Диплом МЭИ 09.03.03 "Прикладная информатика" Разработка программного метода применения искусственных нейронных сетей для решения задачи прогнозирования на примере конкретных экономических задач
Бесплатная консультация по вашей теме: Telegram: @Diplomit Телефон/WhatsApp/MAX: +7 (987) 915-99-32, Email: admin@diplom-it.ru
Актуальность темы
В условиях современной экономической нестабильности и высокой конкуренции точное прогнозирование финансовых показателей становится критически важным фактором для принятия обоснованных управленческих решений. Согласно отчету Всемирного экономического форума, 74% компаний считают повышение точности прогнозирования ключевым приоритетом для повышения устойчивости бизнеса в условиях неопределенности.
Особую актуальность данная тема приобретает в контексте развития методов искусственного интеллекта и машинного обучения. По данным исследования IDC, к 2025 году 60% компаний будут использовать нейросетевые методы для прогнозирования экономических показателей, что на 35% больше по сравнению с 2022 годом. В то же время, только 28% российских компаний активно применяют искусственные нейронные сети для решения экономических задач, что создает значительный потенциал для внедрения передовых решений.
При разработке ВКР важно учитывать требования Руководство по написанию ВКР для МЭИ, которые предъявляют особые требования к практической части работ по прикладной информатике. В методических указаниях подчеркивается необходимость применения современных технологий и соответствия реальным бизнес-требованиям, что особенно важно при работе с экономическими данными и нейросетевыми моделями.
Возникли трудности с подготовкой данных для обучения нейронной сети? Наши эксперты по ВКР МЭИ помогут! Звоните или пишите: Telegram: @Diplomit
+7 (987) 915-99-32 (WhatsApp/MAX), admin@diplom-it.ru.
Цель и задачи ВКР
Цель исследования
Разработка программного метода применения искусственных нейронных сетей для решения задачи прогнозирования на примере конкретных экономических задач: прогнозирование объема продаж на складе и прогнозирование курса валюты с использованием комбинированных архитектур нейронных сетей (LSTM и CNN).
Задачи исследования
- Провести сравнительный анализ существующих методов прогнозирования экономических показателей и выявить их ограничения
- Изучить современные архитектуры искусственных нейронных сетей, применимых для решения задач прогнозирования
- Разработать методику подготовки и обработки экономических данных для обучения нейронных сетей
- Выбрать и обосновать архитектуру нейронной сети, оптимальную для решения двух конкретных экономических задач
- Реализовать программный метод с использованием Python и библиотек TensorFlow/Keras
- Провести тестирование и сравнительный анализ точности прогнозирования с традиционными методами
- Разработать рекомендации по внедрению разработанного метода в бизнес-процессы
Важно отметить, что при постановке задач необходимо строго следовать методическим указаниям МЭИ, которые требуют конкретизации каждого этапа работы и соответствия практической части теоретическим обоснованиям. Задачи должны быть измеримыми и достижимыми в рамках объема дипломной работы (60-80 страниц).
Объект и предмет исследования
Объект исследования
Процесс прогнозирования экономических показателей на примере объема продаж на складе и курса валюты.
Предмет исследования
Методы и технологии разработки программного метода применения искусственных нейронных сетей для решения задачи прогнозирования на примере конкретных экономических задач: прогнозирование объема продаж на складе и прогнозирование курса валюты.
Выбор именно этих двух задач обусловлен их разной природой и сложностью: прогнозирование объема продаж на складе имеет выраженную сезонность и зависимость от внешних факторов (праздники, акции), тогда как прогнозирование курса валюты характеризуется высокой волатильностью и влиянием множества макроэкономических факторов. Это позволяет провести сравнительный анализ эффективности нейросетевых методов для различных типов экономических данных.
При выборе объекта и предмета важно учитывать специфику требований МЭИ к ВКР по прикладной информатике, которые предполагают четкое разграничение между объектом (то, на что направлено исследование) и предметом (конкретный аспект объекта, который изучается). В данном случае объектом является процесс прогнозирования экономических показателей, а предметом — разработка программного метода на основе искусственных нейронных сетей.
Примерный план (Содержание) работы
Введение
- Актуальность темы исследования
- Степень разработанности проблемы
- Цель и задачи исследования
- Объект и предмет исследования
- Методы исследования
- Научная новизна и практическая значимость
- Структура работы
Глава 1. Теоретические основы применения искусственных нейронных сетей в экономике
- Понятие и особенности прогнозирования экономических показателей
- Традиционные методы прогнозирования и их ограничения
- Основы искусственных нейронных сетей и их применение в экономике
- Архитектуры нейронных сетей для обработки временных рядов (RNN, LSTM, GRU, CNN)
- Методы оценки точности прогнозирования и сравнительный анализ подходов
Глава 2. Методика разработки программного метода для решения задач прогнозирования
- Анализ требований к системе прогнозирования для экономических задач
- Методика подготовки и обработки данных для объема продаж на складе
- Методика подготовки и обработки данных для курса валюты
- Выбор и обоснование архитектуры нейронной сети для каждой задачи
- Разработка алгоритмов обучения и настройки параметров сети
Глава 3. Реализация и тестирование программного метода на примере конкретных экономических задач
- Сбор и подготовка данных по объему продаж на складе
- Сбор и подготовка данных по курсу валюты
- Реализация программного метода с использованием Python и библиотек TensorFlow/Keras
- Обучение и настройка нейронных сетей на исторических данных
- Тестирование и сравнение точности прогнозирования с традиционными методами
- Анализ результатов и рекомендации по применению метода
- Экономическая оценка эффективности предложенного метода
Заключение
Список использованных источников
Приложения
Нужна помощь с настройкой гиперпараметров нейронной сети? Наши эксперты по ВКР МЭИ помогут! Звоните или пишите: Telegram: @Diplomit
+7 (987) 915-99-32 (WhatsApp/MAX), admin@diplom-it.ru.
Ожидаемые результаты и практическая значимость
В результате выполнения выпускной квалификационной работы будет разработан программный метод применения искусственных нейронных сетей для решения задачи прогнозирования на примере конкретных экономических задач, который позволит:
- Для задачи прогнозирования объема продаж на складе: повысить точность прогноза на 30-35% по сравнению с традиционными методами
- Для задачи прогнозирования курса валюты: снизить среднюю ошибку прогноза на 25-28%
- Сократить время на подготовку прогноза с 2-3 дней до нескольких часов
- Учесть нелинейные зависимости и сложные паттерны в данных, которые игнорируются классическими методами
- Предоставить гибкий инструмент для адаптации под различные типы экономических данных
Практическая значимость работы заключается в том, что разработанный программный метод может быть внедрен в системы финансового планирования и управления запасами для повышения точности прогнозирования и оптимизации бизнес-решений. Метод будет особенно полезен для логистических компаний, торговых сетей и финансовых организаций, где точное прогнозирование экономических показателей критически важно для принятия управленческих решений.
Согласно методическим указаниям МЭИ, раздел практической значимости должен содержать конкретные цифры и показатели, что мы и делаем в данной работе. Это соответствует требованиям вуза к ВКР по прикладной информатике, где особое внимание уделяется измеримости результатов и их применимости в реальных условиях.
Пример введения для выпускной квалификационной работы
В условиях современной экономической нестабильности и высокой конкуренции точное прогнозирование финансовых показателей становится ключевым фактором успеха любой коммерческой организации. По данным исследования Всемирного экономического форума, 74% компаний считают повышение точности прогнозирования ключевым приоритетом для повышения устойчивости бизнеса в условиях неопределенности. В то же время, по информации Ассоциации российских компаний, только 28% предприятий используют искусственные нейронные сети для решения экономических задач, что создает значительный потенциал для внедрения передовых решений.
Актуальность темы исследования обусловлена необходимостью повышения точности прогнозирования экономических показателей в условиях сложной структуры временных рядов и наличия множества влияющих факторов. Традиционные методы прогнозирования, такие как ARIMA и экспоненциальное сглаживание, часто не справляются со сложными нелинейными зависимостями и волатильностью, характерными для экономических данных. Искусственные нейронные сети, в особенности комбинированные архитектуры LSTM и CNN, демонстрируют высокую эффективность в обработке временных рядов, что открывает новые возможности для повышения точности прогнозирования.
Целью настоящей работы является разработка программного метода применения искусственных нейронных сетей для решения задачи прогнозирования на примере конкретных экономических задач: прогнозирование объема продаж на складе и прогнозирование курса валюты. Для достижения поставленной цели необходимо решить ряд задач, включающих анализ существующих методов прогнозирования, изучение архитектур нейронных сетей, разработку методики подготовки данных, реализацию программного метода и его тестирование на реальных данных.
Научная новизна исследования заключается в разработке универсального программного метода, адаптируемого под различные типы экономических задач с минимальными изменениями в архитектуре нейронной сети. Практическая значимость работы определяется возможностью внедрения разработанного метода в системы финансового планирования и управления запасами, что позволит повысить точность прогнозирования объема продаж на складе на 30-35% и снизить ошибку прогноза курса валюты на 25-28% по сравнению с традиционными методами.
Заключение ВКР МЭИ
В ходе выполнения выпускной квалификационной работы по теме "Разработка программного метода применения искусственных нейронных сетей для решения задачи прогнозирования на примере конкретных экономических задач" были достигнуты поставленные цели и решены все задачи исследования. Проведенный анализ существующих методов прогнозирования позволил выявить ключевые ограничения традиционных подходов и сформулировать требования к разрабатываемому программному методу на основе искусственных нейронных сетей.
Разработанный программный метод с использованием комбинированных архитектур LSTM и CNN показал высокую эффективность в решении двух конкретных экономических задач. Для задачи прогнозирования объема продаж на складе средняя абсолютная процентная ошибка (MAPE) составила 7,2% по сравнению с 11,5% у метода ARIMA. Для задачи прогнозирования курса валюты MAPE составила 4,8% против 6,7% у традиционных методов. Это подтверждает гипотезу о том, что использование современных архитектур нейронных сетей позволяет значительно повысить точность прогнозирования различных типов экономических данных.
Экономическая оценка внедрения разработанного метода показывает, что для логистической компании с годовым оборотом 500 млн рублей повышение точности прогнозирования объема продаж может привести к снижению издержек на управление запасами на 12-15 млн рублей в год. Для финансовой организации снижение ошибки прогноза курса валюты на 2% может увеличить прибыль от валютных операций на 5-7 млн рублей в год. Полученные результаты вносят вклад в развитие методов применения искусственного интеллекта в экономике и могут быть адаптированы для решения других экономических задач с минимальными изменениями в архитектуре нейронной сети.
Требования к списку источников
Согласно методическим указаниям МЭИ, список использованных источников должен включать не менее 30 источников, распределенных следующим образом:
- 50% (не менее 15 источников) - источники, опубликованные за последние 5 лет
- 30% (не менее 9 источников) - источники на иностранных языках
- 20% (не менее 6 источников) - нормативно-правовые акты и стандарты
Примеры корректного оформления источников по ГОСТ:
- Германов Г.Н. Нейронные сети в экономике: учебное пособие. — М.: Издательский дом "Высшая школа экономики", 2023. — 320 с.
- Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2016. — 775 p.
- Приказ Минэкономразвития России от 26.12.2019 № 857 "Об утверждении Методических рекомендаций по оценке эффективности инвестиционных проектов и их отбору для целей финансирования"
Важно отметить, что при оформлении списка источников необходимо строго соблюдать правила ГОСТ 7.1-2003. Все источники должны быть упомянуты в тексте работы с указанием страницы цитирования. Особое внимание следует уделить современным источникам, так как МЭИ уделяет большое внимание актуальности используемых материалов. Для работ по искусственным нейронным сетям рекомендуется включать источники, опубликованные за последние 2-3 года, так как эта область быстро развивается и методы быстро устаревают.
Полезные материалы для написания ВКР
Нужна помощь с ВКР МЭИ?
Наши эксперты — практики в сфере ВКР для МЭИ. Мы напишем для вас уникальную работу по этой теме с глубоким анализом, реальными кейсами и расчетами, готовую к защите в МЭИ.
? Что вы получите: полное соответствие методичке, гарантию оригинальности от 85%, сопровождение до защиты.
→ Свяжитесь любым удобным способом:
→ Или оформите заказ онлайн: Заказать ВКР