Перезапуск пет-проекта: модель для прогноза температуры на Raspberry Pi с интервалами неопределённости
Разработчик перезапустил личный проект, создав модель для прогноза температуры на неделю вперёд с честными интервалами неопределённости, способную работать на маломощном железе вроде Raspberry Pi. Это пример практического переосмысления подхода после ошибок прошлых версий.
Разработчик обновил свой пет-проект — модель для прогнозирования температуры на неделю по данным одной метеостанции. Основные цели: не только сам прогноз, но и получение интервалов неопределенности вместо точечной оценки, а также работа модели на Raspberry Pi без GPU.
По данным Habr, перезапуск стал результатом анализа ошибок в прошлых версиях. Автор начал почти с нуля, сохранив только полученный опыт.
Модель обучается на часовых рядах из Open-Meteo. Для отладки в репозитории есть синтетический генератор данных — он позволяет провести полный цикл обучения за минуты. Код открыт. Исходные данные не публикуются — это обычная практика для воспроизводимости, автор предлагает загружать их через API Open-Meteo самостоятельно. Основная задача — адаптация под слабые вычислительные ресурсы, что потребовало изменений в архитектуре и методах обучения. Архитектура модели включает 5 слоев, а для обучения используется оптимизатор Adam. Обучение ведется на последовательностях длиной 945 часов, что соответствует примерно 6 неделям данных. Для оценки неопределенности модель выдает 3 параметра распределения на каждый шаг прогноза.
Для разработчиков, работающих с временными рядами и edge-устройствами, проект — практический кейс. Он показывает, что создание моделей с оценкой неопределенности возможно не только в облаке с мощными GPU, но и на ограниченном железе. Это открывает путь к локальным, энергоэффективным и приватным системам мониторинга — от умного дома до промышленного IoT. Интервалы неопределенности, в отличие от точечного прогноза, показывают надежность предсказания, что важно для принятия решений. В данном случае модель выдает 3 параметра, позволяющих построить интервал.
История проекта иллюстрирует важный принцип в ML-инженерии: путь к решению часто лежит через анализ ошибок. Умение перезапустить проект, кардинально изменив подход, — ценный навык. В процессе работы автор столкнулся с проблемами переобучения и стабильности обучения, что привело к пересмотру архитектуры. Финальная модель содержит 5 слоев и обучается на 945-часовых последовательностях. Для пользователей такие разработки означают появление более доступных и прозрачных инструментов, которые можно развернуть где угодно — от дачи до удаленной метеостанции, получая не просто цифру, а оценку ее достоверности. Код проекта доступен по ссылке https://habr.com/ru/articles/1054380/.
