Задача разработки методов прогнозирования временных рядов (ВР) , представляющих собой упорядоченную во времени последовательность значений выбранных количественных показателей, характеризующих состояние изучаемой (технической, экологической, биологической, экономической и т.д.) системы, является актуальной. Действительно, качество принимаемых решений при управлении, например, техническими, социальными, экономическими и/или медицинскими системами напрямую зависит точности прогнозирования динамики системы, как в краткосрочной, но и в долгосрочной перспективе. Особую актуальность обсуждаемая задача приобрела в условиях борьбы с эпидемией короновируса и устранении ее последствий. На данный момент разработано большое число методов прогнозирования ВР, большинство из которых основаны на анализе количественных характеристик известных значений ВР (в терминах машинного обучения  обучающей выборке), выборе на основе результатов анализа некоторой, в известной мере формальной модели ВР (например, авторегрессионной модели ВР и ее модификация, весьма популярных сегодня в эконометрике, методов машинного обучения и т.д.), идентификации ее параметров и проверке точности построенной прогностической модели ВР на сравнении известных и спрогнозированных значений ВР, и использовании далее построенной модели для прогнозирования ВР. Однако примеров успешного прогнозирования динамики той или иной сложной системы существенно меньше количество известных сегодня методов прогнозирования ВР. (Например, в XXI в., как в прочем в XX в., не удалось предсказать ни одного из произошедших социально-экономических кризисов.) Априори, можно ожидать, что более точный прогноз можно будет получить при использовании математических моделей систем, породивших изучаемые и прогнозируемые ВР. Однако, оказывается, что любая математическая модель сложной системы в той или иной степени отличается от своего прототипа, поэтому точность долгосрочного прогнозирования в большинстве случае оказывается невысокой. Одна из причин возникновения данной ситуации обусловленном необходимостью корректировки математической модели системы в процессе прогнозирования ее состояния с учетом данных наблюдений динамики ее состояния. Одним из подходов, который, потенциально, может решить проблему точности прогнозирования динамики сложных систем является подход Data Assimilation (ассимиляция данных) , представляющий собой совокупность статистических методов, которые позволяющих корректировать данные о состоянии системы на основе данных о математической модели системы и данных, получаемых наблюдений. Таким образом, разработка комплексных методов прогнозирования ВР, основанных на интеграции формальных методов прогнозирования временных, математических моделей систем, их породивших, и Data Assimilation, в котором используются данные мониторинга состояния данных систем является актуальной. Результатом выполнения проекта станет научно-обоснованный метод прогнозирования ВР, в большинстве своем нестационарных, основанный на интеграции математических моделей систем, породивших данные ВР, формальных методов прогнозирования ВР и метода Data Assimilation.