AI-система прогнозування пасажиропотоку для транспорту

Уявіть: диспетчер метро бачить на дашборді, що через годину на станції «Спортивна» очікується потік +85% до норми через концерт. Він встигає за 45 хвилин перекинути додатковий состав і посилити персонал. Це реальність з нашою AI-системою прогнозування пасажиропотоку. Ми розробили та впровадили подібні рішення для автобусних парків, метрополітенів та ж/д операторів. Точність прогнозу безпосередньо впливає на операційні витрати: зниження простоїв, оптимальний розклад, скорочення overtime. Наші моделі досягають MAPE 8-12% для 1-годинного горизонту — у 2-3 рази точніше за класичні статистичні методи. При цьому ми враховуємо сезонність, погоду, міські події та топологію мережі. Наприклад, на одній зі станцій вдалося знизити overtime на 30%, що призвело до економії близько 2 млн рублів на рік. Система окупається в середньому за 6 місяців, приносячи чисту економію від 1,5 млн рублів на рік.

Основні задачі прогнозування

• Оптимізація інтервалів руху: при очікуваному піку система рекомендує скоротити інтервал з 3 до 1.5 хвилин.
• Планування персоналу: прогноз потоку на станціях дозволяє розрахувати кількість касирів і контролерів на зміну.
• Запобігання перевантаженням: раннє попередження за 60-90 хвилин до аномалії.

Як ми будуємо моделі?

Використовуємо комбінацію градієнтного бустингу (LightGBM) та графових нейромереж (GNN) для метро. Для автобусів та ж/д часто достатньо LightGBM з багатим feature engineering.

# LightGBM з багатим feature set
features = {
    # Лаги
    'passengers_lag_15min': passengers_t_minus_1,
    'passengers_lag_1h': passengers_t_minus_4,
    'passengers_same_time_yesterday': passengers_same_period_yesterday,
    'passengers_same_time_last_week': passengers_same_period_week_ago,

    # Час
    'hour': hour,
    'minute': minute,
    'day_of_week': dow,
    'is_holiday': holiday_flag,
    'month': month,

    # Зовнішні
    'weather_rain': rain_intensity,
    'temperature_c': temperature,
    'stadium_event_distance_time': event_proximity_score,

    # Станція/маршрут
    'station_type': encode(terminal_transfer_intermediate),
    'line_id': line_embedding
}

Чому графові нейромережі ефективні для метро?

У метро потік на станції сильно залежить від сусідніх — пасажири пересідають, закриття однієї гілки перерозподіляє навантаження. GNN моделює цю залежність явно, що дає виграш у точності 2-3% MAPE на пікових годинах. LightGBM обробляє дані в 10 разів швидше за GNN при навчанні, але GNN стабільно перемагає на задачах з явною мережевою структурою. Сертифіковані інженери з досвідом понад 5 років налаштовують гіперпараметри під кожен проект.

Порівняйте точність різних підходів на одному датасеті:

Що дає врахування подій?

Без event-awareness прогноз на концертний день відхиляється на 30-50%. Ми додаємо known future covariates: для планових подій — прапорець і тривалість, для аномальних — автоматичне детектування за z-score. Це знижує помилку в годину пік до 12%. Завдяки AI-системі прогнозування пасажиропотоку ми досягаємо стабільно високої точності навіть у нестандартних ситуаціях. Наша AI-система прогнозування пасажиропотоку включає модуль event detection на основі LightGBM та GNN.

Типові помилки при впровадженні

• Ігнорування подій: без календаря заходів прогноз на піку помиляється на 30-50%.
• Відсутність лагів: потік сильно корелює з попередніми інтервалами.
• Занадто складна модель для малого обсягу даних: GNN потребує >6 місяців історії.

Зміст робіт

• Аудит даних: аналіз джерел AFC, CCTV, IoT та побудова пайплайну ETL.
• Розробка baseline: LightGBM за 2 тижні з MAPE 10-14%.
• Ускладнення моделі: при необхідності GNN або TFT, навчання на GPU-кластері.
• Інтеграція: дашборд ЦУП з heatmap, API прогнозів, алерти при перевищенні порогу.
• Тестування: A/B-тест на станції, порівняння з поточними методами.
• Документація та навчання: перелік ознак, інструкція з використання, передача моделі.
• Підтримка: моніторинг дрейфу даних, перенавчання раз на місяць.

Етапи впровадження: від ETL до дашборда

1. Аудит і ETL: аналіз джерел (AFC, CCTV, IoT) та побудова пайплайну обробки.
2. Baseline-модель: LightGBM за 2 тижні, точність MAPE 10-14%.
3. Ускладнення: при необхідності GNN або TFT, навчання на GPU-кластері.
4. Інтеграція: дашборд ЦУП з heatmap, API прогнозів, алерти при перевищенні порогу.
5. Тестування: A/B-тест на станції, порівняння з поточними методами.
6. Деплой і підтримка: моніторинг дрейфу даних, перенавчання раз на місяць.

Терміни орієнтовно

• Пілот на одній станції/маршруті — 3-4 тижні.
• Система для мережі з GNN та дашбордом — 4-5 місяців.
• Вартість розраховується індивідуально. Замовте пілотний проект на одній станції, щоб оцінити ефект. Отримайте консультацію: ми допоможемо підібрати оптимальне рішення для вашого транспорту.

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.