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.