Ученые Сбера разработали метод для увеличения точности прогноза произвольной нейросетевой модели на множестве временных рядов

В преддверии Дня российской науки учёные Центра практического искусственного интеллекта Сбербанка представили новый метод повышения точности прогнозов в самых разных областях — от энергетики до логистики. Разработанная гиперсетевая модель для прогнозирования многомерных временных рядов работает как умный дирижёр, который настраивает нейросеть для каждого отдельного сигнала. Статья «Гиперсетевая модель для прогнозирования многомерных временных рядов», подготовленная научным директором Центра практического искусственного интеллекта Сбербанка Андреем Савченко, уже принята к публикации на одной из самых авторитетных мировых конференций по искусственному интеллекту AAAI 2026.

Часто перед специалистами стоит сложный выбор. Можно построить прогноз для каждого объекта отдельно — например, для каждого дома в городе. Такой подход надёжен, но он не учитывает общую картину. Альтернатива — создать одну сложную модель для всех объектов сразу. Она может уловить скрытые связи, но часто становится громоздкой и ошибается. Предложенная учёными Сбера модель решает эту задачу и действует как цифровой тренер для основной нейросети. Она анализирует особенности каждого потока данных. Например, изучает характер потребления электроэнергии в конкретной квартире или закономерности движения на определённой улице. На основе этого анализа гиперсеть создаёт для каждого сигнала индивидуальные настройки прогнозирования.

Специальная надстройка превращает даже базовые модели в мощные инструменты, которые по точности могут превосходить более сложные и современные архитектуры. При этом ключевое преимущество — скорость. Гиперсеть активна только на этапе обучения модели. Когда система строит прогнозы в реальном времени, она не замедляется. Это критически важно для промышленного применения.

Николай Тиден, директор центра практического искусственного интеллекта Сбербанка:

«Наше исследование предлагает простое решение для актуальной задачи. Вместо разработки сложной модели с огромным количеством параметров, мы создали компактную гиперсеть. Её задача — точно адаптировать основную модель под специфические особенности каждого набора данных. Это повышает точность предсказаний — по нашим оценкам в некоторых случаях до 20% — без снижения скорости работы. Такой метод уже готов для практического применения в различных областях, таких как интеллектуальные сети или финансовые платформы. Признание нашей работы конференцией AAAI показывает растущий интерес научного сообщества к созданию практичных и эффективных ИИ-решений».

Технология универсальна — её можно подключить к большинству существующих систем прогнозирования что открывает широкие возможности для применения. Например, в энергетике точный прогноз нагрузки помогает избежать аварий и сэкономить топливо. В логистике города могут лучше управлять светофорами, предвидя развитие пробок. В финансах компании обретают инструмент для анализа взаимного влияния сотен акций в портфеле. В медицине и экологии — более точный прогноз состояния пациента или погоды по данным множества датчиков.