Дипломная работа по направлению 09.03.03 Прикладная информатика» , "Разработка метода применения нейронных сетей для прогнозирования экономической ситуации в организации"
Бесплатная консультация по вашей теме: Telegram: @Diplomit Телефон/WhatsApp/MAX: +7 (987) 915-99-32, Email: admin@diplom-it.ru,
Суть ВКР: Данное исследование носит опытно-экспериментальный характер и направлено на создание и обучение математической модели на основе нейронных сетей (например, рекуррентных RNN или LSTM) для прогнозирования ключевых экономических показателей компании: выручки, спроса, финансовых потоков. Работа включает сбор данных, выбор архитектуры сети, обучение модели и оценку точности прогноза.
Цель работы
Разработка и апробация метода прогнозирования экономических показателей организации на основе применения искусственных нейронных сетей.
Задачи работы
- Собрать и подготовить исторические данные по экономическим показателям организации.
- Провести анализ и выбрать подходящий тип архитектуры нейронной сети для задач временных рядов.
- Разработать метод предобработки данных и обучения нейронной сети.
- Обучить модель, провести валидацию и оценить точность прогнозирования.
- Сравнить эффективность предложенного метода с традиционными методами прогнозирования.
Объект исследования
Объектом исследования являются экономические процессы организации, отражаемые в ее показателях.
Предмет исследования
Предметом исследования является метод прогнозирования на основе искусственных нейронных сетей.
Содержание (план работы)
- Глава 1. Теоретические основы прогнозирования с использованием нейронных сетей
- 1.1. Обзор задач прогнозирования в экономике и применяемых методов
- 1.2. Архитектуры нейронных сетей для анализа временных рядов
- 1.3. Постановка задачи прогнозирования для конкретной организации
- Глава 2. Разработка метода прогнозирования
- 2.1. Сбор, очистка и нормализация исходных данных
- 2.2. Выбор и обоснование архитектуры нейронной сети
- 2.3. Разработка алгоритма обучения и настройки гиперпараметров модели
- Глава 3. Экспериментальное исследование
- 3.1. Проведение вычислительных экспериментов по обучению модели
- 3.2. Анализ точности прогноза и сравнение с эталонными моделями (ARIMA, линейная регрессия)
- 3.3. Обсуждение результатов и области применимости разработанного метода