Details

Задачи, которые решались в ходе выполнения работы: 1) Исследование предметной области и формализация задачи автоматизированного назначения приоритетов задачам. 2) Анализ и предварительная обработка набора исторических данных из существующей информационной системы управления работами. 3) Исследование различных алгоритмов машинного обучения и классических методов оптимизации. 4) Разработка модели прогнозирования приоритетов задач на основе исторических данных. 5) Реализация веб‑сервиса на базе фреймворка Django для применения модели прогнозирования. Работа была выполнена на базе ПАО «Россети Северо-Запад» и исторических данных, полученных из внутренней информационной системы управления работами (ИСУР). В результате выполнения работы сформирован датасет из 42 155 записей с охватом периода 2022–2026 гг. Реализованы и сопоставлены семь предиктивных моделей. Для регрессионного подхода реализованы три метода оптимизации, все сходятся к решению с точностью 75%. Среди классификационных моделей наилучший результат показал случайный лес: точность 95,5%, Risk Score 1 232. На базе Django REST Framework разработан микросервис предсказания приоритета с токен-аутентификацией, работоспособность которого подтверждена десятью автоматизированными тестами.

The following tasks were addressed in the course of the work: 1) Investigation of the subject domain and formalization of the automated priority assignment problem. 2) Analysis and preprocessing of historical data from the existing work order management information system. 3) Study of classification and optimization methods applicable to the priority assignment problem. 4) Development of a predictive model for task priority estimation based on historical data. 5) Implementation of a web service based on the Django framework for applying the predictive model. The work was carried out on the basis of Rosseti Severo-Zapad PJSC using historical data obtained from the internal work order management information system. As a result, a dataset of 42 155 records covering the period 2022–2026 was collected. Seven predictive models were implemented and compared. For the regression approach, three optimization methods were implemented; all converge to the same solution with an accuracy of 75%. Among the classification models, Random Forest achieved the best result: accuracy 95.5%, Risk Score 1 232. A priority prediction microservice with token authentication was developed using Django REST Framework, its functionality was verified by ten automated tests.