DeLornk/larek

larek

Репозиторий с кодом для ВКР "Адаптивное управление ассортиментом и запасами автономной торговой точки" (Митяй Герман Витальевич)

Пример работы

Необходимые данные для работы

• Ссылка на скачивание данных для обучения, а также результатов: .csv файлов для вывода в Streamlit. Вес более 2.5 ГБ
• Ссылка на скачивание историй оптимизиации моделей, а также на обученные модели с лучшими найденными параметрами. Вес более 0.3 ГБ

Для корректной работы необходимо скаченные папки optimized_models и data разместить в папке с кодом.

Необходимые библиотеки расположены в requirements.txt. Оптимизация, обучение и запуск сервиса производились на Python 3.10.10.

Устройство репозитория

├── data - содержит необходимые данные и результаты работы
├── optimized_models - содержит предобученные модели и истории оптимизации
├── tools
│   ├── tools_forecasting.py - вспомогательные классы и функции для прогнозирования
│   └── tools_recommendation.py - вспомогательные классы и функции для прогнозирования
├── create_forecast.py - генерируем прогноз
├── create_recommendations.py - генерируем рекомендации
├── main.py - запуск сервиса
├── optimization_forcasting.ipynb - оптимизация и сравнение моделей прогнозирования
└── optimization_recommendations.ipynb - оптимизация, обучение моделей рекомендаций и сравнение

Схема запуска сервиса

• В случае предварительной загрузки результатов - только запускаем из консоли main.py с помощью команды streamlit run main.py
• Иначе
  • Оптимизируем и обучаем модели в ноутбуках optimization_forcasting.ipynb, optimization_recommendations.ipynb, сохраняя модели в ./optimization_models/
  • Генерируем прогноз и рекомендации create_forecast.py, create_recommendations.py, сохраняя результаты в ./data/results/
  • Запускаем из консоли main.py с помощью команды streamlit run main.py