Разработка сервиса по решению задач прогнозирования

Введение 5
1 Анализ ситуации и проблематики темы оценки надежности 7
1.1 Характеристика предметной области 7
1.2 Обзор существующих вариантов решения проблем, связанных с задачами прогнозирования 8
1.3 Целесообразность разрабатываемого сервиса 12
2 Разработка сервиса по решению задач прогнозирования 15
2.1 Формулирование требований к сервису 15
2.2 Определение диалога с пользователем 16
2.3 Проектирование веб-сервиса по решению задач прогнозирования 20
2.4 Описание программных модулей 23
2.5 Реализация и описание проекта 32
3 Обоснование экономической эффективности проекта 42
Заключение 47
Список использованных источников 49
Приложение А 52

Весь текст будет доступен после покупки

С увеличением объема ретроспективных данных задача прогнозирования продолжает оставаться актуальной как для исследователей, так и для обычных пользователей.
Цель данной выпускной квалификационной работы – разработка приложения для решения задач прогнозирования.
Объектом исследования является существующая система прогнозирования.
Предметом исследования являются процессы обработки данных для их последующего анализа с использованием метода, основанного на модели ARIMA.
В соответствии с поставленной целью в ходе выпускной квалификационной работы должны быть решены следующие задачи:
а) Дать характеристику предметной области.
б) Провести обзор существующих вариантов решения проблемы, связанных с задачами прогнозирования.
в) Оценить целесообразность разрабатываемого сервиса.
г) Сформулировать требования к сервису.
д) Определить диалог с пользователем.
е) Спроектировать веб-сервис по решению задач прогнозирования.
ж) Описать программные модули.
з) Привести контрольный пример реализации проекта и представить его описание.
и) Обосновать экономическую эффективность проекта.

Весь текст будет доступен после покупки

1 Анализ ситуации и проблематики темы оценки надежности
1.1 Характеристика предметной области
Задача анализа временных рядов изучается уже много лет, и за это время было разработано множество успешных подходов, считающихся классическими. Среди них - статистические алгоритмы, такие как ARMA, ARIMA, GARCH, модель Хольта-Винтерса, модели линейной регрессии, а также нейронные сети разнообразных архитектур (RNN, LSTM и другие).
Эти методы хорошо описаны, тщательно исследованы и нашли применение в промышленности. Но главным их недостатком является то, что модели быстро устаревают. Для любого алгоритма машинного обучения с обучением под контролем необходимо настраивать параметры модели на заранее подготовленной обучающей выборке, проверять точность предсказаний на тестовой выборке и интерполировать результаты на более широкую выборку реальных данных. Кроме того, временные ряды часто бывают нестационарными, их статистические характеристики могут меняться со временем под воздействием различных внешних факторов.
Чтобы параметры модели оставались актуальными на протяжении всего срока эксплуатации, используется систематическое переобучение модели через определенные временные интервалы. К сожалению, это неэффективно, так как требует постоянного использования ресурсов не для работы системы, а для ее реконфигурации, что усложняет техническую поддержку.
Тем не менее, существует категория моделей, которые не требуют полного переобучения, а могут быть "дообучены" (т.е. модифицированы существующие параметры модели) в реальном времени. Эти алгоритмы обсуждаются в литературе по онлайн-обучению.
Важно, что для таких моделей критически важна высокая скорость обработки входящих данных, чтобы предотвратить их накопление. Для обработки данных с высокой интенсивностью рекомендуется использовать фреймворки, поддерживающие распределенные вычисления на больших объемах данных.
1.2 Обзор существующих вариантов решения проблем, связанных с задачами прогнозирования
Регрессионные модели. Регрессионный анализ применяется для изучения взаимосвязей между двумя и более переменными и часто используется в прогнозировании. Регрессионные модели состоят из следующих элементов:
? неизвестные параметры, обозначенные как ??, представленные в виде скаляра или вектора,
? независимые переменные – X,
? зависимая переменная – ??

?? ? ??(??, ??)

Должны соблюдаться следующие условия:
? ошибка представляет собой случайную величину,
? независимые переменные (предикторы) линейно независимы, т. е. невозможно выразить какой-либо предиктор в виде линейной комбинации других,
? ошибки некоррелированы.
? дисперсия ошибки постоянна в наблюдениях (гомоскедастичность).:
Модель линейной регрессии исходит из предположения, что связь между зависимой и независимой переменными линейна. Эта связь моделируется через случайные возмущения или ошибки – ненаблюдаемые случайные величины.
Имеются следующие разновидности линейной регрессии [5-8]: простая и множественная линейная регрессия:
? простая линейная регрессия: применяется, когда имеется один предиктор x и одна откликающаяся переменная y.
? множественная линейная регрессия: предназначена для случаев с несколькими предикторами, которые могут быть скалярными или векторными (обозначаемыми как X).
В практических ситуациях часто используется множественная линейная регрессия, где в модели задействовано несколько предикторов. Разработаны также модели, учитывающие гетероскедастичность, то есть различия в отклонениях ошибок между независимыми переменными. Например, метод взвешенных наименьших квадратов применяется для оценки моделей линейной регрессии, когда ошибки у экзогенных переменных различаются.

Весь текст будет доступен после покупки

1 Бессмертный, И. А. Системы искусственного интеллекта: учеб. пособие для СПО / И. А. Бессмертный. — 2-е изд., испр. и доп. — М.: Издательство Юрайт, 2018. — 130 с.
2 Гниденко, И. Г. Технология разработки программного обеспечения: учеб. пособие для СПО / И. Г. Гниденко, Ф. Ф. Павлов, Д. Ю. Федоров. — М.: Издательство Юрайт, 2017. — 235 с.
3 Бучацкая В. В., Бучацкий П. Ю., Лобанов В. Е. Web-сервис для решения задачи прогнозирования // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2020. №4 (271). URL: https://cyberleninka.ru/article/n/web-servis-dlya-resheniya-zadachi-prognozirovaniya (дата обращения: 06.06.2024).
4 Гэддис Т. Начинаем программировать на Python. – 4-е изд.: Пер. с англ. – СПб.: БХВ-Петербург, 2019. – 768 с.
5 Ельченков Р.А., Дунаев М. Е., Зайцев К. С. Прогнозирование временных рядов при обработке потоковых данных в реальном времени // International Journal of Open Information Technologies. 2022. №6. URL: https://cyberleninka.ru/article/n/prognozirovanie-vremennyh-ryadov-pri-obrabotke-potokovyh-dannyh-v-realnom-vremeni (дата обращения: 07.06.2024).
6 Иванов, В. М. Интеллектуальные системы: учеб. пособие для СПО / В. М. Иванов; под науч. ред. А. Н. Сесекина. — М.: Издательство Юрайт, 2019. — 93 с.
7 Пастухов С. И. Использование авторегрессионных моделей для прогнозирования прироста вкладов физических лиц // Финансовые рынки и банки. 2022. №6. URL: https://cyberleninka.ru/article/n/ispolzovanie-avtoregressionnyh-modeley-dlya-prognozirovaniya-prirosta-vkladov-fizicheskih-lits (дата обращения: 07.06.2024).

Весь текст будет доступен после покупки