01 1884—2026 / Data + ML
TRAIN past dates → TEST future dates
52 062 дневных наблюдения. Local-модель работает без сети, hybrid объединяет 12 погодных систем и проверяется на отдельном временном отрезке.
Next-day mean temperature
daily records in the active archive
локальные модели в текущем сравнении
latest days reserved for final evaluation
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 Local evaluation / MAE
The first 80% form train, the next 10% form validation, and the latest 10% remain untouched for test. No shuffling.
Validation and test always come after train. Future values never enter training.
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 Coefficients / advanced model
The chart shows the largest coefficients from the current run. This is not a feature ranking: inputs use different units.
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 Latest local forecast
main.py selected the model by test MAE and wrote the forecast to forecast.txt.
The live hybrid forecast above is calculated separately.
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 Beta / next release
The next milestone is to save metrics and forecasts automatically, run after run.
Data → features → training → test → forecast.
Metrics, charts, coefficients and architecture on one page.
12 forecasts, local analogues, adaptive baseline and residual ridge.
Store local and hybrid metrics in a machine-readable format.
Match every forecast with the observation and track error over time.
Check the pipeline automatically and avoid downloading the same archive twice.