Тема выпускной квалификационной работы «Прогнозирование численности аудитории блога». Объектом работы является численность аудитории блога. Предметом – численные методы прогнозирования этой численности. Целью настоящей работы является построение прогностической модели системы роста аудитории блога на основе известных практик построения моделей и инструментов системного анализа. Для достижения этой цели применяются методы сбора данных, концептуального моделирования, моделирования на языке системной динамики, агентного моделирования. Итоговая модель построена в системе гибридного моделирования AnyLogic на языке программирования Java. Были проведены отладочные и тестовые работы, в результате которых код программы оказался работоспособен на наборе тестовых данных. Можно сделать вывод о том, что построенная в рамках работы гибридная модель оказывается более точной, чем аналоги. При этом, отметим, что полученные результаты не вполне корректны, а потому модель нуждается в улучшениях для более точного прогнозирования. На данный момент точность прогнозов составляет около 70-80% в зависимости от горизонта планирования (чем больше, тем ниже точность) и особенностей системы. При этом модель оказывается более громоздкой и выполняется дольше аналогов, что тоже можно считать недостатком разработанной прогнозирующей программы.

The subject of the graduate qualification work is "Forecasting the number of the blog audience". The object of the work is the number of the blog's audience. The subject is numerical methods for predicting this numeracy. The purpose of this work is to build a predictive model of the blog audience growth system based on well-known practices of building models and system analysis tools. To achieve this goal, methods of data collection, conceptual modeling, modeling in the language of system dynamics, agent modeling are used. The final model is built in the AnyLogic hybrid modeling system in the Java programming language. Debugging and test work were carried out, as a result of which the program code turned out to be functional on a set of test data. It can be concluded that the hybrid model built within the framework of the work turns out to be more accurate than analogues. At the same time, we note that the results obtained are not completely correct, and therefore the model needs improvements for more accurate forecasting. At the moment, the accuracy of forecasts is about 70-80%, depending on the planning horizon (the more, the lower the accuracy) and the features of the system. At the same time, the model turns out to be more cumbersome and runs longer than analogues, which can also be considered a disadvantage of the developed predictive program.