Анализ временных рядов с использованием современных информационных технологий

Написать диплом по теме «Анализ временных рядов с использованием современных информационных технологий»

Если вы студент ВШЭ по направлению 09.03.02 «Прикладная информатика» и выбрали тему «Анализ временных рядов с использованием современных информационных технологий», эта статья — ваш гид. Здесь вы найдёте: структуру ВКР, примеры кода на Python, анализ сущностей (ARIMA, Prophet, LSTM), требования ГОСТ и ВШЭ, а также чек-лист перед сдачей. Всё, что нужно — в одном месте.

Нужен разбор вашей темы Анализ временных рядов с использованием современных информационных технологий? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Прогнозирование временных рядов — критически важная задача в финансах, логистике, энергетике и здравоохранении. По данным CyberLeninka (2024), использование LSTM-сетей позволило повысить точность прогнозирования спроса в ритейле на 23–37% по сравнению с классическими методами.

На практике студенты ВШЭ часто работают с реальными данными: например, с ежедневными продажами «Магнита» или ценами на нефть Brent. Ключевая проблема — не просто применить модель, а обосновать выбор алгоритма, учесть сезонность и тренд, а также провести валидацию.

Заметьте: актуальность не в том, что временные ряды «важны». Она в том, что традиционные методы (ARIMA) не справляются с нелинейными паттернами, а современные (LSTM, Prophet) требуют корректной настройки и интерпретации.

Цель и задачи

Цель: разработка и сравнительный анализ моделей прогнозирования временных рядов с использованием современных информационных технологий на примере реальных данных.

Задачи:

1. Изучить теоретические основы анализа временных рядов (стационарность, автокорреляция, декомпозиция).
2. Проанализировать существующие подходы: ARIMA, Prophet, LSTM.
3. Собрать и предобработать реальные данные (например, курсы валют с MOEX).
4. Разработать модели прогнозирования на Python.
5. Оценить качество моделей (MAE, RMSE, MAPE).
6. Обосновать экономическую эффективность внедрения (например, сокращение издержек на 15% при оптимизации закупок).

Задачи соответствуют методичке ВШЭ по Прикладной информатике: от анализа до экономического обоснования.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

В условиях высокой волатильности финансовых рынков и нестабильности спроса, точное прогнозирование временных рядов становится ключевым фактором устойчивости бизнеса. В данной работе рассматривается задача прогнозирования ежедневного объёма продаж продуктового ритейлера на основе исторических данных за 2020–2025 гг. Объект исследования — процесс управления запасами в ООО «ПродТорг». Предмет — алгоритмы машинного обучения для анализа временных рядов.

Цель работы — разработка и сравнительная оценка моделей ARIMA, Prophet и LSTM на реальных данных. Задачи включают анализ стационарности, подбор гиперпараметров, валидацию и экономическое обоснование внедрения. В работе используются данные из открытых источников (MOEX, Росстат) и собственная реализация моделей на Python.

Научная новизна заключается в сравнении классических и нейросетевых подходов на данных российского ритейла. Практическая значимость — в снижении издержек на хранение и штрафов за дефицит на 12–18%.

Как написать заключение по Прикладная информатика

В ходе работы были изучены методы анализа временных рядов, реализованы модели ARIMA, Prophet и LSTM. Наилучший результат показала модель Prophet (MAPE = 4.2%), что на 1.8 п.п. лучше ARIMA и на 2.1 п.п. — LSTM. Это объясняется эффективной обработкой сезонности и праздников.

Экономический эффект от внедрения системы прогнозирования составит 1.2 млн руб./год за счёт оптимизации закупок. Рекомендуется интегрировать модель в ERP-систему предприятия с ежедневным обновлением прогноза.

Требования к списку литератууры ВШЭ

Список оформляется по ГОСТ Р 7.0.100-2018. Обязательно включить:

• ГОСТ 34.602-2020 «Информационная технология. Жизненный цикл программных средств»
• Книга: Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice (3rd ed.) — авторитетный открытый учебник
• Статья: Смирнов А.В. «Модели временных рядов в Python» // Вестник ВШЭ, 2024 — CyberLeninka

Типичные ошибки при написании Анализ временных рядов с использованием современных информационных технологий

Пример кода для анализа временных рядов (Python)

import pandas as pd
from prophet import Prophet
import matplotlib.pyplot as plt

# Загрузка данных
df = pd.read_csv('sales.csv')
df.columns = ['ds', 'y']  # формат Prophet

# Обучение модели
model = Prophet(yearly_seasonality=True, daily_seasonality=False)
model.fit(df)

# Прогноз
future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)

# Визуализация
fig = model.plot(forecast)
plt.title("Прогноз продаж на 30 дней")
plt.show()

# Оценка точности
from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(df['y'], forecast['yhat'][:len(df)])
print(f"MAE: {mae:.2f}")
  

Частые вопросы по теме «Анализ временных рядов с использованием современных информационных технологий»

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с критической адаптацией. Например, вы можете взять код Prophet с официального сайта, но должны изменить параметры, добавить валидацию, сравнить с другими моделями и интерпретировать результаты. Чистое копирование — риск провала на защите.

Сколько страниц должна быть практическая часть?

Рекомендуемый объём — 40–60 страниц. Включайте: постановку задачи, выбор данных, предобработку, обучение моделей, визуализацию, сравнение метрик. Каждый график должен быть подписан и проанализирован.

Можно ли использовать open-source решения?

Да, и это даже приветствуется. Библиотеки вроде Prophet, Scikit-learn, TensorFlow — стандарт в индустрии. Главное — показать понимание: почему вы выбрали именно эту модель, как настраивали гиперпараметры, как интерпретировали результаты.