Научный доклад на студенческой конференции — пример презентации с результатами

• Тема: прогноз суточного спроса на велопрокат
• Кафедра прикладной информатики, Казань, 2026
• Собственный вычислительный эксперимент, данные 2023–2025
• Дальше — почему прокату важен прогноз на завтра

Добрый день, уважаемые члены жюри и коллеги. Тема моего доклада — сравнение методов прогнозирования суточного спроса на городской велопрокат. Работа выполнена на кафедре прикладной информатики, научный руководитель — кандидат технических наук, доцент. В основе доклада — собственный вычислительный эксперимент на открытых данных о поездках за 2023–2025 годы. Название проката и имена в работе вымышленные, а результаты носят учебный характер.

• Решение о развозке принимается накануне
• Недооценка — пустые стойки и потерянные поездки
• Переоценка — простой техники и лишние перевозки
• Дальше — цель работы и три задачи

Прокат живёт по расписанию: велосипеды развозят по станциям заранее, накануне, и утром уже поздно что-то менять. Если мы недооценили спрос, в пик стойки пустые, а поездки, которые могли состояться, просто теряются. Если переоценили — техника стоит без дела, а оператор платит за лишние перевозки при перебалансировке. Именно поэтому вопрос «сколько будет поездок завтра» — не академический, а операционный. Дальше я покажу, как мы поставили цель и какие три задачи для этого решили.

• Цель — сравнить три метода на отложенном периоде
• Задача 1: 1 096 суточных записей за 2023–2025
• Задача 2: обучение 2023–2024, проверка 2025
• Задача 3: MAE и MAPE, слабые места прогноза

Итак, цель работы — сравнить три метода прогнозирования суточного спроса на городской велопрокат по качеству на отложенном периоде. Для этого нужно решить три задачи. Первая — собрать и подготовить данные проката за 2023–2025 годы: это 1 096 суточных записей с признаками «день недели», «праздник», «температура» и «осадки». Вторая — реализовать три метода и единую схему проверки: обучение на 2023–2024 годах, проверка на данных 2025 года и скользящая проверка по пяти блокам. Третья — сравнить методы по метрикам MAE и MAPE и понять, в каких условиях прогноз ошибается сильнее всего. Именно на этих трёх задачах построена вся дальнейшая логика доклада.

• 1 096 суточных записей за 2023–2025
• Целевая переменная — поездки за сутки
• 4 признака: день недели, праздник, температура, осадки
• Праздничных дней ≈3% — источник ошибок

Для эксперимента я взял открытый набор наблюдений городского велопроката за 2023–2025 годы — всего 1 096 суточных записей, то есть по одной строке на каждый день. Целевая переменная — число поездок за сутки, именно её мы и будем прогнозировать. В качестве признаков используются четыре характеристики: день недели, признак праздника, температура воздуха и количество осадков. Праздничные дни в выборке составляют небольшую долю — около трёх процентов, но, как увидим дальше, именно они дают наибольшие ошибки. Это учебный эксперимент, поэтому название проката и имена условные, а данные не являются официальной статистикой.

• Обучение — 2023–2024, проверка — 2025
• Скользящая проверка: пять блоков
• Ошибка: MAE в поездках, MAPE в процентах
• Все методы — на одних разбиениях

Перехожу к методике. Обучение я проводил на данных 2023 и 2024 годов, а проверку — на 2025 годе, который модели при обучении не видели. Дополнительно сделал скользящую проверку по пяти блокам: это устойчивее, чем одна отложенная выборка. Ошибкой я считал отклонение прогноза от факта — в поездках и в процентах. Важный момент: все три метода считались на одних и тех же разбиениях, иначе сравнивать их было бы некорректно. Теперь посмотрим, какие именно методы я сравнивал.

• Три метода — разная сложность модели
• Скользящее среднее — базовая линия без признаков
• Регрессия и бустинг — те же признаки на входе
• Бустинг ловит нелинейные пороги погоды
• Дальше — метрики MAE и MAPE

Итак, мы сравнили три метода, которые отличаются прежде всего тем, сколько информации о мире они используют. Скользящее среднее — это честная базовая линия: оно просто берёт средний спрос за прошлую неделю и ничего больше не знает. Линейная регрессия уже получает на вход температуру, осадки, день недели и праздники, поэтому может объяснить часть колебаний, но только если связь линейна. Градиентный бустинг работает с теми же признаками, но строит ансамбль деревьев и способен уловить нелинейные эффекты — например, что спрос резко падает не при любой температуре, а при переходе через определённый порог. Именно эти три модели мы и прогнали через один и тот же протокол проверки, о результатах которого поговорим дальше.

• MAE — в поездках, MAPE — в процентах
• y_i — факт, ŷ_i — прогноз, n — число суток
• MAPE позволяет сравнивать методы между собой
• дальше — результаты трёх методов

Прежде чем сравнивать методы, нужно договориться, чем мы измеряем ошибку. MAE — это средняя абсолютная ошибка в поездках: она показывает, на сколько в среднем мы промахиваемся в натуральных единицах спроса. MAPE — та же ошибка, но отнесённая к фактическому значению и выраженная в процентах, поэтому она позволяет сопоставлять методы между собой и не зависит от масштаба проката. В нашем эксперименте y_i — фактический спрос за сутки, ŷ_i — прогноз модели, n — число суток проверочного 2025 года. Обе метрики считаются на одном и том же наборе наблюдений, поэтому их значения напрямую сравнимы. Дальше я покажу, как на этих двух метриках разошлись три метода.

• Главное — MAPE бустинга 9,7 %
• Погода даёт 4,3 п.п.: 18,4 → 14,1
• Нелинейность ещё 4,4 п.п.: 14,1 → 9,7
• Дальше — где модели промахиваются

Переходим к главному — результатам на проверочном 2025 годе. Скользящее среднее дало MAPE 18,4 процента и MAE 214 поездок, линейная регрессия с погодными признаками — 14,1 процента и 163 поездки, а градиентный бустинг — 9,7 процента и 112 поездок. Смотрите, как раскладывается выигрыш: добавление погоды снижает ошибку на 4,3 процентного пункта, а учёт нелинейности даёт ещё 4,4 пункта. Итого бустинг точнее простого среднего на 8,7 процентного пункта по MAPE и почти вдвое по абсолютной ошибке. Дальше посмотрим, где именно модели промахиваются сильнее всего.

• Две оси: тип дня и погода
• Минимум ошибки — обычный день, ровная погода
• Максимум MAPE — праздник плюс резкая смена погоды
• Причина — мало таких примеров в обучении

Теперь посмотрим, где именно наша модель ошибается сильнее всего. Я разложил все дни проверочного 2025 года по двум осям: тип дня — обычный или праздничный, и погода — стабильная или с резкой сменой. Видно чёткую закономерность: минимальная ошибка там, где всё предсказуемо — обычный день и ровная погода. А максимальный MAPE — в правом верхнем квадранте, где праздник совпадает с резкой сменой погоды. Причина простая: таких сочетаний в обучающей выборке 2023–2024 годов совсем мало, и поведение людей в них нетипично — модель просто не видела достаточно похожих примеров. Именно этот квадрант — главный резерв для улучшения прогноза.

• Честно о границах: чего результаты не доказывают
• Один город, три года, 1 096 записей
• Мало примеров «праздник + плохая погода»
• Погода фактическая, не прогнозная — ошибка будет выше
• Дальше — выводы и планы на 2027 год

Теперь честно о том, чего наши результаты не доказывают. Мы работали с одним городом и тремя годами наблюдений — это 1 096 суточных записей, и редких сочетаний «праздник плюс плохая погода» в них совсем немного, поэтому именно там модель ошибается чаще всего. Второе важное ограничение: погоду мы подавали фактическую, а не прогнозную, а в реальной задаче «прогноз на завтра» доступен только прогноз погоды — значит, на практике ошибка будет выше наших 9,7–18,4 процента. И третье: набор признаков ограничен календарём и погодой, без тарифов, ремонтов станций и городских событий. Отсюда и планы: расширить признаки и перейти на прогнозную погоду.

• Лучший метод — градиентный бустинг
• MAPE 9,7 % и MAE 112 поездок
• Линейная регрессия 14,1 % / 163, среднее 18,4 % / 214
• Планы 2027: второй город, прогнозная погода
• Благодарю за внимание

Подведу итог. Лучший результат показал градиентный бустинг — MAPE 9,7 процента и MAE 112 поездок, тогда как линейная регрессия дала 14,1 процента и 163 поездки, а скользящее среднее — 18,4 процента и 214 поездок. Основной выигрыш приносят календарно-погодные признаки и способность модели улавливать нелинейные зависимости. На 2027 год планирую добавить второй город, перейти на прогнозную погоду вместо фактической и расширить набор признаков. Список использованных источников — на слайде, данные и код эксперимента доступны по запросу. Благодарю за внимание и готов ответить на вопросы.