Разработка алгоритма для прогнозирования спроса на такси в ночное время в центре города

Диплом (ВКР) по теме «Разработка алгоритма для прогнозирования спроса на такси в ночное время в центре города»

Нужен разбор вашей темы Разработка алгоритма для прогнозирования спроса на такси в ночное время в центре города? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Проверьте свою тему ВКР:

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?

Актуальность темы

В ночные часы в центре крупных городов наблюдается пиковая нагрузка на такси. По данным SberAuto (2024), спрос в 00:00–06:00 превышает предложение на 40–60% в пятницу и субботу. Это приводит к росту тарифов, долгому ожиданию и уходу клиентов к конкурентам. Заметьте: если сервис не может предсказать всплеск спроса, водители оказываются не в нужных местах. А это — прямые убытки. Например, в Москве средняя потеря выручки на неоптимизированной маршрутизации — 18% (источник: CyberLeninka, 2024). Ключевая проблема — отсутствие точных моделей, учитывающих локальные события (клубы, фестивали, ДТП). Именно это и решает ваша ВКР.

Цель и задачи

**Цель:** Разработка алгоритма прогнозирования спроса на такси в центре города в ночное время с использованием временных рядов и геоданных. **Задачи:** 1. Проанализировать существующие бизнес-процессы диспетчеризации такси (например, в Яндекс.Такси). 2. Смоделировать текущую ситуацию («КАК ЕСТЬ») с помощью DFD и BPMN. 3. Выбрать и обосновать стек технологий: Python, Scikit-learn, Prophet, GeoPandas. 4. Собрать и обработать исторические данные: время заказов, локации, погода, события. 5. Реализовать модель на основе временных рядов с внешними факторами. 6. Оценить экономический эффект от внедрения (снижение времени ожидания на 30%). Задачи соответствуют методичке Синергия: от анализа до экономики.

Объект и предмет

• Объект: процесс управления парком такси в центре города.
• Предмет: алгоритм прогнозирования спроса на основе машинного обучения.

Ожидаемые результаты и практическая значимость

• Снижение времени ожидания такси с 12 до 8 минут.
• Повышение загрузки водителей на 25% в пиковые часы.
• Реализация модели с интеграцией в API диспетчерской системы.

Рекомендуемая структура дипломной работы

Пример введения для Синергия

В условиях роста городской мобильности возникает необходимость в эффективном управлении транспортными потоками. Особенно остро эта проблема стоит в ночные часы, когда спрос на такси в центре города резко возрастает. Недостаточная точность прогнозирования приводит к дисбалансу между предложением и спросом, увеличивая время ожидания и снижая удовлетворённость клиентов.

Объектом исследования выступает система диспетчеризации такси, предметом — алгоритм прогнозирования спроса на основе анализа временных рядов и внешних факторов. Целью является разработка модели, способной с точностью не ниже 85% предсказывать количество заказов в центре города в период с 00:00 до 06:00.

Работа выполнена с опорой на ГОСТ 34.602-2020 (техническое задание) и ГОСТ 7.0.100-2018 (оформление). Практическая значимость заключается в возможности интеграции алгоритма в реальные системы управления парком такси, что позволит повысить эффективность использования ресурсов и доходность компании.

Этапы разработки информационной системы

Пример реализации модели

import pandas as pd
from prophet import Prophet
import geopandas as gpd

# Загрузка данных
data = pd.read_csv('night_taxi_demand.csv')
data['ds'] = pd.to_datetime(data['timestamp'])
data['y'] = data['orders']

# Добавление внешних факторов
data['event'] = data['nearby_event'].astype(int)
data['rain'] = data['precipitation'].apply(lambda x: 1 if x > 2 else 0)

# Обучение модели
model = Prophet(yearly_seasonality=True, weekly_seasonality=True, daily_seasonality=True)
model.add_regressor('event')
model.add_regressor('rain')
model.fit(data[['ds', 'y', 'event', 'rain']])

# Прогноз
future = model.make_future_dataframe(periods=24, freq='H')
future['event'] = 1  # предстоящее событие
future['rain'] = 0
forecast = model.predict(future)

Код можно адаптировать под ваш город и данные. Главное — не забудьте указать источник данных и обосновать выбор модели.

Как написать заключение по Разработка, сопровождение и обеспечение безопасности информационных систем

В ходе работы был проанализирован процесс диспетчеризации такси, выявлены узкие места в прогнозировании спроса. Разработан алгоритм на основе Prophet с учётом внешних факторов, достигнута точность прогноза 87%. Экономический эффект составил 1.2 млн руб. в год за счёт оптимизации маршрутов и повышения загрузки водителей.

Разработанная система может быть внедрена в реальные сервисы такси. Рекомендуется продолжить исследования в части интеграции с навигационными системами и учётом трафика в реальном времени.

Требования к списку литератууры Синергия

Оформляйте источники по ГОСТ Р 7.0.100-2018. Включайте:

• Официальную документацию: Prophet Documentation
• Научные статьи: Применение ML для прогнозирования спроса на такси (CyberLeninka, 2024)
• Методические указания Синергия по ВКР (уточните у научрука)

Частые вопросы по теме «Разработка алгоритма для прогнозирования спроса на такси в ночное время в центре города»

• В: Сколько страниц должна быть практическая часть? О: В Синергия обычно 40-60 стр., но смотрите методичку. Главное — полнота реализации.
• В: Нужен ли реальный код в приложении? О: Да, фрагменты ключевых модулей обязательны. Полный код — на GitHub (ссылка в приложении).
• В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками вашего вуза. Минимум — 75%.

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, модель Prophet — открытая, но вы должны изменить параметры, добавить факторы, провести тестирование на своих данных. Простое копирование — риск по антиплагиату.

Сколько страниц должна быть практическая часть?

Рекомендуем 40–60 страниц. Включите: код, диаграммы, результаты тестов, скриншоты интерфейса (если есть). Проверяйте объём по методичке Синергия — требования могут меняться.

Можно ли использовать open-source решения?

Не только можно — нужно. Python, Scikit-learn, Prophet — всё это легально и приветствуется. Главное — правильно оформить ссылки на документацию и указать, как вы модифицировали исходный код.