Обзор проекта

Что предсказываем

  • Прогноз задержки автобуса/троллейбуса/трамвая на целевой остановке маршрута.

  • Целевая переменная — target_delay_s (отклонение факта от плана, секунды).

  • Обучение — как residual regression: модель предсказывает target_delay_s - cur_dev_s (остаток относительно текущего отклонения).

  • Горизонт: от текущей точки маршрута до целевой остановки в том же рейсе.

Метрика

  • Основная метрика соревнования — MAE между предсказанной и фактической задержкой в секундах.

  • Дополнительно контролируются медиана, 90-й перцентиль абсолютной ошибки и разрезы по маршруту/времени суток (см. ml/src/metrics_slices.py).

  • Валидация — proxy K-fold + holdout + LOVO (leave-one-vehicle-out).

  • Целевой уровень качества фиксируется в ARCHITECTURE_AND_ROLES.md §12.

Роли команды

  • Степан + Фёдор — ML: фичи, обучение, инференс, валидация.

  • Даниил Герман — backend: сервис FastAPI, интеграция с NDTP-стримом.

  • Вероника — frontend: карта, таблица прогнозов, дэшборд.

  • Даниил Шелестов — аналитика: разрезы, метрики качества, отчётность.

Ссылки