AI-прогнозування IoT-даних: від передобробки до edge

AI-прогнозування IoT-даних

Ми часто бачимо одну й ту саму біль: датчики на виробництві шумлять, дані рвуться, а стандартна SARIMA дає помилку 30%, бо не враховує спрацювання сусіднього обладнання. Клієнт хоче передбачати поломку компресора за годину, але current модель або надто важка для edge, або не ловить аномалії. Під ключ ми будуємо систему, яка закриває ці проблеми. За більш ніж 5 років ми впровадили прогнозні пайплайни на 50+ промислових об'єктах, обробляючи понад 10 000 сенсорів у реальному часі.

Чому стандартні моделі не підходять для IoT-прогнозу?

IoT-часові ряди мають специфіку: частота дискретизації — секунди/хвилини, шум датчиків, викиди (5σ і вище), довгі пропуски при збоях каналу, дрейф. Univariate моделі ігнорують взаємозв'язки — температура в цеху залежить від погоди, завантаження верстата та відчинених воріт. Багатовимірність вимагає feature engineering: lag-фічі, rolling-статистики, часові мітки.

Проблеми якості даних — головна причина, чому 60% proof-of-concept провалюються. Оцінюємо:

def assess_data_quality(ts_df):
    issues = {}
    issues['missing_rate'] = ts_df.isna().mean()
    z_scores = (ts_df - ts_df.mean()) / ts_df.std()
    issues['outlier_rate'] = (np.abs(z_scores) > 5).mean()
    issues['stuck_periods'] = detect_constant_windows(ts_df, min_duration=10)
    long_trend = np.polyfit(range(len(ts_df)), ts_df.fillna(method='ffill'), 1)[0]
    issues['drift_per_day'] = long_trend * 86400 / ts_df.index.freq.nanos * 1e9
    return issues

Як ми будуємо пайплайн передобробки?

1. Інтерполяція коротких пропусків (<5 хв) — лінійна за часом.
2. Forward fill довгих пропусків з флагом imputation (модель вчиться ігнорувати фіктивні значення).
3. Адаптивна нормалізація: ковзне вікно 24 години компенсує дрейф і сезонність.
4. Синтез ознак: lags [1, 5, 15, 60, 1440], rolling mean/std 5/15/60 хв, година/день/день_тижня.

LightGBM з такими фічами дає точність на 15-20% вище SARIMA на регулярних рядах і в 2 рази вище на шумних.

Вибір моделі залежно від ряду

*MAPE при горизонті прогнозу 12 кроків (хвилин).

Які типові проблеми вирішує передобробка?

Як розгорнути модель на edge?

Edge-пристрої — ARM Cortex-A, 256 КБ RAM. Рішення:

1. Навчаємо модель (PyTorch).
2. Експортуємо в ONNX.
3. Квантизуємо INT8 (зменшення розміру 4x, швидкість 2x).
4. На пристрої — ONNX Runtime.

import onnxruntime as ort
torch.onnx.export(model, dummy_input, 'forecaster_edge.onnx', opset_version=11)
from onnxruntime.quantization import quantize_dynamic
quantize_dynamic('forecaster_edge.onnx', 'forecaster_edge_quant.onnx')
session = ort.InferenceSession('forecaster_edge_quant.onnx')
forecast = session.run(None, {'input': recent_data})[0]

Edge-прогноз рятує трафік: відправляємо в хмару тільки аномалії — економія 80-95%. Це особливо критично для віддалених об'єктів з лімітованим каналом. Замовте пілотний проєкт на 1 тиждень, щоб перевірити ефект на ваших даних.

Що ми робимо для 10 000+ датчиків?

• Hierarchical forecasting: групуємо за типом, локацією, системою → top-down reconciliation покращує стійкість.
• AutoML: StatsForecast паралельно підбирає SARIMA/ETS для тисяч рядів за хвилини.
• Online anomaly detection: ковзний z-score + residual-based (прогноз-факт).

Кейс з практики: для мережі насосних станцій ми впровадили ієрархічний LightGBM, який на 30% знизив false positive anomaly alerts порівняно з унітарними моделями.

Як виглядає процес роботи?

1. Аналітика: аудит джерел (MQTT/Kafka), оцінка якості, підбір моделі.
2. Проектування: архітектура пайплайну, схема даних, вибір стеку (MLflow, Weights & Biases).
3. Реалізація: пайплайн передобробки → baseline LightGBM → ітерації (LSTM, edge).
4. Тестування: A/B на історичних даних, p99 latency, reliability.
5. Деплой: Docker + Kubernetes (хмара) або ONNX (edge) + Grafana дашборд.

Що входить в результат

• Пайплайн збору та передобробки (Python, Kafka, MQTT).
• Навчена модель (онлайн + batch).
• Grafana-дашборд з прогнозом та alerting.
• Код edge-інференсу (ONNX / C++).
• Документація (архітектура, API, інструкції).
• Навчання операторів (2-3 години).

Строки

• 4-5 тижнів: ingestion + передобробка + LightGBM baseline + дашборд.
• 3-4 місяці: повний цикл з LSTM, edge ONNX, streaming anomaly detection, AutoML для fleet.

Оцінюємо проєкт безкоштовно: пишіть — покажемо, як підійти до вашого кейсу. Зв'яжіться з нами, щоб обговорити ваш сценарій використання. Отримайте консультацію з вибору моделі. Сертифікація ISO 27001, понад 5 років досвіду — гарантуємо якість.

Додаткові матеріали: Вікіпедія: Прогнозування часових рядів.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.