---
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

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

Откройте браузер: `http://localhost:8501`

## 📚 Документация

- **[БЫСТРЫЙ_СТАРТ.md](БЫСТРЫЙ_СТАРТ.md)** - Краткая шпаргалка для быстрого начала работы
- **[РУКОВОДСТВО.md](РУКОВОДСТВО.md)** - Подробное руководство по использованию программы
- **[СТРУКТУРА_КОДА.md](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`