Детальная информация

Данная работа посвящена разработке программного комплекса, который анализирует данные социально-гигиенического мониторинга качества питьевой воды, оценивает их пригодность к моделированию и строит интерпретируемые прогнозные модели одних показателей качества воды по другим показателям того же среза. В ходе работы проведён анализ предметной области и существующих решений, сформированы требования и обоснован выбор методов, спроектированы и реализованы модули импорта, нормализации, аналитической обработки, моделирования и представления результатов, проведено тестирование. Комплекс реализован на языке Python (pandas, scipy, scikit-learn и др.); его методическую новизну составляют обязательная оценка пригодности данных до обучения модели и честное сравнение моделей машинного обучения с базовыми по комбинированной оценке. В результате разработан программный комплекс как инструмент поддержки принятия решений для специалистов органов Роспотребнадзора и ресурсоснабжающих организаций. Корректность реализации подтверждена тестовым контуром, а проверка на реальных данных мониторинга подтвердила гипотезу работы, продемонстрировав осмысленное поведение комплекса от блокировки обучения на непригодных данных до построения надёжной модели.

The given work is devoted to the development of a software system that analyses social and hygienic monitoring data on drinking water quality, assesses its readiness for modelling and builds interpretable predictive models of some water quality indicators from other indicators of the same data slice. The work includes an analysis of the subject area and existing solutions, the formulation of requirements and substantiation of the chosen methods, the design and implementation of the modules for import, normalisation, analytical processing, modelling and presentation of results, and testing. The system is implemented in Python (pandas, scipy, scikit-learn, etc.); its methodological novelty lies in the mandatory assessment of data readiness before model training and the fair comparison of machine learning models with baseline models by a combined score. As a result, a software system has been developed as a decision support tool for specialists of Rospotrebnadzor bodies. The correctness of the implementation was confirmed by a test suite, and validation on real monitoring data confirmed the hypothesis of the work, demonstrating the meaningful behaviour of the system from blocking training on unsuitable data to building a reliable model.