Описание задачи
Условие:
Компания собирает данные о потреблении электроэнергии на предприятии с шагом в 1 час за последние 3 года. Данные содержат сезонные колебания, тренды и редкие аномалии, вызванные авариями или нештатной деятельностью.
Вам требуется:
1. Построить нейронную сеть для прогнозирования потребления электроэнергии на следующие 24 часа.
- Использовать рекуррентные или трансформерные архитектуры для обработки временных рядов.
- Учесть как краткосрочные, так и долгосрочные зависимости.
2. Обнаружить аномалии в данных.
- Аномалии — это значения, которые резко отклоняются от привычного паттерна.
- Предложить метод для выделения аномальных точек с использованием предсказательной модели (например, на основе ошибки прогноза).
3. Сравнить эффективность разных подходов:
- LSTM / GRU
- 1D-CNN для временных рядов
- Transformer-based модель (например, Informer или Temporal Fusion Transformer)
4. Провести количественный анализ качества моделей:
- Метрики для прогноза: RMSE, MAE
- Метрики для аномалий: Precision, Recall, F1-score
- Проанализировать влияние гиперпараметров на результаты.
5. Подготовить отчет, включающий:
- Архитектуру выбранной модели и её параметры.
- Визуализацию предсказаний vs. реальных данных.
- Список найденных аномалий с объяснением возможных причин.
- Краткое сравнение моделей и рекомендации для внедрения.
Дополнительные ограничения:
1. Размер обучающего набора: первые 2 года данных, тестовый набор — последний год.
2. Использовать Python и открытые библиотеки (PyTorch, TensorFlow, scikit-learn, pandas).
