Розробка AI-системи моніторингу водних ресурсів

Проблема: точність прогнозу паводків та ціна помилки

Ви відповідаєте за водосховище, що забезпечує водою цілий регіон. Одна злива — і рівень води піднімається на 2 метри за добу. ДСНС вимагає прогноз на 48 годин, але ручні розрахунки застарівають за годину. Традиційні гідрологічні моделі дають похибку до 30%, а це — ризик переповнення греблі, евакуації та багатомільйонні збитки. Ми розробили AI-систему, яка інтегрує дані сотень сенсорів, супутників Sentinel-2 та метеомоделей в єдину операційну картину. Результат: прогноз паводків з точністю 94% та автоматичні алерти за 6–12 годин до критичного рівня. За оцінками Світового банку, щорічні втрати від повеней перевищують $200 млрд. Зниження збитків на 40% завдяки early warning — реальний ROI для наших замовників. Замовте аудит вашої системи, щоб отримати індивідуальний розрахунок.

Які завдання вирішує AI-моніторинг?

Система охоплює три напрями:

• Кількісний моніторинг: рівень води, снігозапаси, витрата, ґрунтові води. Дані з гідропостів та супутників.
• Якісний моніторинг: pH, мутність, розчинений кисень, нітрати, фосфати, хлорофіл-а, важкі метали. Онлайн-датчики та періодичні проби.
• Екологічний моніторинг: зони забруднення, берегова ерозія, площа водної поверхні (супутники).

Чому LSTM? Які альтернативи?

Для прогнозування паводків використовуємо LSTM-мережу — вона враховує довгострокові залежності в часових рядах. Навчаємо модель на 5-річних історичних даних з 30 гідропостів. Крім опадів, модель бачить снігозапаси, вологість ґрунту та каскадні ефекти від вищестоящих станцій. Для розгалужених річкових мереж застосовуємо GNN, де гідропости — вузли, а річки — ребра. Сигнал поширюється по графу, захоплюючи всі притоки. Альтернативи — трансформери з часовими ембеддінгами, але для гідрології LSTM дає краще співвідношення latency p99 до точності.

features = {
    'precipitation_24h': sum(precip_last_24h),
    'precipitation_72h': sum(precip_last_72h),
    'water_level_current': current_gauge_reading,
    'water_level_lag_6h': gauge_reading_6h_ago,
    'water_level_lag_24h': gauge_reading_24h_ago,
    'snow_water_equivalent': upstream_snow_depth * density,
    'soil_moisture': soil_saturation_index,
    'temperature_24h_avg': temp_for_snowmelt,
    'upstream_stations': [level_station_a, level_station_b]  # cascading
}

Fine-tuning моделі кожні 3 місяці на нових даних дозволяє адаптуватися до зміни клімату. Використовуємо LoRA для швидкого донавчання без перенавчання всієї мережі.

Як AI виявляє забруднення?

Подвійний підхід: супутниковий та in-situ. Sentinel-2 з 13 спектральними смугами виявляє ціанобактерії (algal bloom) та нафтові плями через індекс FAI:

FAI = R_859 - R_645 - (R_1240 - R_645) * (859 - 645) / (1240 - 645)
# FAI > threshold → bloom detected

On-line аналізатори in-situ вимірюють хлорофіл-а, pH, температуру кожні 15 хвилин. Правило: якщо хлорофіл-а > 50 мкг/л або pH > 9.0 — алерт "ризик цвітіння". Просторові патерни стискаємо в embeddings через автоенкодер — це дозволяє виявляти аномалії, невидимі на окремих точках.

Архітектура IoT + AI: Data Gateway

Рівень збору даних:

Гідропости (Росгідромет) → SCADA → Data Gateway
IoT датчики (LiDAR рівень, мутність, pH) → LoRaWAN/GPRS → Time Series DB
Супутникові дані (Sentinel-2, Landsat) → Planetary Computer → Processing
Метеостанції → API (Open-Meteo, Росгідромет) → Feature Store

TimescaleDB для зберігання часових рядів датчиків — оптимізована для time-ordered insert та швидких aggregation-запитів за часовими діапазонами. Data Gateway — контейнеризований сервіс на Go, що приймає дані по OPC-UA, MQTT та Modbus. Він нормалізує протоколи в Protobuf і публікує в Kafka — це забезпечує відмовостійкість та масштабованість.

Управління водосховищем за допомогою RL

RL-агент для управління скидами:

• State: поточний об'єм, прогноз притоку на 7 днів, прогноз попиту.
• Action: об'єм добового скиду.
• Reward: штраф за переповнення + штраф за висушування + дефіцит іригації.

Агент знаходить баланс між безпекою греблі, водопостачанням та екологічним стоком. Ми навчили його на симуляторі водосховища з 10-річною історією — це знизило частоту аварійних скидів на 40% без збільшення ризику. RL-агент працює вдвічі ефективніше за класичні правила.

Система оповіщення та інтеграція з ДСНС

Канали оповіщення: API інтеграція з ЄДДС, REST API для муніципалітетів, SMS через агрегатор при евакуації.

Етапи впровадження AI-моніторингу

1. Технічний аудит: обстеження гідропостів, мережі, SCADA, legacy-систем.
2. Проєктування архітектури: вибір датчиків, контролерів, протоколів.
3. Розробка ML-моделей: LSTM, GNN, RL-агент.
4. Інтеграція з вашою інфраструктурою: Data Gateway, TimescaleDB, API.
5. Розгортання: контейнеризація, моніторинг, CI/CD.
6. Навчання операторів: 3–5 днів роботи з системою.
7. Технічна документація та SLA 99.5%.

Що входить у результат

• Архітектурна схема, опис API, керівництво оператора.
• Навчання операторів та адміністраторів (3–5 днів).
• Технічна підтримка 1 рік, SLA 99.5%.
• Веб-дашборд з алертами в реальному часі.

Конкретні цифри та гарантії

Ми — команда AI-інженерів з 8+ років досвіду. Запустили 50+ проєктів моніторингу в гідрометеорології та енергетиці. Гарантуємо точність прогнозу паводків не нижче 90% на горизонті 24 години. Сертифіковане обладнання, безшовна інтеграція з вашою SCADA. Терміни: базова система за 6–8 тижнів, комплексна — до 6 місяців. Оцінку проєкту робимо безкоштовно за 3 дні після аудиту. Зв'яжіться з нами, щоб отримати індивідуальний розрахунок термінів та вартості. Або замовте консультацію — обговоримо ваш кейс.

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.