01 1884—2026 / Data + ML
TRAIN past dates → TEST future dates
В архиве 52 063 дневных наблюдения. Локальный режим работает без сети. Гибридный режим объединяет 12 погодных систем и проходит отдельный временной аудит.
Calendar forecast / 12 API models
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
Прогнозы API задают базовый уровень. Локальная история добавляет контекст, а ridge-модель корректирует оставшуюся ошибку. Последний аудит 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.
Офлайн-режим: прогнозирует день после последней даты в датасете.
Live-режим: прогнозирует календарное завтра и имеет локальный резервный сценарий.
data.pypandas читает архив, заполняет пропуски ветра и строит лаги, скользящие средние и сезонные гармоники.
52 063 → 51 651preprocessing.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.
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: 2026-07-17
05Forecast date: 2026-07-18
06Last temp avg: 18.5
07Predicted next temp avg: 18.5
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.