Программная система прогнозирования цен на электронику

Содержание

Введение

Глава 1. Анализ предметной области и существующих решений

1.1. Динамика цен на рынке электроники и задача прогнозирования

1.2. Обзор и сравнительный анализ методов прогнозирования временных рядов (ARIMA, Holt-Winters, XGBoost, LSTM, Facebook Prophet)

1.3. Обзор и сравнительный анализ существующих сервисов мониторинга цен (Keepa, CamelCamelCamel, Price.ru)

Глава 2. Обзор архитектуры и технологий разработки системы прогнозирования цен на электронику

2.1. Функциональные возможности и структура информационных потоков (data.py, metrics.py, model_prophet.py, eval.py, app.py)

2.2. Процесс сбора данных через сервис Keepa (Keepa, Amazon, CSV, MANIFEST.csv)

2.3. Обзор и анализ технологий разработки (Python, Pandas, NumPy, Prophet, Plotly, Streamlit, Dash, Matplotlib, PyCharm, VS Code, uv)

Глава 3. Описание практической реализации системы прогнозирования цен на электронику

3.1. Архитектура системы и реализация модулей обработки данных (data.py — Pandas, CSV; metrics.py — NumPy, Pandas)

3.2. Реализация модулей прогнозирования и оценки качества (model_prophet.py — Prophet; eval.py — MAE, RMSE, MAPE, R², Direction Accuracy)

3.3. Реализация пользовательского интерфейса и описание набора данных (app.py — Streamlit, Plotly)

Заключение

Список использованной литературы

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

Программная система прогнозирования цен на электронику

ВВЕДЕНИЕ

Современный рынок электроники характеризуется высокой динамичностью ценообразования, обусловленной множеством факторов — от сезонных колебаний спроса до глобальных логистических кризисов и технологических инноваций. Актуальность разработки программных систем прогнозирования цен на электронику определяется стремительным развитием электронной коммерции и возрастающей потребностью конечных потребителей, ритейлеров и аналитических агентств в инструментах, позволяющих предвидеть ценовые тренды с высокой степенью точности. В условиях информационного общества, когда объемы данных о ценах на товары достигают петабайтных масштабов, традиционные методы анализа становятся неэффективными. Необходимость применения современных методов машинного обучения и интеллектуального анализа временных рядов обусловливает научную значимость исследования.

Проблематика прогнозирования цен на электронику находится на пересечении нескольких научных дисциплин: информационных систем, математической статистики, машинного обучения и экономического анализа. Степень изученности данной проблемы в отечественной и зарубежной науке можно охарактеризовать как фрагментарную. Существуют отдельные работы, посвященные применению классических методов временных рядов (ARIMA, экспоненциальное сглаживание) к задачам прогнозирования цен, однако комплексные исследования, объединяющие современные алгоритмы глубокого обучения с традиционными статистическими подходами в контексте информационных систем, остаются редкими [12, c. 45].

Значительный интерес представляет разработка архитектуры информационной системы, способной интегрировать разнородные источники данных о ценах, обрабатывать их в реальном времени и предоставлять пользователям интуитивно понятный интерфейс для визуализации прогнозов. Существующие сервисы мониторинга цен, такие как Keepa и CamelCamelCamel, ориентированы преимущественно на отслеживание исторических данных и не предлагают развитых инструментов прогнозной аналитики с применением современных алгоритмов машинного обучения. Это создает нишу для разработки специализированных программных систем, сочетающих функциональность сбора данных с продвинутыми методами прогнозирования и удобными средствами визуализации результатов.

Целью выпускной квалификационной работы является проектирование и практическая реализация программной системы прогнозирования цен на электронику с использованием современных методов анализа временных рядов и технологий веб-разработки.

Для достижения поставленной цели необходимо решить следующие задачи:

• провести анализ предметной области рынка электроники, изучить динамику ценообразования и существующие подходы к прогнозированию временных рядов;
• выполнить сравнительный анализ методов прогнозирования (ARIMA, Holt-Winters, XGBoost, LSTM, Facebook Prophet) и существующих сервисов мониторинга цен;
• разработать архитектуру информационной системы, определить структуру информационных потоков и технологический стек для реализации;
• реализовать программную систему, включающую модули сбора и обработки данных, прогнозирования на основе алгоритма Prophet, оценки качества моделей и пользовательского интерфейса.

Объектом исследования выступают процессы ценообразования на рынке электроники и методы их прогнозирования средствами информационных систем.

Предметом исследования является архитектура и программная реализация системы прогнозирования цен на электронику с применением алгоритмов машинного обучения и современных веб-технологий.

Теоретическая база исследования включает концепции проектирования информационных систем, теорию временных рядов, методы машинного обучения и статистического анализа. В работе применяются модели авторегрессии и скользящего среднего (ARIMA), экспоненциального сглаживания (Holt-Winters), ансамблевые методы (XGBoost), рекуррентные нейронные сети (LSTM) и аддитивные модели регрессии (Facebook Prophet) [8, c. 112]. Методы исследования включают сравнительный анализ алгоритмов, численное моделирование, экспериментальную оценку качества прогнозов с использованием метрик MAE, RMSE, MAPE, R² и Direction Accuracy. Материалы исследования представлены реальными данными о ценах на электронику, собранными через сервис Keepa для платформы Amazon. Программное обеспечение включает язык Python и библиотеки Pandas, NumPy для обработки данных, Prophet для прогнозирования, Streamlit и Plotly для разработки интерактивного веб-интерфейса.

Источниковая база исследования формируется из научных публикаций в области машинного обучения и анализа временных рядов, технической документации используемых библиотек и фреймворков, материалов научно-практических конференций по информационным системам, а также данных о ценах на электронику из открытых источников и специализированных API [23, c. 67].

Научная новизна исследования заключается в разработке интегрированного подхода к проектированию информационной системы прогнозирования цен, объединяющего современные методы машинного обучения с модульной архитектурой, обеспечивающей гибкость в выборе алгоритмов и источников данных. Предложенная архитектура системы позволяет не только получать прогнозы, но и оценивать их качество с использованием множественных метрик точности, что повышает практическую применимость решения.

Практическая значимость работы состоит в создании функционирующего прототипа программной системы, которая может применяться конечными потребителями для оптимизации решений о покупке, аналитиками для исследования рыночных трендов, а также ритейлерами для формирования ценовых стратегий. Разработанная система демонстрирует возможность эффективной интеграции алгоритма Facebook Prophet в контекст веб-приложения с интерактивной визуализацией результатов.

Структура выпускной квалификационной работы состоит из введения, трех глав, заключения и списка использованной литературы. Во введении обоснована

…