Прогнозирование временных рядов движения полюса и продолжительности суток

Написать диплом по теме «Прогнозирование временных рядов движения полюса и продолжительности суток»

Тема «Прогнозирование временных рядов движения полюса и продолжительности суток» относится к стыку геофизики, астрономии и прикладной информатики. В работе анализируются данные IERS (Международной службы вращения Земли), строятся модели ARIMA, LSTM и Prophet для предсказания параметров вращения Земли. Требуется обработка реальных временных рядов, визуализация, оценка точности моделей. Работа востребована в навигационных системах, космической отрасли и геодезии.

Нужен разбор вашей темы Прогнозирование временных рядов движения полюса и продолжительности суток? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Движение полюса и изменения продолжительности суток (ΔLOD) — это фундаментальные параметры, влияющие на точность глобальных навигационных систем (GNSS), спутниковую связь и космические запуски. Ошибка в прогнозе на 1 мс может привести к погрешности позиционирования до 30 см.

По данным IERS (International Earth Rotation and Reference Systems Service), в 2023 году наблюдалось рекордное ускорение вращения Земли, что потребовало пересмотра моделей. Это повысило интерес к автоматизированным системам прогнозирования.

В России, по информации Роскосмоса, точность прогноза ΔLOD критична для систем «ГЛОНАСС» и управления орбитами спутников. На практике, задержка в обновлении параметров может вызвать сбои в навигации, особенно в полярных регионах.

Цель и задачи

Цель ВКР: разработка программного модуля для прогнозирования параметров вращения Земли (движение полюса и ΔLOD) на основе временных рядов IERS с использованием методов машинного обучения.

Задачи исследования:

1. Изучить физические причины изменений вращения Земли (приливы, атмосфера, ядро).
2. Проанализировать структуру и формат данных IERS (C04, EOP 14 C04).
3. Очистить и подготовить временные ряды для моделирования.
4. Построить модели ARIMA, Prophet и LSTM для прогноза X, Y-компонент полюса и ΔLOD.
5. Оценить точность моделей по метрикам MAE, RMSE, R².
6. Разработать прототип веб-интерфейса для визуализации прогнозов.
7. Оценить экономическую эффективность внедрения в учебной организации (на примере ВШЭ).

Задачи соответствуют методическим рекомендациям ВШЭ по направлению 09.03.02: от анализа до практической реализации и экономического обоснования.

Объект и предмет исследования

• Объект: процесс обработки и прогнозирования параметров вращения Земли в научно-исследовательской лаборатории ВШЭ.
• Предмет: методы анализа временных рядов и программные средства автоматизации прогнозирования ΔLOD и движения полюса.

Разделение четкое: объект — где (лаборатория), предмет — что (алгоритмы и ПО).

Ожидаемые результаты и практическая значимость

По итогам работы будут получены:

• Модели с точностью прогноза RMSE < 0.05 мс для ΔLOD и < 0.02 мсд для X/Y-компонент.
• Прототип веб-приложения (на Flask или Streamlit) с графиками и интерфейсом ввода дат.
• Снижение времени обработки данных с 2 часов до 15 минут за счёт автоматизации.

Практическая значимость: решение может быть адаптировано для использования в учебных целях, а также как основа для интеграции в навигационные системы.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

Изменения параметров вращения Земли — движение полюса и колебания продолжительности суток — требуют точного прогнозирования для обеспечения работы глобальных навигационных систем. В условиях роста нагрузки на GNSS и увеличения числа космических миссий, погрешности в определении этих параметров становятся критичными.

На сегодняшний день Международная служба вращения Земли (IERS) публикует данные с задержкой. Актуальной задачей является разработка автоматизированной системы прогнозирования на основе открытых временных рядов. В работе предлагается использовать методы анализа временных рядов: ARIMA, Prophet и LSTM-нейросети.

Целью выпускной квалификационной работы является разработка программного модуля для прогнозирования параметров вращения Земли. Объект исследования — процесс обработки данных в научно-исследовательской лаборатории ВШЭ. Предмет — методы и средства автоматизации прогнозирования.

Как написать заключение по Прикладная информатика

В ходе работы был проведен анализ физических факторов, влияющих на вращение Земли, и структуры данных IERS. Разработаны и протестированы три модели прогнозирования: ARIMA, Prophet и LSTM. Наилучшую точность показала LSTM-модель (RMSE = 0.038 мс для ΔLOD), что на 22% точнее ARIMA.

Реализован прототип веб-интерфейса, позволяющий визуализировать прогнозы и экспортировать результаты. Экономический эффект от автоматизации составляет 120 тыс. руб. в год за счёт сокращения ручного труда.

Рекомендуется использовать LSTM-подход для долгосрочного прогнозирования, а Prophet — для краткосрочных задач. В дальнейшем возможно интегрировать модель в API IERS или системы ГЛОНАСС.

Требования к списку литературы ВШЭ

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

• Законодательных актов (если есть)
• Научных статей (не менее 10 за последние 5 лет)
• Официальных отчётов (IERS, Роскосмос)
• Документации по используемым технологиям

Примеры источников:

1. International Earth Rotation and Reference Systems Service. EOP C04 14. [Электронный ресурс] — URL: https://data.iers.org/products/59/detail (дата обращения: 2026-06-07)
2. Hyndman, R.J., Athanasopoulos, G. Forecasting: principles and practice. 3rd ed. OTexts, 2021. — 420 p.
3. ГОСТ Р 7.0.100-2018. Система стандартов по информации, библиотечному и издательскому делу. — М.: Стандартинформ, 2019.

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, можно взять LSTM-архитектуру из публикации, но переобучить на данных IERS и провести собственное сравнение. Главное — показать личный вклад: выбор гиперпараметров, оценка метрик, интерпретация результатов.

Сколько страниц должна быть практическая часть?

В ВШЭ рекомендуемый объем — 30–40 страниц. Включайте: код, графики, таблицы с метриками, скриншоты интерфейса. Если работа слишком короткая — добавьте сравнение моделей, анализ ошибок, кейс применения.

Можно ли использовать open-source решения?

Абсолютно можно. Библиотеки типа statsmodels, TensorFlow, Prophet — стандарт для таких задач. Главное — не просто скопировать, а адаптировать под свои данные и пояснить логику выбора.