Details

Работа посвящена созданию версии (MVP) интеллектуальной системы управления проектами, способной автоматически предсказывать сроки их завершения с вероятностной оценкой. В рамках исследования были проанализированы существующие методы планирования (диаграммы Ганта, эмпирические оценки, BI-системы) и современные сервисы (Jira, Asana, Trello), выявлены их ограничения: отсутствие учёта фактического хода выполнения задач, автоматического обновления сроков и вероятностных прогнозов. Была спроектирована микросервисная архитектура веб-приложения с REST и gRPC интерфейсами. Разработаны backend (на Java Spring), frontend (на React), база данных (PostgreSQL) и сервис статистики, использующий обученную модель машинного обучения. Модель построена на модифицированной архитектуре Temporal Fusion Transformer и предсказывает два параметра: ожидаемый срок завершения проекта и степень уверенности в этом предсказании (через параметры нормального распределения). Для доказательства концепции реализован генератор синтетических данных и проведено обучение модели. Достигнуты метрики MAE ~2.5 дня и R² > 0.98, что подтверждает корректность выбранного подхода. Также были разработаны и протестированы основные модули приложения. Результаты демонстрируют применимость модели для интеллектуального планирования сроков проектов в реальных условиях.

This thesis presents the design and implementation of a minimum viable product (MVP) of a project management system that integrates machine learning models to automatically predict project completion dates with confidence estimation. The research begins with an overview of existing scheduling methods (Gantt charts, expert estimates, BI tools) and popular project tracking platforms (Jira, Asana, Trello), highlighting their common drawbacks: lack of actual task progress tracking, no dynamic deadline updates, and absence of probabilistic forecasting. A microservice web application architecture was developed, including backend services (Java Spring), frontend (React), database (PostgreSQL), and a dedicated statistics service using a custom-trained machine learning model. The model is based on a modified Temporal Fusion Transformer architecture and outputs two parameters: expected completion time and model confidence (via normal distribution parameters). A synthetic data generator was implemented to simulate project histories for training. The model achieved strong performance with MAE ~2.5 days and R² > 0.98, confirming the viability of the proposed approach. The systems key modules were also tested and validated. The results demonstrate that the developed solution is effective for predictive time planning in dynamic project environments.