Испытательный полигон

Цифровой Двойник Города

Пароль

Имя *

Фамилия

Email *

Пароль *

Повторите пароль *

Стенд многофакторного анализа агропрома

Назначение: исследование взаимосвязей между общественными, погодными, биржевыми и производственными показателями агропрома РФ.

Функции:
• Построение инерционного прогноза на основе PCA
• Сценарный анализ (изменение периода, набора рядов, числа ГК)
• Визуализация графа влияния между показателями

Выводы: оценивайте MAPE прогноза (до 10% — отлично, до 25% — хорошо), сравнивайте базовый и сценарный прогнозы, анализируйте коэффициенты влияния.

Конструктор балансов

Создайте новую схему или откройте существующую

Excel

Excel JSON

Блоки: Источник + − × ÷ K ⏱ Хран. Σ= IF 🎯 Нет данных

Пользовательские данные

Загрузка данных

Скачать шаблон

Загрузить Excel

Выбрать...

Сохранение

Сохранённые датафреймы

Ряд:

Модели спроса

Индекс потребительских цен

Файл .xlsx Ряд из данных

Колонки date и cpi . Принимаются:

месячный м/м индекс ( 101,1 )
годовой y/y индекс ( 108,4 ) — разносится геом. по 12 мес.

Загрузить

Ряд интерпретируется как индекс в 100 -базисе (м/м или годовой).

Многофакторный инерционный прогноз

Граф связей

Коэф. влияния LASSO Корреляция На весь экран

Легенда: Исследуемый Влияющие Зависимые Пользовательские Стрелки: Влияние + Влияние − Зависим. + Зависим. −

Прогноз

Базовый От нуля На весь экран

Сравнение:

Порядок работы

Выберите интересующий показатель.
Настройте параметры моделирования: задайте период обучения (начало и конец).
Отметьте значимые ряды, которые следует учесть в анализе.
Нажмите Пересчитать .

Для загрузки актуальных данных нажмите Обновить данные в правом верхнем углу.

Исследуемый показатель: Выберите показатель, который хотите исследовать. График показет факт, базовый и сценарный прогнозы, а также граф влияния других показателей на него.

Параметры моделирования Главные компоненты (ГК) — набор внутренних параметров модели.
• Меньше ГК — модель улавливает общий тренд и лучше обобщает, но может упускать детали и локальные особенности рядов.
• Больше ГК — выше точность на исторических данных, но растёт риск переобучения: модель запоминает шум вместо закономерностей, и прогноз может стать неустойчивым.

Период обучения — на этих данных строится модель. Прогноз делается за пределами этого периода. ▼

Главных компонент:

Начало обучения:

Конец обучения:

Ошибка прогноза MAE — средняя абсолютная ошибка.
MAPE — средняя ошибка в %. До 10% — отлично, до 25% — хорошо, до 50% — удовлетворительно.

Ошибка появляется, если за границей обучения есть фактические данные для сравнения. ▼

Пользовательские данные Загрузите собственные ряды данных для учёта в анализе. Скачайте шаблон, заполните и загрузите обратно. ▼

Скачать шаблон

Загрузить файл (Excel)

Выбрать...

Выбор рядов Снятие галочки исключает ряд из PCA-разложения и последующих шагов прогнозирования. Это позволяет оценить вклад каждого фактора. ▼

Поиск показателя

Тип связи

Влияние Корреляция

Граф взаимосвязей показателей

Ненаправленный граф показывает силу взаимосвязи между всеми показателями на основе матрицы влияния PCA.
Толщина линии — сила связи (|коэффициент|). Цвет линии: синий — положительная связь, красный — отрицательная.
Порог отображения: |коэффициент| ≥ 0.01. Одинарный клик на узел — информация о ряде. Двойной клик — переход в раздел «Изменение факторов».

Информация об узле

Легенда

Потребительские цены

Цены производителей

Биржевые показатели

СЭР

Погода

Дополнительные показатели

Положительная связь

Отрицательная связь