Разработка AI-системы для экологического мониторинга под ключ

Разработка AI-системы для экологического мониторинга под ключ

Мы сталкивались с ситуациями, когда промышленные предприятия не укладывались в нормативы ПДК, а существующая система мониторинга давала данные с запозданием на сутки. Это не позволяло оперативно реагировать на превышения. AI-система экологического мониторинга решает эту проблему: интегрирует данные стационарных постов, спутников и low-cost сенсоров в реальном времени, прогнозирует загрязнения на 72 часа вперёд и автоматически отправляет алерты при превышении порогов.

Ключевой принцип — снижение времени реакции с суток до 15 минут. Это достигается за счёт комбинации IoT-сетей, предиктивных моделей и интеграции с государственными информационными системами (ФГИС «Промышленность», АИС «Промышленная экология»). Наш опыт: 5+ лет в AI-мониторинге, более 20 внедрений на промышленных предприятиях.

Почему AI-система экологического мониторинга эффективнее классических постов?

Традиционные посты Росгидромета дают точные, но редкие замеры (раз в 20 минут или реже). Ручной отбор проб добавляет задержку в часы. AI-решение объединяет разнородные источники:

• Стационарные посты (высокая точность, низкая плотность)
• Low-cost сенсоры (низкая точность, высокая плотность) — калибруются по референсным станциям
• Спутниковые снимки (Sentinel-5P, MODIS) — глобальное покрытие каждые 1-2 дня

Мы используем гибридную архитектуру: данные сенсоров проходят калибровку через эталонные станции, затем пространственную интерполяцию (Kriging) и временное прогнозирование (LSTM). Результат — карта загрязнений с разрешением до 1 км и прогнозом на 3 суток.

Как мы строим инфраструктуру сбора данных?

Инфраструктура включает три уровня: полевые устройства, агрегация на сервере, облачная аналитика.

Low-cost сенсоры — основа плотной сети. Мы используем Plantower PMS7003 и Sensirion SPS30 для PM2.5/PM10, Alphasense NO2-BE для NO2. Типичная стоимость узла — $50-200, что в 100 раз дешевле профессиональной станции. Точность ниже, но при калибровке по методу (см. код ниже) погрешность снижается до 15-20%.

def calibrate_low_cost_sensor(low_cost_readings, reference_readings, method='linear'):
    """Калибровка LCS по ближайшей референсной станции"""
    if method == 'linear':
        model = LinearRegression().fit(low_cost_readings, reference_readings)
        return model  # применяем к будущим LCS данным
    elif method == 'rf':
        model = RandomForestRegressor().fit(low_cost_readings, reference_readings)
        return model

Спутниковые данные (Sentinel-5P, Landsat, MODIS) используются для глобального покрытия и детекции аномалий (пожары, выбросы).

Какие предиктивные модели используются?

Мы применяем два подхода: детерминированные модели рассеяния (Gaussian plume, AERMOD) и машинное обучение для временных рядов.

Прогноз качества воздуха — LSTM с 24-часовыми временными рядами PM2.5 со всех станций региона + метеопрогноз (NWP). Модель выдаёт прогноз на 24/48/72 часа для каждой точки сетки.

# LSTM + пространственная интерполяция
# State: 24-часовые временные ряды PM2.5 для всех станций в регионе
# + NWP метеопрогноз (ветер, температура, смешение атмосферы)
# Вывод: PM2.5 на следующие 24/48/72 часа для каждой сетки

model = StackedLSTM(
    input_size=n_stations * n_pollutants + n_meteo_vars,
    hidden_size=128,
    forecast_hours=72
)

Модели рассеяния загрязнений (Gaussian plume) — при известном источнике выброса рассчитывают зону загрязнения. Мы используем AERMOD (регуляторная модель US EPA) и российский аналог ОНД-90. ML-поправки увеличивают точность на 30% по сравнению с чисто детерминированными моделями.

Детекция источников — обратная задача: по распределению концентраций определить координаты источника. Используем оптимизацию и сверточные сети (encoder изображения поля концентраций → координаты).

Система оповещения и отчётность

Индексы качества воздуха: российский АКИ, WHO 2021 Guidelines, AQI США. Таблица сопоставления:

Автоматические алерты:

• Превышение ПДК → SMS населению + мобильное приложение
• Превышение НДВ → уведомление Росприроднадзор
• Аварийный сброс → МЧС + предприятие

Соответствие законодательству: 174-ФЗ, Постановление 205, Приказ Минприроды 522. Интеграция с ФГИС «Промышленность» и региональными ГИС.

Что входит в работу?

При заказе AI-системы экологического мониторинга мы предоставляем:

• Обследование территории и подбор оборудования
• Разработку архитектуры сбора и хранения данных
• Калибровку low-cost сенсоров и развёртывание сети
• Построение предиктивных моделей (LSTM, Gaussian plume)
• Интеграцию с государственными системами отчётности
• Дашборды и систему оповещения
• Документацию, обучение персонала, поддержка 1 месяц

Сроки: базовая система IoT-мониторинга + визуализация + прогноз AQI — 8-10 недель. Полноценная платформа с source attribution, regulatory reporting и оповещением — 5-6 месяцев. Стоимость рассчитывается индивидуально после аудита объекта. Гарантируем соответствие требованиям 174-ФЗ. Более 7 лет опыта в создании систем экологического мониторинга.

Оценим ваш проект за 1 день — просто свяжитесь с нами. Получите консультацию по внедрению AI-экологического мониторинга.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.