕРАТ 4
ВВЕДЕНИЕ 6
1.ОБЗОР МЕТОДОВ ПРЕДСКАЗАНИЯ ВРЕМЕННЫХ РЯДОВ 8
1.1.Регрессионные модели 9
1.2.Линейная авторегрессия 9
1.3.Модели экспоненциального сглаживания 10
1.4.Нейросетевые модели 11
2.ОПИСАНИЕ И ПРЕДВАРИТЕЛЬНЫЙ АНАЛИЗ ДАННЫХ 14
2.1.Описание данных 14
2.2.Предварительный анализ данных 22
3.РАЗРАБОТКА МОДУЛЕЙ ЗАГРУЗКИ И ВИЗУАЛИЗАЦИИ ДАННЫХ ИЗ EXCEL В WEB-ИНТЕРФЕЙС 24
3.1.Описание автоматизированной системы 24
3.2.Разработка web-интерфейса автоматизированной системы 26
3.3.Загрузка данных из excel в web-интерфейс 27
3.4.Визуализация данных из excel в web-интерфейс. 28
4.РАЗРАБОТКА МОДУЛЯ ПОСТРОЕНИЯ ПРОГНОЗА. 34
4.1.Прогнозирование показателей преступности в excel. 34
4.2.Применение нейросетевой модели для прогнозирования показателей преступности. 38
ЗАКЛЮЧЕНИЕ 43
СПИСОК ЛИТЕРАТУРЫ 44

Весь текст будет доступен после покупки

Вопрос о том, чтобы снизить показатели преступности, в настоящее время, занимает верхние места. В современном мире технологий очень развиты различные системы и методы, благодаря которым имеется возможность быстро разыскать человека, совершившего преступление, например, система видеонаблюдения и методы криминалистики. Но будет намного лучше, если преступление не произойдет вовсе. Информационные технологии стремительно развиваются, уже существуют некоторые экспериментальные системы, позволяющие предсказать вспышки показателей преступлений в том или ином районе города. Но эти системы, пока, распространены только в, наиболее, развитых странах мира, таких, например, как США или Великобритания.
В данной работе разрабатывается автоматизированная система прогнозирования показателей преступности г. Воронежа на основе статистических данных, которые содержат описание преступлений, произошедших в период с 2010 по 2022 года. С помощью таких данных можно заметить закономерности, выявить, где, когда и какие преступления происходят чаще и больше всего, тем самым, можно разработать модели, которые позволят, заранее, узнать о том, на что стоит обратить внимание, для снижения показателей преступности.
Целью данной работы является автоматизация процесса получения научно-обоснованных вариантов изменения показателей преступности на основе ретроспективных данных.
Для того, чтобы достичь поставленной цели, необходимо решить ряд задач:
? обзор математических методов прогнозирования на основе временных рядов и анализ существующих средств автоматизации этих методов;
? разработка модели машинного обучения;
? разработка автоматизированной системы;
? разработка модулей автоматизированной системы.
В первой главе приводится обзор математических методов прогнозирования на основе временных рядов и анализ существующих средств автоматизации этих методов.
Во второй главе разрабатывается модель машинного обучения для прогнозирования.
В третьей главе приводится описание разработки автоматизированной системы.
В четвертой главе разрабатываются необходимые модули.

Весь текст будет доступен после покупки

ОБЗОР МАТЕМАТИЧЕСКИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ ВРЕМЕННЫХ РЯДОВ
В изучении временных рядов большое место занимает вопрос о закономерностях их движения на протяжении длительного периода. Статистика должна дать характеристику изменений статистических показателей во времени [1].
Временной ряд – это неслучайная последовательность измерений, которые были произведены в неслучайные моменты времени. Для измерения временного ряда берутся значения на данный момент времени.
Классическое определение временного ряда – это совокупность измерений y1, y2, . . ., yn, . . .. В этом случае yi ? IR некоторой величины через определенные (часто равнозначные) промежутки времени.
Формула прогнозирования временного ряда:
y ?_(t+d)=f_t (y_1,y_2,…,y_t;a,z),
где y ?_(t+d) – это предсказанное значение величины, которую искали в некоторый момент в будущем, a – параметрический показатель модели, z – иные факторы, влияющие на величину, которую измеряем. Другими словами, нужно найти некую функцию f_t, которая, взяв за основу предыдущие значения временного ряда и, если есть, иные факторы, будет делать прогнозы следующих его значений.

Весь текст будет доступен после покупки

1. Афанасьев В. Н. Анализ временных рядов и прогнозирование / В.Н. Афанасьев, М.М. Юзбашев. - М.: Финансы и статистика, Инфра-М, 2010. - 320 c.
2. Барский А.Б. Логические нейронные сети: Учебное пособие / А.Б. Барский. - М.: Бином, 2013. - 352 c.
3. Бокс Дж. Анализ временных рядов прогноз и управление (часть 2) / Дж. Бокс, Г. Дженкинс. - М.: [не указано], 2016. - 207 c.
4. Бриллинджер Д. Временные ряды. Обработка данных и теория / Д. Бриллинджер. - М.: Мир, 1979. - 534 c.
5. Бутов В. В. Анализ востребованности языка программирования Python на современном этапе IT-разработки c помощью инструментов Stack Overflow / В. В. Бутов. // Охрана, безопасность, связь. 2021. № 6-2. - С. 186-189.
6. Васильев А.Н. Тархов Д.А. Принципы и техника нейросетевого моделирования / А.Н. Васильев. - Москва: Наука, 2017. - 999 c.
7. Выгодчикова И. Ю. Алгоритм оценки параметров линейной множественной модели регрессии по минимаксному критерию / И.Ю. Выгодчикова. - М.: Синергия, 2019. - 216 c.
8. Галушкин А.И. Нейронные сети: основы теории / А.И. Галушкин. - М.: ГЛТ, 2012. - 496 c.
9. Громов Ю. Ю. Информационные технологии: учебник/ Ю. Ю. Громов, И. В. Дидрих, О. Г. Иванова [и др.]; Тамбовский государственный технический университет. – Тамбов: Тамбовский государственный технический университет (ТГТУ), 2015. – 260 с.
10. Ехлаков Ю. П. Теоретические основы автоматизированного управления: учебник/ Ю. П. Ехлаков. – Томск: Томский государственный университет систем управления и радиоэлектроники, 2001. – 338 с.

Весь текст будет доступен после покупки