README.md

metadata

title: TimeSeriesHomework - Анализ и прогнозирование временных рядов
emoji: 📊
colorFrom: blue
colorTo: purple
sdk: streamlit
app_port: 8501
tags:
  - streamlit
  - timeseries
  - forecasting
  - machine-learning
pinned: false
short_description: Веб-приложение для анализа и прогнозирования временных рядов

📊 Анализ и прогнозирование временных рядов

Веб-приложение на Streamlit для выполнения двух лабораторных работ по анализу временных рядов.

🚀 Быстрый старт

pip install -r requirements.txt
streamlit run src/streamlit_app.py

Откройте браузер: http://localhost:8501

📚 Документация

• БЫСТРЫЙ_СТАРТ.md - Краткая шпаргалка для быстрого начала работы
• РУКОВОДСТВО.md - Подробное руководство по использованию программы
• СТРУКТУРА_КОДА.md - Описание структуры кода проекта

🧪 Лабораторные работы

ЛР №1: Введение в анализ временных рядов

• Сбор и предобработка данных
• Описательная статистика и визуализация
• Проверка стационарности
• Создание лагов и скользящих статистик
• Анализ автокорреляции (ACF/PACF)
• Декомпозиция временного ряда
• Генерация HTML-отчёта

ЛР №2: Прогнозирование временных рядов

• Углублённая декомпозиция
• Расширенный feature engineering
• Стратегии многопшагового прогнозирования
• Кросс-валидация для временных рядов
• Преобразования к стационарности (Box-Cox, дифференцирование)
• Модели экспоненциального сглаживания (SES, Holt)
• Диагностика остатков моделей
• Сравнительный анализ моделей

📁 Структура проекта

TimeSeriesHomework/
├── src/
│   ├── streamlit_app.py      # Главное веб-приложение
│   ├── lab2_functions.py     # Функции для ЛР №2
│   └── russia_covid_dataset.csv # Пример данных
├── requirements.txt          # Зависимости Python
├── РУКОВОДСТВО.md           # Подробное руководство
├── БЫСТРЫЙ_СТАРТ.md         # Краткая шпаргалка
└── СТРУКТУРА_КОДА.md        # Структура кода

🛠️ Технологии

• Streamlit - веб-интерфейс
• Pandas - работа с данными
• NumPy - численные вычисления
• Plotly - интерактивные графики
• Statsmodels - статистические модели
• Scipy - научные вычисления
• Scikit-learn - машинное обучение

📖 Использование

1. Запустите приложение (см. Быстрый старт)
2. Выберите лабораторную работу в боковой панели
3. Следуйте инструкциям в интерфейсе
4. Изучите документацию для подробного понимания

💡 Советы

• Начните с БЫСТРЫЙ_СТАРТ.md для быстрого начала
• Используйте РУКОВОДСТВО.md для подробного понимания
• Смотрите СТРУКТУРА_КОДА.md для понимания кода

📝 Лицензия

Проект создан для учебных целей.

---

Вопросы? См. документацию в файлах РУКОВОДСТВО.md и БЫСТРЫЙ_СТАРТ.md