Пульс муниципального потребления
Прогноз безналичных расходов на жителя на 1–12 месяцев и раннее обнаружение шоков для муниципалитетов и шести категорий трат. Карта показывает, где расходы в выбранном месяце резко отклонились от сопоставимых МО: в апреле 2024 г. загораются города паводка на Урале.
Как устроен алгоритм
Три контура работают раз в месяц на данных, известных к концу месяца. Детектор и новости не только сигнализируют, но и передают признаки в прогнозную модель.
Прогноз против базовой модели
Скользящая точка прогноза: декабрь 2023 – ноябрь 2024 г. Окно H — средняя ошибка на шагах 1…H. R² динамики считается по лог-приросту от точки прогноза: он показывает долю объяснённых изменений, а не различий между МО.
Ошибка по шагу прогноза
Выигрыш у Prophet по категориям
Значимость отличия от Prophet
Парный критерий Уилкоксона по рядам; ошибки усреднены внутри ряда. ДИ — бутстреп разности MAE (отрицательная разность — итоговая модель лучше).
Фундаментальные модели: где помогают, где нет
Chronos-Bolt и Chronos-2 испытаны в восьми режимах: zero-shot, с очисткой от сезонности, с ковариатами, с LoRA-дообучением и как признак для LightGBM. Без адаптации им не хватает полного годового цикла в 12–23 точках истории; лучше всего Chronos-2 работает как источник прогнозных интервалов для детектора шоков.
Zero-shot прогноз по короткому ряду переносит декабрьский пик и тренд 2023 г. на весь 2024 г.
Сезонный профиль из 7-летнего ряда СберИндекса по РФ снимает главную ошибку на коротких горизонтах.
Длинная история РФ как прошлая ковариата, календарь как будущая, совместный прогноз МО одного субъекта.
Выход факта за 95%-интервал Chronos-2 — лучший онлайн-детектор по F1 при сигнале в месяц шока.
300 шагов на панели сделали прогноз на 1–6 мес. в 2–3 раза хуже: на коротких рядах дообучению нужна ранняя остановка.
Обнаружение структурных изменений
В реальные ряды вносились шоки известной формы и величины. Параметры методов подбирались на одной выборке, оценка — на другой, в режиме ежемесячного мониторинга: в месяц t метод видит только данные до t.
Точность против ложных тревог
Полнота по типу и величине шока
Новости: как заголовок становится признаком
Суточные архивы Интерфакса и Lenta.ru, только дата, заголовок и рубрика.
Леммы pymorphy3 и газетир из справочника МО: субъект, район, город-центр.
ЧС и стихия, атаки, аварии, экономика; отраслевые темы для категорий трат.
Месяц публикации, сюрприз к своей норме за 6 месяцев, только прошлое.
Реакция расходов на шоковые новости о самом МО
Изменение относительного индекса (п.п.) к среднему за 3 месяца до события, 95% ДИ по эпизодам. Предтренд около нуля.
Где новостной фон был самым тревожным
Кейсы
Паводок апреля 2024 г. в Орске почти не изменил общие расходы, но перестроил их структуру: в месяц паводка упали траты на маркетплейсах и здоровье, в мае они отскочили вместе с общепитом. Детектор BOCPD отметил апрель в «Маркетплейсах» и «Здоровье» (▼). Значения — отклонение от сопоставимых городских округов.
Орск: относительный индекс по категориям
«Маркетплейсы» в городах паводка
Апрель 2023: расхождение «город — село»
Медианы по группам МО, лог-изменение к марту 2023 г. Сдвиг затронул сотни рядов одновременно и не сопровождался новостями — это общегрупповое изменение, а не локальный шок. Поэтому детектор сравнивает МО только с сопоставимыми МО.
Проводник по муниципалитетам
Факт 2023–2024 гг., прогноз итоговой модели и Prophet из декабря 2023 г. на 12 месяцев, точки изменений и месяцы с шоковыми новостями о МО.
Методология и воспроизводимость
Модель получает матрицу, где всё после точки прогноза скрыто; внешние ряды и новости фильтруются по дате публикации.
MAE (основная), R² по уровням и по динамике, RMSE, WAPE, MASE; тесты значимости против Prophet.
Все гиперпараметры в YAML; полный прогон одной командой, быстрая проверка на подвыборке.
make setup && make data && make dataset news
make forecast && make cpd && make figures report