01 1884—2026 / Data + ML

Прогноз на завтра.

TRAIN past dates TEST future dates

В архиве 52 063 дневных наблюдения. Проект работает без сети, обучает собственную модель и сравнивает её с понятным baseline на последних 10% временного ряда.

Сравнить модели↘ Открыть pipelineL2

ПРОВЕРЯЕМ СВЕЖЕСТЬ

Дата архива и локального прогноза появятся после загрузки.

Период данных: 1884 — 2026
Train / valid / test: 80 / 10 / 10
Режим прогноза: Local ML

forecast.out

18.07.2026

Local artifact / offline pipeline

18.50^°C

⚠ artifact is older than the active data archive

03 JULOBSERVED → LOCAL18 JUL

Run detailsVERIFIED

01data prepared51 653 days

02models checked2 / 2

03best selectedYesterday

04artifact saved18.50°C

01 / OBSERVATIONS 52 063

daily records in the active archive

02 / МОДЕЛИ 2

локальные модели в текущем сравнении

03 / TEST WINDOW 5 166

latest days reserved for final evaluation

04 / FEATURES 14

признаков использует advanced-модель

02 Архив / 1884—2026

52 063 дня.
Без разрыва во времени.

Последние 46 дней рабочего CSV: средняя температура, min/max и осадки. Диапазон можно менять, каждую точку — открыть.

weather_1884_2026.csv Последний наблюдаемый период

ST. PETERSBURG / LONG VIEW

Средняя температура по десятилетиям

Среднее по годам минимум с 300 наблюдениями · 1884–2025

6.42°C

SELECT DECADE Δ +2.17°C · 1890s → 2010s

SEASONAL RANGE / DAILY MEAN

Температурный диапазон по месяцам

2010s против всего архива · дневная температура

+18.30°C

SELECT MONTH AMPLITUDE 25.32°C

Выберите десятилетие слева — линия и диапазон справа перестроятся.

Что такое P10–P90?

Это центральные 80% дневных температур выбранного месяца. По 10% самых холодных и самых тёплых дней остаются за пределами диапазона.

COLDEST RECORD −35.6°C

17 января 1940

WARMEST RECORD +37.1°C

7 августа 2010

ARCHIVE CONTRAST 72.7°C

между абсолютными min и max

TECHNICAL DETAILS Климат архива и словарь из 21 признака

СЛОВАРЬ ПРИЗНАКОВ / 21

Поля, которые уже создает data.py

datetemp_avgtemp_mintemp_max wind_speedwind_speed_deviationprevious_temp_avg previous_temp_minprevious_temp_maxprevious_wind_speed previous_wind_speed_deviationtwo_days_ago_temp_avg three_day_temp_avgseven_day_temp_avgtemp_change season_sinseason_cosseason_sin_2 season_cos_2season_sin_3season_cos_3

КЛИМАТ ПО МЕСЯЦАМ Средняя температура · весь архив

52 063 ДНЕВНЫХ НАБЛЮДЕНИЯ

03 Local evaluation / MAE

Две модели.
Три временных окна.

Первые 80% образуют train, следующие 10% — validation, последние 10% остаются нетронутыми для test. Без перемешивания.

MODEL COMPARISONMAE · focused scale 1.80—2.10°C

TRAINING DETAILS Epoch budget and chronological split

ADVANCED MODELEpochs used / limit

TIME SPLITChronological / no shuffle

TRAIN · 80%41 3201884-01-08 → 1998-04-04

VALID · 10%5 1651998-04-05 → 2012-05-25

TEST · 10%5 1662012-05-26 → 2026-07-17

Validation and test always come after train. Future values never enter training.

L1 Coefficients / advanced model

14 коэффициентов.
Шесть главных сигналов.

График показывает крупнейшие коэффициенты текущего запуска. Это не рейтинг признаков: входные данные измеряются в разных единицах.

OPEN COEFFICIENT MAP Interactive chart and signal notes

ADVANCED WEATHER GRADIENT14 features · current run

bias +0.058

season_cos

The largest coefficient in this run describes the day position within the annual cycle.

L2 Архитектура / local ML

Один pipeline.
Два кандидата.

Обе модели получают один временной split, сравниваются по MAE, а победитель прогнозирует следующий день после последней записи.

МОДЕЛЬ / 01YESTERDAY

последняя температура→baseline→test MAE

Простой ориентир: завтра будет так же, как в последний известный день.

МОДЕЛЬ / 02ADVANCED GRADIENT

14 признаков→NumPy→gradient descent→test MAE

Обучаемая модель использует лаги, rolling mean, ветер и сезонность.

PIPELINE DETAILS Seven stages from data to result

01data.py

Загрузить и собрать признаки

pandas читает архив, заполняет пропуски ветра и строит лаги, скользящие средние и сезонные гармоники.

52 063 → 51 651

02preprocessing.py

Хронологический split

Данные делятся по времени: 80% train, 10% validation, 10% test.

без shuffle

03training.py

Один контур оценки

Baseline и advanced-модель оцениваются одной метрикой на одинаковых датах.

2 кандидата

04gradient_model.py

Advanced-градиенты

Модель с 14 признаками использует NumPy, собственный цикл MSE и градиентный спуск.

100 000 эпох

05evaluation.py

Сравнить модели

Обе модели приводятся к одному формату и сравниваются по test MAE.

lower is better

06forecasting.py

Собрать следующий день

Признаки будущей даты строятся только из последней известной истории.

без future data

07reporting.py

Сохранить проверяемый результат

Выбранная модель и прогноз записываются в forecast.txt.

1 артефакт

L3 Latest local forecast

Результат в файле.
Без скрытого состояния.

main.py выбрал модель по test MAE и записал прогноз в forecast.txt. Файл остаётся простым и проверяемым результатом локального запуска.

CURRENT WITH THE DATA ARCHIVE

Latest observation: 17 Jul 2026 / 18.5°C
Forecast: 18 Jul 2026 / 18.5°C
Selected model: Yesterday
Test MAE: 1.83°C / 5 166 days

●●●forecast.txtsaved / current

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█

04 Как проверяется результат

Сначала проверка.
Потом выводы.

Метрики на сайте получены из текущего кода и разделенных по времени данных.

Без утечки из будущего

Лаги и rolling mean используют только прошлые дни через shift(1).

Время не перемешивается

Train, validation и test идут строго друг за другом.

Одна метрика

MAE показывает среднюю абсолютную ошибку в градусах для обеих local-моделей.

Одинаковые условия

Yesterday и advanced-модель сравниваются на одном и том же test-периоде.

FORMULAS MAE and MSE

ВЫБОР МОДЕЛИ

MAE = \frac{1}{n} \sum_{i = 1}^{n} | ŷ_{i} - y_{i} |

Средняя абсолютная ошибка прогноза в градусах

ГРАДИЕНТНОЕ ОБУЧЕНИЕ

MSE = \frac{1}{n} \sum_{i = 1}^{n} {(ŷ_{i} - y_{i})}^{2}

Функция потерь для градиентного обучения

05 Beta / next release

Рабочая beta.
Дальше — точнее и надёжнее.

Следующие шаги относятся только к локальному pipeline: тесты, корректная validation-остановка и автоматический запуск.

02 shipped03 next NOW BUILDING: VALIDATION-DRIVEN TRAINING

OPEN ROADMAP Shipped and planned work

DONE01

Local pipeline

Data → features → training → test → forecast.

DONE02

Project interface

Metrics, charts, coefficients and architecture on one page.

NEXT03

Validation stopping

Сохранять лучшие веса по validation MAE, а не по train loss.

NEXT04

Automated tests

Проверять split, признаки, прогноз и формат артефакта перед запуском.

NEXT05

Scheduled run

Обновлять локальный прогноз и сайт по расписанию.