01 1884—2026 / Python + ML
TRAIN прошлые даты → TEST будущие даты
52 062 дневных наблюдения. Local-модель работает без сети, hybrid объединяет 12 погодных систем и проверяется на отдельном временном отрезке.
Средняя температура на следующий день
дневных записей в активном архиве
локальные модели в текущем сравнении
последних дней оставлены только для test
численных погодных систем в hybrid-режиме
02 Архив / 1884—2026
Последние 46 дней рабочего CSV: средняя температура, min/max и осадки. Диапазон можно менять, каждую точку — открыть.
Поля, которые уже создает data.py
03 Локальная оценка / MAE
Первые 80% идут в train, следующие 10% — в validation, последние 10% остаются для test. Перемешивания нет.
Validation и test всегда находятся позже train. Будущие значения не используются при обучении.
04 Hybrid / live API
API-модели задают baseline. Локальная история дает контекст, а ridge-модель учит только оставшуюся ошибку. Recent audit в настройке не участвует.
Эмпирический интервал 80%19.93 — 21.57°C
Исторические ответы API сопоставляются с фактической температурой станции.
Residual-модель видит только раннюю часть API-архива.
На этом отрезке выбираются alpha и сила residual-коррекции.
Финальная оценка качества. Ее данные не меняют параметры.
05 Коэффициенты / advanced-модель
Показаны самые крупные коэффициенты текущего запуска. Это не рейтинг важности: признаки измеряются в разных единицах.
06 Архитектура / два режима
Local работает без сети и сохраняет результат в файл. Hybrid использует live API и прогнозирует календарное завтра.
data.pypandas читает архив, заполняет пропуски ветра и строит лаги, скользящие средние и сезонные гармоники.
52 062 → 51 650preprocessing.pyДанные делятся по времени: 80% train, 10% validation, 10% test.
без shuffletraining.pyBaseline и advanced-модель оцениваются одной метрикой на одинаковых датах.
2 кандидатаgradient_model.pyМодель с 14 признаками использует NumPy, собственный цикл MSE и градиентный спуск.
100 000 эпохapi_weather_model.pyПрогнозы 12 систем корректируются по смещению и взвешиваются по свежей MAE.
12 источниковapi_weather_model.pyИсторические аналоги и 66 признаков помогают ridge-модели оценить остаточную ошибку.
ridge MLreporting.pyLocal пишет forecast.txt; hybrid выводит live-прогноз, интервал и backtest.
Офлайн-режим: прогнозирует день после последней даты в датасете.
Live-режим: прогнозирует календарное завтра и имеет локальный резервный сценарий.
07 Последний local-прогноз
main.py выбрал модель по test MAE и записал прогноз в forecast.txt.
Live hybrid выше считается отдельно.
01Next day forecast
02-----------------
03Model: Yesterday
04Last known date: 2026-07-16 00:00:00
05Forecast date: 2026-07-17
06Last temp avg: 21.8
07Predicted next temp avg: 21.8
08 Как проверяется результат
Метрики на сайте получены из текущего кода и разделенных по времени данных.
Лаги и rolling mean используют только прошлые дни через shift(1).
Train, validation и test идут строго друг за другом.
MAE показывает среднюю абсолютную ошибку в градусах для обеих local-моделей.
Hybrid-параметры выбираются на validation; recent audit только измеряет итог.
Средняя абсолютная ошибка прогноза в градусах
Функция потерь для градиентного обучения
Ridge-модель учит остаток после адаптивного API baseline
09 Бета / следующая версия
Главная задача следующего этапа — сохранять метрики и прогнозы автоматически, запуск за запуском.
Данные → признаки → обучение → test → прогноз.
Метрики, графики, коэффициенты и архитектура на одной странице.
12 прогнозов, локальные аналоги, adaptive baseline и residual ridge.
Сохранять local- и hybrid-метрики в машиночитаемом виде.
Сопоставлять каждый прогноз с фактом и видеть ошибку во времени.
Проверять pipeline автоматически и не запрашивать один архив повторно.