feat: Реализованное 3 задание

.gitignore

@@ -0,0 +1 @@
+.idea

Dockerfile

@@ -10,6 +10,7 @@ RUN apt-get update && apt-get install -y \
 
 COPY requirements.txt ./
 COPY src/ ./src/
+COPY russia_covid_dataset.csv/ ./
 
 RUN pip3 install -r requirements.txt
 

requirements.txt

@@ -1,3 +1,16 @@
-altair
+streamlit
 pandas
-streamlit
+numpy
+plotly
+statsmodels
+scipy
+scikit-learn
+pytz
+pmdarima
+arch
+prophet
+lightgbm
+xgboost
+torch
+tensorflow
+tbats

russia_covid_dataset.csv

@@ -0,0 +1,821 @@
+Date,DailyNewCases,ActiveCases,DailyNewDeaths
+2020-2-15,,0.0,
+2020-2-16,0.0,0.0,
+2020-2-17,0.0,0.0,
+2020-2-18,0.0,0.0,
+2020-2-19,0.0,0.0,
+2020-2-20,0.0,0.0,0.0
+2020-2-21,0.0,0.0,0.0
+2020-2-22,0.0,0.0,0.0
+2020-2-23,0.0,0.0,0.0
+2020-2-24,0.0,0.0,0.0
+2020-2-25,0.0,0.0,0.0
+2020-2-26,0.0,0.0,0.0
+2020-2-27,0.0,0.0,0.0
+2020-2-28,0.0,0.0,0.0
+2020-2-29,0.0,0.0,0.0
+2020-3-01,0.0,0.0,0.0
+2020-3-02,1.0,1.0,0.0
+2020-3-03,0.0,1.0,0.0
+2020-3-04,0.0,1.0,0.0
+2020-3-05,4.0,5.0,0.0
+2020-3-06,6.0,11.0,0.0
+2020-3-07,1.0,11.0,0.0
+2020-3-08,3.0,14.0,0.0
+2020-3-09,3.0,17.0,0.0
+2020-3-10,0.0,17.0,0.0
+2020-3-11,8.0,25.0,0.0
+2020-3-12,6.0,31.0,0.0
+2020-3-13,11.0,37.0,0.0
+2020-3-14,14.0,51.0,0.0
+2020-3-15,4.0,55.0,0.0
+2020-3-16,30.0,85.0,0.0
+2020-3-17,21.0,106.0,0.0
+2020-3-18,33.0,139.0,0.0
+2020-3-19,52.0,190.0,1.0
+2020-3-20,54.0,240.0,0.0
+2020-3-21,53.0,289.0,0.0
+2020-3-22,61.0,350.0,0.0
+2020-3-23,71.0,420.0,0.0
+2020-3-24,57.0,472.0,0.0
+2020-3-25,163.0,626.0,2.0
+2020-3-26,182.0,799.0,0.0
+2020-3-27,196.0,987.0,1.0
+2020-3-28,228.0,1211.0,0.0
+2020-3-29,270.0,1462.0,4.0
+2020-3-30,302.0,1761.0,1.0
+2020-3-31,501.0,2199.0,8.0
+2020-4-01,440.0,2563.0,7.0
+2020-4-02,771.0,3283.0,6.0
+2020-4-03,601.0,3834.0,4.0
+2020-4-04,582.0,4355.0,9.0
+2020-4-05,658.0,4989.0,2.0
+2020-4-06,954.0,5890.0,2.0
+2020-4-07,1154.0,6945.0,11.0
+2020-4-08,1175.0,8029.0,5.0
+2020-4-09,1459.0,9357.0,13.0
+2020-4-10,1786.0,11028.0,18.0
+2020-4-11,1667.0,12433.0,12.0
+2020-4-12,2186.0,14349.0,24.0
+2020-4-13,2558.0,16710.0,18.0
+2020-4-14,2774.0,19238.0,22.0
+2020-4-15,3388.0,22306.0,28.0
+2020-4-16,3448.0,25402.0,34.0
+2020-4-17,4070.0,29145.0,41.0
+2020-4-18,4785.0,33423.0,40.0
+2020-4-19,6060.0,39201.0,48.0
+2020-4-20,4268.0,43270.0,44.0
+2020-4-21,5642.0,48434.0,51.0
+2020-4-22,5236.0,53066.0,57.0
+2020-4-23,4774.0,57327.0,42.0
+2020-4-24,5849.0,62439.0,60.0
+2020-4-25,5966.0,67657.0,66.0
+2020-4-26,6361.0,73435.0,66.0
+2020-4-27,6198.0,79007.0,47.0
+2020-4-28,6411.0,84235.0,73.0
+2020-4-29,5841.0,88141.0,105.0
+2020-4-30,7099.0,93806.0,101.0
+2020-5-01,7933.0,100042.0,96.0
+2020-5-02,9623.0,107819.0,53.0
+2020-5-03,10633.0,116768.0,58.0
+2020-5-04,10581.0,125817.0,76.0
+2020-5-05,10102.0,134054.0,95.0
+2020-5-06,10559.0,143065.0,86.0
+2020-5-07,11231.0,151732.0,88.0
+2020-5-08,10699.0,159528.0,98.0
+2020-5-09,10817.0,164933.0,104.0
+2020-5-10,11012.0,173467.0,88.0
+2020-5-11,11656.0,179534.0,94.0
+2020-5-12,10899.0,186615.0,107.0
+2020-5-13,10028.0,192056.0,96.0
+2020-5-14,9974.0,196410.0,93.0
+2020-5-15,10598.0,202199.0,113.0
+2020-5-16,9200.0,206340.0,119.0
+2020-5-17,9709.0,211748.0,94.0
+2020-5-18,8926.0,217747.0,91.0
+2020-5-19,9263.0,220974.0,115.0
+2020-5-20,8764.0,220341.0,135.0
+2020-5-21,8849.0,221774.0,127.0
+2020-5-22,8894.0,223374.0,150.0
+2020-5-23,9434.0,224558.0,139.0
+2020-5-24,8599.0,227641.0,153.0
+2020-5-25,8946.0,230996.0,92.0
+2020-5-26,8915.0,227406.0,174.0
+2020-5-27,8338.0,224504.0,161.0
+2020-5-28,8371.0,223916.0,174.0
+2020-5-29,8572.0,223992.0,232.0
+2020-5-30,8952.0,224551.0,181.0
+2020-5-31,9268.0,229267.0,138.0
+2020-6-01,9035.0,234146.0,162.0
+2020-6-02,8863.0,231719.0,182.0
+2020-6-03,8536.0,231105.0,178.0
+2020-6-04,8831.0,231101.0,169.0
+2020-6-05,8726.0,231626.0,144.0
+2020-6-06,8855.0,231576.0,197.0
+2020-6-07,8984.0,235083.0,134.0
+2020-6-08,8985.0,239999.0,112.0
+2020-6-09,8595.0,236714.0,171.0
+2020-6-10,8404.0,234516.0,216.0
+2020-6-11,8779.0,234754.0,174.0
+2020-6-12,8987.0,235338.0,183.0
+2020-6-13,8706.0,238659.0,114.0
+2020-6-14,8835.0,241966.0,119.0
+2020-6-15,8246.0,245580.0,143.0
+2020-6-16,8248.0,243868.0,193.0
+2020-6-17,7843.0,241481.0,194.0
+2020-6-18,7790.0,239468.0,182.0
+2020-6-19,7972.0,236816.0,181.0
+2020-6-20,7889.0,234358.0,161.0
+2020-6-21,7728.0,236858.0,109.0
+2020-6-22,7600.0,239658.0,95.0
+2020-6-23,7425.0,234917.0,153.0
+2020-6-24,7176.0,229546.0,154.0
+2020-6-25,7113.0,230225.0,92.0
+2020-6-26,6800.0,227861.0,176.0
+2020-6-27,6852.0,225325.0,188.0
+2020-6-28,6791.0,226277.0,104.0
+2020-6-29,6719.0,228560.0,93.0
+2020-6-30,6693.0,225879.0,154.0
+2020-7-01,6556.0,221938.0,216.0
+2020-7-02,6760.0,222504.0,147.0
+2020-7-03,6718.0,220131.0,176.0
+2020-7-04,6632.0,217609.0,168.0
+2020-7-05,6736.0,220340.0,134.0
+2020-7-06,6611.0,223237.0,135.0
+2020-7-07,6368.0,219856.0,198.0
+2020-7-08,6562.0,217614.0,173.0
+2020-7-09,6509.0,215142.0,176.0
+2020-7-10,6635.0,213851.0,174.0
+2020-7-11,6611.0,211896.0,188.0
+2020-7-12,6615.0,214766.0,130.0
+2020-7-13,6537.0,218239.0,104.0
+2020-7-14,6248.0,215508.0,175.0
+2020-7-15,6422.0,211350.0,156.0
+2020-7-16,6428.0,209168.0,167.0
+2020-7-17,6406.0,207707.0,186.0
+2020-7-18,6234.0,206327.0,124.0
+2020-7-19,6109.0,208860.0,95.0
+2020-7-20,5940.0,211457.0,85.0
+2020-7-21,5842.0,208364.0,153.0
+2020-7-22,5862.0,204392.0,165.0
+2020-7-23,5848.0,201816.0,147.0
+2020-7-24,5811.0,199029.0,154.0
+2020-7-25,5871.0,196388.0,146.0
+2020-7-26,5765.0,198966.0,77.0
+2020-7-27,5635.0,201437.0,85.0
+2020-7-28,5395.0,197794.0,150.0
+2020-7-29,5475.0,194984.0,169.0
+2020-7-30,5509.0,191042.0,129.0
+2020-7-31,5482.0,187608.0,161.0
+2020-8-01,5462.0,184861.0,95.0
+2020-8-02,5427.0,186569.0,70.0
+2020-8-03,5394.0,188464.0,79.0
+2020-8-04,5159.0,185601.0,144.0
+2020-8-05,5204.0,183111.0,139.0
+2020-8-06,5267.0,180931.0,116.0
+2020-8-07,5241.0,178818.0,119.0
+2020-8-08,5212.0,177286.0,129.0
+2020-8-09,5189.0,179183.0,77.0
+2020-8-10,5118.0,180972.0,70.0
+2020-8-11,4945.0,179293.0,130.0
+2020-8-12,5102.0,177143.0,129.0
+2020-8-13,5057.0,175978.0,124.0
+2020-8-14,5065.0,174361.0,114.0
+2020-8-15,5061.0,172856.0,119.0
+2020-8-16,4969.0,174200.0,68.0
+2020-8-17,4892.0,175904.0,55.0
+2020-8-18,4748.0,173993.0,132.0
+2020-8-19,4828.0,171909.0,117.0
+2020-8-20,4785.0,170494.0,110.0
+2020-8-21,4870.0,169457.0,90.0
+2020-8-22,4921.0,168110.0,121.0
+2020-8-23,4852.0,169727.0,73.0
+2020-8-24,4744.0,171950.0,65.0
+2020-8-25,4696.0,169874.0,120.0
+2020-8-26,4676.0,168032.0,115.0
+2020-8-27,4711.0,166211.0,121.0
+2020-8-28,4829.0,165025.0,110.0
+2020-8-29,4941.0,163938.0,111.0
+2020-8-30,4980.0,166251.0,68.0
+2020-8-31,4993.0,168756.0,83.0
+2020-9-01,4729.0,167044.0,123.0
+2020-9-02,4952.0,166417.0,115.0
+2020-9-03,4995.0,165532.0,114.0
+2020-9-04,5110.0,164709.0,121.0
+2020-9-05,5205.0,164425.0,110.0
+2020-9-06,5195.0,166736.0,61.0
+2020-9-07,5185.0,169542.0,51.0
+2020-9-08,5099.0,167747.0,122.0
+2020-9-09,5218.0,166414.0,142.0
+2020-9-10,5363.0,165734.0,128.0
+2020-9-11,5504.0,165402.0,102.0
+2020-9-12,5488.0,165343.0,119.0
+2020-9-13,5449.0,168008.0,94.0
+2020-9-14,5509.0,170985.0,57.0
+2020-9-15,5529.0,170759.0,150.0
+2020-9-16,5670.0,170488.0,132.0
+2020-9-17,5762.0,170352.0,144.0
+2020-9-18,5905.0,170784.0,134.0
+2020-9-19,6065.0,171450.0,144.0
+2020-9-20,6148.0,174624.0,79.0
+2020-9-21,6196.0,178133.0,71.0
+2020-9-22,6215.0,178212.0,160.0
+2020-9-23,6431.0,178743.0,150.0
+2020-9-24,6595.0,179059.0,149.0
+2020-9-25,7212.0,181846.0,108.0
+2020-9-26,7523.0,183196.0,169.0
+2020-9-27,7867.0,187896.0,99.0
+2020-9-28,8135.0,193268.0,61.0
+2020-9-29,8232.0,194861.0,160.0
+2020-9-30,8481.0,197307.0,177.0
+2020-10-01,8945.0,200098.0,169.0
+2020-10-02,9412.0,203270.0,186.0
+2020-10-03,9859.0,207392.0,174.0
+2020-10-04,10499.0,214500.0,107.0
+2020-10-05,10888.0,222090.0,117.0
+2020-10-06,11615.0,227265.0,188.0
+2020-10-07,11115.0,231479.0,202.0
+2020-10-08,11493.0,235727.0,191.0
+2020-10-09,12126.0,240560.0,201.0
+2020-10-10,12846.0,246428.0,197.0
+2020-10-11,13634.0,255679.0,143.0
+2020-10-12,13592.0,265353.0,125.0
+2020-10-13,13868.0,271427.0,244.0
+2020-10-14,14231.0,277499.0,239.0
+2020-10-15,13754.0,282575.0,286.0
+2020-10-16,15150.0,289008.0,232.0
+2020-10-17,14922.0,295034.0,279.0
+2020-10-18,15099.0,304571.0,185.0
+2020-10-19,15982.0,315046.0,179.0
+2020-10-20,16319.0,321392.0,269.0
+2020-10-21,15700.0,325823.0,317.0
+2020-10-22,15971.0,330076.0,290.0
+2020-10-23,17340.0,335870.0,283.0
+2020-10-24,16521.0,340528.0,296.0
+2020-10-25,16710.0,349305.0,229.0
+2020-10-26,17347.0,358859.0,219.0
+2020-10-27,16550.0,362245.0,320.0
+2020-10-28,16202.0,365740.0,346.0
+2020-10-29,17717.0,368351.0,366.0
+2020-10-30,18283.0,371760.0,355.0
+2020-10-31,18140.0,374712.0,334.0
+2020-11-01,18665.0,382873.0,245.0
+2020-11-02,18257.0,390532.0,238.0
+2020-11-03,18648.0,393494.0,355.0
+2020-11-04,19768.0,397306.0,389.0
+2020-11-05,19404.0,404180.0,292.0
+2020-11-06,20582.0,407429.0,378.0
+2020-11-07,20396.0,410658.0,364.0
+2020-11-08,20498.0,419378.0,286.0
+2020-11-09,21798.0,430198.0,256.0
+2020-11-10,20977.0,435207.0,368.0
+2020-11-11,19851.0,436010.0,432.0
+2020-11-12,21608.0,438368.0,439.0
+2020-11-13,21983.0,441205.0,411.0
+2020-11-14,22702.0,444890.0,391.0
+2020-11-15,22572.0,452654.0,352.0
+2020-11-16,22778.0,461265.0,303.0
+2020-11-17,22410.0,461178.0,442.0
+2020-11-18,20985.0,456528.0,456.0
+2020-11-19,23610.0,454102.0,463.0
+2020-11-20,24318.0,453201.0,461.0
+2020-11-21,24822.0,451535.0,467.0
+2020-11-22,24581.0,457707.0,401.0
+2020-11-23,25173.0,466517.0,361.0
+2020-11-24,24326.0,467126.0,491.0
+2020-11-25,23675.0,464546.0,507.0
+2020-11-26,25487.0,464436.0,524.0
+2020-11-27,27543.0,464801.0,496.0
+2020-11-28,27100.0,464095.0,510.0
+2020-11-29,26683.0,468332.0,459.0
+2020-11-30,26338.0,477055.0,368.0
+2020-12-01,26402.0,478125.0,569.0
+2020-12-02,25345.0,475999.0,589.0
+2020-12-03,28145.0,474088.0,554.0
+2020-12-04,27403.0,472021.0,569.0
+2020-12-05,28782.0,472651.0,508.0
+2020-12-06,29039.0,479891.0,457.0
+2020-12-07,28142.0,488727.0,456.0
+2020-12-08,26097.0,489324.0,562.0
+2020-12-09,26190.0,488689.0,559.0
+2020-12-10,27927.0,490177.0,562.0
+2020-12-11,28585.0,491978.0,613.0
+2020-12-12,28137.0,493437.0,560.0
+2020-12-13,28080.0,500752.0,488.0
+2020-12-14,27328.0,509068.0,450.0
+2020-12-15,26689.0,510367.0,577.0
+2020-12-16,26509.0,509790.0,596.0
+2020-12-17,28214.0,510977.0,587.0
+2020-12-18,28552.0,512825.0,611.0
+2020-12-19,28209.0,514340.0,585.0
+2020-12-20,28948.0,521862.0,511.0
+2020-12-21,29350.0,531014.0,493.0
+2020-12-22,28776.0,535071.0,561.0
+2020-12-23,27250.0,537325.0,549.0
+2020-12-24,29935.0,539735.0,635.0
+2020-12-25,29018.0,540793.0,563.0
+2020-12-26,29258.0,541299.0,567.0
+2020-12-27,28284.0,544641.0,552.0
+2020-12-28,27787.0,551461.0,487.0
+2020-12-29,27002.0,553027.0,562.0
+2020-12-30,26513.0,549706.0,599.0
+2020-12-31,27747.0,547938.0,593.0
+2021-1-01,27039.0,548643.0,536.0
+2021-1-02,26301.0,555600.0,447.0
+2021-1-03,24150.0,559399.0,504.0
+2021-1-04,23351.0,561114.0,482.0
+2021-1-05,24246.0,562210.0,518.0
+2021-1-06,24217.0,562927.0,445.0
+2021-1-07,23541.0,562233.0,506.0
+2021-1-08,23652.0,563754.0,454.0
+2021-1-09,23309.0,562913.0,470.0
+2021-1-10,22851.0,561228.0,456.0
+2021-1-11,23315.0,562321.0,436.0
+2021-1-12,22934.0,559969.0,531.0
+2021-1-13,22850.0,553595.0,566.0
+2021-1-14,24763.0,549832.0,570.0
+2021-1-15,24715.0,546356.0,555.0
+2021-1-16,24092.0,542547.0,590.0
+2021-1-17,23586.0,542212.0,481.0
+2021-1-18,22857.0,546265.0,471.0
+2021-1-19,21734.0,544151.0,586.0
+2021-1-20,21152.0,539416.0,597.0
+2021-1-21,21887.0,533789.0,612.0
+2021-1-22,21513.0,527404.0,580.0
+2021-1-23,20921.0,519987.0,559.0
+2021-1-24,21127.0,518178.0,491.0
+2021-1-25,19290.0,518009.0,456.0
+2021-1-26,18241.0,511888.0,564.0
+2021-1-27,17741.0,501113.0,594.0
+2021-1-28,19138.0,492901.0,575.0
+2021-1-29,19238.0,485401.0,534.0
+2021-1-30,19032.0,479419.0,512.0
+2021-1-31,18359.0,477253.0,485.0
+2021-2-01,17648.0,476295.0,437.0
+2021-2-02,16643.0,470027.0,539.0
+2021-2-03,16474.0,461153.0,526.0
+2021-2-04,16714.0,452800.0,521.0
+2021-2-05,16688.0,445379.0,527.0
+2021-2-06,16627.0,438678.0,497.0
+2021-2-07,16048.0,434410.0,432.0
+2021-2-08,15916.0,434038.0,407.0
+2021-2-09,15019.0,426732.0,530.0
+2021-2-10,14494.0,418115.0,536.0
+2021-2-11,15038.0,410639.0,553.0
+2021-2-12,15089.0,404501.0,507.0
+2021-2-13,14861.0,400095.0,502.0
+2021-2-14,14185.0,398656.0,430.0
+2021-2-15,14207.0,398534.0,394.0
+2021-2-16,13233.0,393681.0,459.0
+2021-2-17,12828.0,388123.0,467.0
+2021-2-18,13447.0,382360.0,480.0
+2021-2-19,13433.0,376686.0,470.0
+2021-2-20,12953.0,371675.0,480.0
+2021-2-21,12742.0,367988.0,417.0
+2021-2-22,12604.0,367312.0,337.0
+2021-2-23,11823.0,365762.0,417.0
+2021-2-24,11749.0,364910.0,383.0
+2021-2-25,11198.0,359560.0,446.0
+2021-2-26,11086.0,354496.0,428.0
+2021-2-27,11534.0,349571.0,439.0
+2021-2-28,11359.0,348160.0,379.0
+2021-3-01,11571.0,348121.0,333.0
+2021-3-02,10565.0,343279.0,441.0
+2021-3-03,10535.0,337668.0,452.0
+2021-3-04,11385.0,332455.0,475.0
+2021-3-05,11024.0,327553.0,462.0
+2021-3-06,11022.0,323107.0,441.0
+2021-3-07,10595.0,321758.0,368.0
+2021-3-08,10253.0,321310.0,379.0
+2021-3-09,9445.0,320488.0,336.0
+2021-3-10,9079.0,315751.0,466.0
+2021-3-11,9270.0,310556.0,459.0
+2021-3-12,9794.0,306368.0,486.0
+2021-3-13,9908.0,302933.0,475.0
+2021-3-14,10083.0,303209.0,395.0
+2021-3-15,9437.0,303975.0,404.0
+2021-3-16,9393.0,302281.0,443.0
+2021-3-17,8998.0,300097.0,427.0
+2021-3-18,9803.0,297379.0,460.0
+2021-3-19,9699.0,294298.0,443.0
+2021-3-20,9632.0,292259.0,392.0
+2021-3-21,9299.0,292444.0,371.0
+2021-3-22,9284.0,293577.0,361.0
+2021-3-23,8457.0,290747.0,427.0
+2021-3-24,8861.0,288852.0,401.0
+2021-3-25,9221.0,286799.0,393.0
+2021-3-26,9167.0,284681.0,405.0
+2021-3-27,8885.0,282842.0,387.0
+2021-3-28,9088.0,282964.0,336.0
+2021-3-29,8711.0,284102.0,293.0
+2021-3-30,8277.0,282382.0,409.0
+2021-3-31,8275.0,280073.0,408.0
+2021-4-01,9169.0,278612.0,383.0
+2021-4-02,8792.0,277172.0,400.0
+2021-4-03,9021.0,276191.0,384.0
+2021-4-04,8817.0,276439.0,357.0
+2021-4-05,8646.0,277690.0,343.0
+2021-4-06,8328.0,276727.0,389.0
+2021-4-07,8294.0,275202.0,374.0
+2021-4-08,8672.0,273951.0,365.0
+2021-4-09,9150.0,273037.0,402.0
+2021-4-10,8704.0,271760.0,402.0
+2021-4-11,8702.0,272895.0,337.0
+2021-4-12,8320.0,274282.0,277.0
+2021-4-13,8173.0,272506.0,338.0
+2021-4-14,8326.0,270986.0,399.0
+2021-4-15,8944.0,269307.0,398.0
+2021-4-16,8995.0,268796.0,397.0
+2021-4-17,9321.0,268887.0,398.0
+2021-4-18,8632.0,269739.0,389.0
+2021-4-19,8589.0,271164.0,346.0
+2021-4-20,8164.0,269318.0,379.0
+2021-4-21,8271.0,267546.0,399.0
+2021-4-22,8996.0,267211.0,397.0
+2021-4-23,8840.0,266246.0,398.0
+2021-4-24,8828.0,265421.0,399.0
+2021-4-25,8780.0,266329.0,332.0
+2021-4-26,8803.0,268145.0,356.0
+2021-4-27,8053.0,267767.0,392.0
+2021-4-28,7848.0,266808.0,387.0
+2021-4-29,9284.0,267286.0,364.0
+2021-4-30,8731.0,267214.0,397.0
+2021-5-01,9270.0,267455.0,392.0
+2021-5-02,8697.0,268471.0,342.0
+2021-5-03,8489.0,270257.0,336.0
+2021-5-04,7770.0,270935.0,337.0
+2021-5-05,7975.0,271044.0,360.0
+2021-5-06,7639.0,270544.0,351.0
+2021-5-07,8386.0,270532.0,376.0
+2021-5-08,8329.0,270236.0,370.0
+2021-5-09,8419.0,270804.0,334.0
+2021-5-10,8465.0,272174.0,321.0
+2021-5-11,8115.0,272951.0,329.0
+2021-5-12,8217.0,272199.0,355.0
+2021-5-13,8380.0,270838.0,392.0
+2021-5-14,9462.0,270151.0,393.0
+2021-5-15,8790.0,268711.0,364.0
+2021-5-16,8554.0,268301.0,391.0
+2021-5-17,9328.0,270108.0,340.0
+2021-5-18,8183.0,268955.0,364.0
+2021-5-19,7920.0,266924.0,390.0
+2021-5-20,9232.0,265777.0,396.0
+2021-5-21,8937.0,264986.0,378.0
+2021-5-22,8709.0,263964.0,386.0
+2021-5-23,8951.0,265261.0,357.0
+2021-5-24,8406.0,266898.0,319.0
+2021-5-25,7884.0,265646.0,393.0
+2021-5-26,8373.0,264478.0,406.0
+2021-5-27,9039.0,263356.0,402.0
+2021-5-28,9252.0,262819.0,404.0
+2021-5-29,9289.0,262457.0,401.0
+2021-5-30,9694.0,264410.0,355.0
+2021-5-31,8475.0,265831.0,339.0
+2021-6-01,9500.0,265965.0,372.0
+2021-6-02,8832.0,265383.0,394.0
+2021-6-03,8933.0,264540.0,393.0
+2021-6-04,8947.0,264580.0,377.0
+2021-6-05,9145.0,264761.0,399.0
+2021-6-06,9163.0,266204.0,351.0
+2021-6-07,9429.0,268547.0,330.0
+2021-6-08,9977.0,269262.0,379.0
+2021-6-09,10407.0,269456.0,399.0
+2021-6-10,11699.0,270676.0,383.0
+2021-6-11,12505.0,272597.0,396.0
+2021-6-12,13510.0,275722.0,399.0
+2021-6-13,14723.0,280922.0,357.0
+2021-6-14,13721.0,285960.0,371.0
+2021-6-15,14185.0,291169.0,379.0
+2021-6-16,13397.0,293914.0,396.0
+2021-6-17,14057.0,296350.0,416.0
+2021-6-18,17262.0,302205.0,453.0
+2021-6-19,17906.0,308961.0,466.0
+2021-6-20,17611.0,317493.0,450.0
+2021-6-21,17378.0,326070.0,440.0
+2021-6-22,16715.0,331122.0,546.0
+2021-6-23,17594.0,335508.0,548.0
+2021-6-24,20182.0,341617.0,568.0
+2021-6-25,20393.0,347385.0,601.0
+2021-6-26,21665.0,354084.0,619.0
+2021-6-27,20538.0,361295.0,599.0
+2021-6-28,21650.0,369708.0,611.0
+2021-6-29,20616.0,374975.0,652.0
+2021-6-30,21042.0,378992.0,669.0
+2021-7-01,23543.0,384935.0,672.0
+2021-7-02,23218.0,389277.0,679.0
+2021-7-03,24439.0,395120.0,697.0
+2021-7-04,25142.0,404115.0,663.0
+2021-7-05,24353.0,413274.0,654.0
+2021-7-06,23378.0,417504.0,737.0
+2021-7-07,23962.0,420674.0,725.0
+2021-7-08,24818.0,423422.0,734.0
+2021-7-09,25766.0,426630.0,726.0
+2021-7-10,25082.0,433210.0,752.0
+2021-7-11,25033.0,440112.0,749.0
+2021-7-12,25140.0,448113.0,710.0
+2021-7-13,24702.0,452469.0,780.0
+2021-7-14,23827.0,454241.0,786.0
+2021-7-15,25293.0,457250.0,791.0
+2021-7-16,25704.0,460223.0,799.0
+2021-7-17,25116.0,463115.0,787.0
+2021-7-18,25018.0,468483.0,764.0
+2021-7-19,24633.0,473633.0,719.0
+2021-7-20,23770.0,474401.0,784.0
+2021-7-21,23704.0,474738.0,783.0
+2021-7-22,24471.0,475753.0,796.0
+2021-7-23,23811.0,476222.0,795.0
+2021-7-24,23947.0,477418.0,799.0
+2021-7-25,24072.0,482033.0,779.0
+2021-7-26,23239.0,488345.0,727.0
+2021-7-27,23032.0,490482.0,779.0
+2021-7-28,22420.0,491525.0,798.0
+2021-7-29,23270.0,493162.0,799.0
+2021-7-30,23564.0,495447.0,794.0
+2021-7-31,23807.0,498691.0,792.0
+2021-8-01,22804.0,503435.0,789.0
+2021-8-02,23508.0,511265.0,785.0
+2021-8-03,22010.0,513524.0,788.0
+2021-8-04,22589.0,515227.0,790.0
+2021-8-05,23120.0,517183.0,794.0
+2021-8-06,22660.0,518910.0,792.0
+2021-8-07,22320.0,520952.0,793.0
+2021-8-08,22866.0,527362.0,787.0
+2021-8-09,22160.0,534279.0,769.0
+2021-8-10,21378.0,536136.0,792.0
+2021-8-11,21571.0,536841.0,799.0
+2021-8-12,21932.0,537770.0,808.0
+2021-8-13,22277.0,539864.0,815.0
+2021-8-14,22144.0,541639.0,819.0
+2021-8-15,21624.0,546021.0,816.0
+2021-8-16,20765.0,550379.0,806.0
+2021-8-17,20958.0,552125.0,805.0
+2021-8-18,20914.0,551527.0,799.0
+2021-8-19,21058.0,547777.0,791.0
+2021-8-20,20992.0,547633.0,785.0
+2021-8-21,21000.0,547189.0,797.0
+2021-8-22,20564.0,551577.0,762.0
+2021-8-23,19454.0,554854.0,776.0
+2021-8-24,18833.0,554257.0,794.0
+2021-8-25,19536.0,553330.0,809.0
+2021-8-26,19630.0,552479.0,820.0
+2021-8-27,19509.0,551973.0,798.0
+2021-8-28,19492.0,551255.0,799.0
+2021-8-29,19286.0,552940.0,797.0
+2021-8-30,18325.0,556293.0,792.0
+2021-8-31,17813.0,554687.0,795.0
+2021-9-01,18368.0,553940.0,790.0
+2021-9-02,18985.0,553458.0,798.0
+2021-9-03,18856.0,552825.0,799.0
+2021-9-04,18780.0,552072.0,796.0
+2021-9-05,18645.0,554668.0,793.0
+2021-9-06,17856.0,557458.0,790.0
+2021-9-07,17425.0,556845.0,795.0
+2021-9-08,18024.0,555810.0,797.0
+2021-9-09,18380.0,553757.0,794.0
+2021-9-10,18341.0,554188.0,789.0
+2021-9-11,18891.0,554395.0,796.0
+2021-9-12,18554.0,557664.0,788.0
+2021-9-13,18178.0,562654.0,719.0
+2021-9-14,17837.0,563803.0,781.0
+2021-9-15,18841.0,564813.0,792.0
+2021-9-16,19594.0,566287.0,794.0
+2021-9-17,19905.0,568782.0,791.0
+2021-9-18,20329.0,572065.0,799.0
+2021-9-19,20174.0,578028.0,793.0
+2021-9-20,19744.0,585002.0,778.0
+2021-9-21,19179.0,587932.0,812.0
+2021-9-22,19706.0,590719.0,817.0
+2021-9-23,21438.0,594770.0,820.0
+2021-9-24,21379.0,599493.0,828.0
+2021-9-25,22041.0,604387.0,822.0
+2021-9-26,22498.0,612409.0,805.0
+2021-9-27,22236.0,620353.0,779.0
+2021-9-28,21559.0,623692.0,852.0
+2021-9-29,22430.0,626809.0,857.0
+2021-9-30,23888.0,631004.0,867.0
+2021-10-01,24522.0,634684.0,887.0
+2021-10-02,25219.0,641165.0,886.0
+2021-10-03,25769.0,650653.0,890.0
+2021-10-04,25781.0,661025.0,883.0
+2021-10-05,25110.0,666672.0,895.0
+2021-10-06,25133.0,671035.0,929.0
+2021-10-07,27550.0,677331.0,924.0
+2021-10-08,27246.0,683075.0,936.0
+2021-10-09,29362.0,690420.0,968.0
+2021-10-10,28647.0,700831.0,962.0
+2021-10-11,29409.0,713823.0,957.0
+2021-10-12,28190.0,720334.0,973.0
+2021-10-13,28717.0,726266.0,984.0
+2021-10-14,31299.0,734909.0,986.0
+2021-10-15,32196.0,743839.0,998.0
+2021-10-16,33208.0,754162.0,1002.0
+2021-10-17,34303.0,768751.0,997.0
+2021-10-18,34325.0,785647.0,998.0
+2021-10-19,33740.0,794946.0,1015.0
+2021-10-20,34073.0,802760.0,1028.0
+2021-10-21,36339.0,812168.0,1036.0
+2021-10-22,37141.0,822792.0,1064.0
+2021-10-23,37678.0,833318.0,1075.0
+2021-10-24,35660.0,845122.0,1072.0
+2021-10-25,37930.0,861293.0,1069.0
+2021-10-26,36446.0,869660.0,1106.0
+2021-10-27,36582.0,875968.0,1123.0
+2021-10-28,40096.0,885587.0,1159.0
+2021-10-29,39849.0,893811.0,1163.0
+2021-10-30,40251.0,903993.0,1160.0
+2021-10-31,40993.0,916713.0,1158.0
+2021-11-01,40402.0,932773.0,1155.0
+2021-11-02,39008.0,939698.0,1178.0
+2021-11-03,40443.0,946145.0,1189.0
+2021-11-04,40217.0,953239.0,1195.0
+2021-11-05,40735.0,964177.0,1192.0
+2021-11-06,41335.0,975123.0,1188.0
+2021-11-07,39165.0,986303.0,1179.0
+2021-11-08,39400.0,998931.0,1190.0
+2021-11-09,39160.0,1004844.0,1211.0
+2021-11-10,38058.0,1007098.0,1239.0
+2021-11-11,40759.0,1013464.0,1237.0
+2021-11-12,40123.0,1018707.0,1235.0
+2021-11-13,39256.0,1022920.0,1241.0
+2021-11-14,38823.0,1030703.0,1219.0
+2021-11-15,38420.0,1040210.0,1211.0
+2021-11-16,36818.0,1041627.0,1240.0
+2021-11-17,36626.0,1040618.0,1247.0
+2021-11-18,37374.0,1040327.0,1251.0
+2021-11-19,37156.0,1039225.0,1254.0
+2021-11-20,37120.0,1038919.0,1254.0
+2021-11-21,36970.0,1042133.0,1252.0
+2021-11-22,35681.0,1047860.0,1241.0
+2021-11-23,33996.0,1044562.0,1243.0
+2021-11-24,33558.0,1040198.0,1240.0
+2021-11-25,33796.0,1034306.0,1238.0
+2021-11-26,34690.0,1031616.0,1235.0
+2021-11-27,33946.0,1027829.0,1239.0
+2021-11-28,33548.0,1029507.0,1224.0
+2021-11-29,33860.0,1034458.0,1209.0
+2021-11-30,32648.0,1032435.0,1229.0
+2021-12-01,32837.0,1028367.0,1226.0
+2021-12-02,33389.0,1025350.0,1221.0
+2021-12-03,32930.0,1020549.0,1217.0
+2021-12-04,32974.0,1017126.0,1215.0
+2021-12-05,32602.0,1017929.0,1206.0
+2021-12-06,32136.0,1020811.0,1184.0
+2021-12-07,31096.0,1016110.0,1182.0
+2021-12-08,30752.0,1008707.0,1179.0
+2021-12-09,30209.0,1001941.0,1181.0
+2021-12-10,30873.0,995981.0,1176.0
+2021-12-11,30288.0,988652.0,1171.0
+2021-12-12,29929.0,986058.0,1132.0
+2021-12-13,29558.0,985934.0,1121.0
+2021-12-14,28343.0,979048.0,1145.0
+2021-12-15,28363.0,970636.0,1142.0
+2021-12-16,28486.0,960834.0,1133.0
+2021-12-17,27743.0,950060.0,1080.0
+2021-12-18,27434.0,938377.0,1076.0
+2021-12-19,27967.0,932666.0,1023.0
+2021-12-20,27022.0,928610.0,1019.0
+2021-12-21,25907.0,913271.0,1027.0
+2021-12-22,25264.0,895193.0,1020.0
+2021-12-23,25667.0,878213.0,1002.0
+2021-12-24,24703.0,860705.0,998.0
+2021-12-25,24946.0,842563.0,981.0
+2021-12-26,23721.0,828031.0,968.0
+2021-12-27,23210.0,816589.0,937.0
+2021-12-28,21922.0,793615.0,935.0
+2021-12-29,21119.0,771026.0,932.0
+2021-12-30,21073.0,748169.0,926.0
+2021-12-31,20638.0,727203.0,912.0
+2022-1-01,19751.0,712963.0,847.0
+2022-1-02,18233.0,703409.0,811.0
+2022-1-03,16343.0,694880.0,835.0
+2022-1-04,15903.0,682878.0,834.0
+2022-1-05,15772.0,672241.0,828.0
+2022-1-06,15316.0,663806.0,802.0
+2022-1-07,16735.0,657719.0,787.0
+2022-1-08,16568.0,653042.0,796.0
+2022-1-09,16246.0,647774.0,763.0
+2022-1-10,15830.0,642973.0,741.0
+2022-1-11,17525.0,634499.0,783.0
+2022-1-12,17946.0,625354.0,745.0
+2022-1-13,21155.0,619785.0,740.0
+2022-1-14,23820.0,617914.0,739.0
+2022-1-15,27179.0,617786.0,723.0
+2022-1-16,29230.0,623599.0,686.0
+2022-1-17,30726.0,633899.0,670.0
+2022-1-18,31252.0,639899.0,688.0
+2022-1-19,33899.0,650180.0,698.0
+2022-1-20,38850.0,663868.0,684.0
+2022-1-21,49513.0,687970.0,692.0
+2022-1-22,57212.0,718976.0,681.0
+2022-1-23,63205.0,758457.0,679.0
+2022-1-24,65109.0,801197.0,655.0
+2022-1-25,67809.0,841921.0,681.0
+2022-1-26,74692.0,887759.0,657.0
+2022-1-27,88816.0,946156.0,665.0
+2022-1-28,98040.0,1014017.0,673.0
+2022-1-29,113122.0,1096461.0,668.0
+2022-1-30,121228.0,1188128.0,617.0
+2022-1-31,124070.0,1281447.0,621.0
+2022-2-01,125836.0,1366319.0,663.0
+2022-2-02,141883.0,1459098.0,678.0
+2022-2-03,155768.0,1560475.0,667.0
+2022-2-04,168201.0,1669545.0,682.0
+2022-2-05,177282.0,1785606.0,714.0
+2022-2-06,180071.0,1905433.0,661.0
+2022-2-07,171905.0,2021046.0,609.0
+2022-2-08,165643.0,2104803.0,698.0
+2022-2-09,183103.0,2190074.0,669.0
+2022-2-10,197076.0,2280357.0,701.0
+2022-2-11,203949.0,2371348.0,722.0
+2022-2-12,203766.0,2461727.0,729.0
+2022-2-13,197949.0,2557402.0,706.0
+2022-2-14,180456.0,2639990.0,683.0
+2022-2-15,166631.0,2668036.0,704.0
+2022-2-16,179284.0,2674104.0,748.0
+2022-2-17,180622.0,2668854.0,790.0
+2022-2-18,180071.0,2649772.0,784.0
+2022-2-19,179147.0,2637023.0,798.0
+2022-2-20,170699.0,2659681.0,745.0
+2022-2-21,152337.0,2683789.0,735.0
+2022-2-22,135172.0,2653872.0,796.0
+2022-2-23,137642.0,2611526.0,785.0
+2022-2-24,132998.0,2607329.0,762.0
+2022-2-25,123460.0,2562692.0,787.0
+2022-2-26,122995.0,2503551.0,793.0
+2022-2-27,116093.0,2481279.0,769.0
+2022-2-28,106920.0,2470724.0,733.0
+2022-3-01,97333.0,2394458.0,786.0
+2022-3-02,97455.0,2307599.0,784.0
+2022-3-03,93026.0,2229155.0,781.0
+2022-3-04,89174.0,2157046.0,776.0
+2022-3-05,86769.0,2087340.0,750.0
+2022-3-06,79863.0,2017399.0,744.0
+2022-3-07,73162.0,1967274.0,668.0
+2022-3-08,66576.0,1921442.0,652.0
+2022-3-09,58675.0,1886740.0,645.0
+2022-3-10,51231.0,1788672.0,665.0
+2022-3-11,50743.0,1687531.0,674.0
+2022-3-12,48154.0,1578204.0,630.0
+2022-3-13,44989.0,1493968.0,596.0
+2022-3-14,41055.0,1429247.0,533.0
+2022-3-15,36678.0,1346995.0,558.0
+2022-3-16,36519.0,1264929.0,576.0
+2022-3-17,34819.0,1186573.0,561.0
+2022-3-18,34442.0,1115427.0,524.0
+2022-3-19,32958.0,1052332.0,495.0
+2022-3-20,31035.0,1008258.0,434.0
+2022-3-21,28709.0,974620.0,409.0
+2022-3-22,26394.0,925622.0,472.0
+2022-3-23,26826.0,881397.0,429.0
+2022-3-24,25387.0,839890.0,418.0
+2022-3-25,25382.0,803014.0,398.0
+2022-3-26,24072.0,765758.0,395.0
+2022-3-27,23280.0,741160.0,338.0
+2022-3-28,21101.0,726180.0,335.0
+2022-3-29,19660.0,698272.0,339.0
+2022-3-30,20145.0,666980.0,352.0
+2022-3-31,19277.0,635416.0,345.0
+2022-4-01,19164.0,608240.0,342.0
+2022-4-02,17949.0,581302.0,340.0
+2022-4-03,16828.0,562131.0,304.0
+2022-4-04,15291.0,544285.0,287.0
+2022-4-05,13947.0,520457.0,316.0
+2022-4-06,14661.0,499521.0,291.0
+2022-4-07,14355.0,478285.0,287.0
+2022-4-08,14311.0,454632.0,280.0
+2022-4-09,13573.0,427817.0,288.0
+2022-4-10,13056.0,411242.0,259.0
+2022-4-11,11855.0,396094.0,248.0
+2022-4-12,10910.0,375452.0,281.0
+2022-4-13,11754.0,358804.0,267.0
+2022-4-14,11348.0,348045.0,254.0
+2022-4-15,11432.0,339693.0,261.0
+2022-4-16,11095.0,331542.0,240.0
+2022-4-17,10263.0,325076.0,233.0
+2022-4-18,9434.0,319973.0,213.0
+2022-4-19,8640.0,311615.0,235.0
+2022-4-20,9195.0,304387.0,223.0
+2022-4-21,8875.0,298883.0,197.0
+2022-4-22,9001.0,294209.0,195.0
+2022-4-23,8829.0,289837.0,171.0
+2022-4-24,8446.0,287607.0,168.0
+2022-4-25,7651.0,286244.0,159.0
+2022-4-26,7107.0,281276.0,176.0
+2022-4-27,7705.0,277341.0,163.0
+2022-4-28,7681.0,273793.0,166.0
+2022-4-29,7710.0,270301.0,161.0
+2022-4-30,7363.0,266485.0,157.0
+2022-5-01,7047.0,264652.0,147.0
+2022-5-02,6207.0,263221.0,136.0
+2022-5-03,5466.0,261510.0,125.0
+2022-5-04,5093.0,259810.0,129.0
+2022-5-05,5011.0,255959.0,139.0
+2022-5-06,5541.0,251956.0,136.0
+2022-5-07,5500.0,248675.0,132.0
+2022-5-08,5447.0,247322.0,118.0
+2022-5-09,5030.0,246290.0,103.0
+2022-5-10,4531.0,245706.0,101.0
+2022-5-11,4102.0,244667.0,98.0
+2022-5-12,4065.0,241691.0,111.0
+2022-5-13,4896.0,239225.0,105.0
+2022-5-14,5047.0,236787.0,107.0

src/lab2_functions.py

@@ -0,0 +1,626 @@
+"""
+Функции для лабораторной работы №2: Прогнозирование временных рядов
+"""
+import numpy as np
+import pandas as pd
+from typing import List, Tuple, Dict, Optional
+from scipy import stats
+from scipy.stats import boxcox, boxcox_normmax
+from statsmodels.tsa.holtwinters import ExponentialSmoothing
+from statsmodels.stats.diagnostic import acorr_ljungbox
+from statsmodels.tsa.stattools import adfuller, kpss
+from sklearn.model_selection import TimeSeriesSplit
+from sklearn.metrics import mean_absolute_error, mean_squared_error
+import warnings
+warnings.filterwarnings('ignore')
+
+
+def calculate_mape(y_true: np.ndarray, y_pred: np.ndarray) -> float:
+    """Вычисляет MAPE (Mean Absolute Percentage Error)"""
+    y_true = np.array(y_true)
+    y_pred = np.array(y_pred)
+    mask = y_true != 0
+    if mask.sum() == 0:
+        return np.nan
+    return np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100
+
+
+def create_advanced_features(df: pd.DataFrame, target: str, timestamp_col: str = 'timestamp') -> pd.DataFrame:
+    """
+    Расширенный feature engineering:
+    - Временные признаки (день недели, месяц, квартал)
+    - Циклические признаки через sin/cos
+    - Лаги: lag_1, lag_7, lag_30
+    - Скользящие статистики: mean, std, min, max по окнам 7, 30, 90
+    """
+    df = df.copy()
+    df = df.set_index(timestamp_col).sort_index()
+    
+    # Временные признаки
+    df['day_of_week'] = df.index.dayofweek
+    df['month'] = df.index.month
+    df['quarter'] = df.index.quarter
+    df['day_of_month'] = df.index.day
+    df['week_of_year'] = df.index.isocalendar().week
+    
+    # Циклические признаки
+    df['day_of_week_sin'] = np.sin(2 * np.pi * df['day_of_week'] / 7)
+    df['day_of_week_cos'] = np.cos(2 * np.pi * df['day_of_week'] / 7)
+    df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12)
+    df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12)
+    
+    # Лаги
+    for lag in [1, 7, 30]:
+        df[f'{target}_lag_{lag}'] = df[target].shift(lag)
+    
+    # Скользящие статистики
+    windows = [7, 30, 90]
+    for w in windows:
+        df[f'{target}_rolling_mean_{w}'] = df[target].rolling(window=w, min_periods=1).mean()
+        df[f'{target}_rolling_std_{w}'] = df[target].rolling(window=w, min_periods=1).std()
+        df[f'{target}_rolling_min_{w}'] = df[target].rolling(window=w, min_periods=1).min()
+        df[f'{target}_rolling_max_{w}'] = df[target].rolling(window=w, min_periods=1).max()
+    
+    # Коэффициент вариации (волатильность)
+    for w in [7, 30]:
+        rolling_mean = df[f'{target}_rolling_mean_{w}']
+        rolling_std = df[f'{target}_rolling_std_{w}']
+        df[f'{target}_rolling_cv_{w}'] = rolling_std / (rolling_mean + 1e-8)
+    
+    return df.reset_index()
+
+
+def apply_boxcox_transform(series: pd.Series, lambda_param: Optional[float] = None) -> Tuple[pd.Series, float]:
+    """
+    Применяет преобразование Бокса-Кокса.
+    Если lambda_param не указан, подбирает оптимальный.
+    """
+    series_positive = series[series > 0]
+    if len(series_positive) == 0:
+        raise ValueError("Все значения должны быть положительными для преобразования Бокса-Кокса")
+    
+    if lambda_param is None:
+        # Автоматический подбор lambda
+        lambda_param = boxcox_normmax(series_positive.values)
+    
+    transformed_values, fitted_lambda = boxcox(series_positive.values, lmbda=lambda_param)
+    
+    # Создаём новый Series с теми же индексами
+    result = pd.Series(index=series.index, dtype=float)
+    result.loc[series > 0] = transformed_values
+    
+    return result, fitted_lambda
+
+
+def inverse_boxcox_transform(transformed_series: pd.Series, lambda_param: float) -> pd.Series:
+    """Обратное преобразование Бокса-Кокса"""
+    if lambda_param == 0:
+        return np.exp(transformed_series)
+    else:
+        return (lambda_param * transformed_series + 1) ** (1 / lambda_param)
+
+
+def inverse_transformations(
+    forecast: np.ndarray,
+    last_train_values_transformed: np.ndarray,
+    transform_info: Dict
+) -> np.ndarray:
+    """
+    Применяет обратные преобразования к прогнозу.
+    
+    Порядок обратного преобразования должен быть обратным порядку прямого:
+    Прямое: transformation -> diff_order -> seasonal_diff
+    Обратное: seasonal_diff -> diff_order -> transformation
+    
+    forecast: прогноз в преобразованном пространстве (после всех преобразований)
+    last_train_values_transformed: последние значения обучающей выборки в преобразованном пространстве (после всех преобразований)
+    transform_info: информация о применённых преобразованиях (может содержать промежуточные значения)
+    """
+    result = forecast.copy()
+    diff_order = transform_info.get('diff_order', 0)
+    seasonal_diff = transform_info.get('seasonal_diff')
+    
+    # Получаем промежуточные значения из transform_info, если они есть
+    last_values_after_diff = transform_info.get('last_values_after_diff', None)
+    last_values_after_transform = transform_info.get('last_values_after_transform', None)
+    
+    # 1. Обратное сезонное дифференцирование (если было)
+    if seasonal_diff is not None and seasonal_diff > 0:
+        # Нужны последние seasonal_diff значений после transformation и diff, но до seasonal_diff
+        if last_values_after_diff is not None and len(last_values_after_diff) >= seasonal_diff:
+            last_seasonal = last_values_after_diff[-seasonal_diff:]
+        elif len(last_train_values_transformed) >= seasonal_diff:
+            # Fallback: используем последние значения (хотя это не совсем правильно)
+            last_seasonal = last_train_values_transformed[-seasonal_diff:]
+        else:
+            last_seasonal = last_train_values_transformed if len(last_train_values_transformed) > 0 else np.array([0])
+        
+        for i in range(len(result)):
+            if i < len(last_seasonal):
+                result[i] = result[i] + last_seasonal[i]
+            else:
+                # Используем предыдущие прогнозы
+                result[i] = result[i] + result[i - seasonal_diff]
+    
+    # 2. Обратное обычное дифференцирование (если было)
+    for _ in range(diff_order):
+        # Нужны последние diff_order значений после transformation, но до diff
+        if last_values_after_transform is not None and len(last_values_after_transform) > 0:
+            last_val = last_values_after_transform[-1]
+        elif len(last_train_values_transformed) > 0:
+            # Fallback
+            last_val = last_train_values_transformed[-1]
+        else:
+            last_val = 0
+        
+        for i in range(len(result)):
+            if i == 0:
+                result[i] = result[i] + last_val
+            else:
+                result[i] = result[i] + result[i - 1]
+    
+    # 3. Обратное преобразование для стабилизации дисперсии
+    if transform_info.get('transformation') == 'log':
+        result = np.exp(result)
+    elif transform_info.get('transformation') == 'boxcox':
+        lambda_param = transform_info.get('lambda')
+        if lambda_param is not None:
+            if lambda_param == 0:
+                result = np.exp(result)
+            else:
+                result = (lambda_param * result + 1) ** (1 / lambda_param)
+    
+    return result
+
+
+def apply_transformations(
+    series: pd.Series,
+    transformation: str = 'none',
+    lambda_param: Optional[float] = None,
+    diff_order: int = 0,
+    seasonal_diff: Optional[int] = None
+) -> Tuple[pd.Series, Dict]:
+    """
+    Применяет цепочку преобразований к ряду.
+    
+    transformation: 'none', 'log', 'boxcox'
+    diff_order: порядок обычного дифференцирования
+    seasonal_diff: период сезонного дифференцирования
+    
+    Возвращает преобразованный ряд и словарь с информацией о преобразованиях,
+    включая промежуточные значения для обратного преобразования.
+    """
+    result = series.copy()
+    info = {'transformation': transformation, 'lambda': None, 'diff_order': diff_order, 'seasonal_diff': seasonal_diff}
+    
+    # Преобразование для стабилизации дисперсии
+    if transformation == 'log':
+        if (result <= 0).any():
+            raise ValueError("Для лог-трансформации все значения должны быть положительными")
+        result = np.log(result)
+    elif transformation == 'boxcox':
+        result, lambda_param = apply_boxcox_transform(result, lambda_param)
+        info['lambda'] = lambda_param
+    
+    # Сохраняем значения после transformation (для обратного diff)
+    result_after_transform = result.copy()
+    
+    # Обычное дифференцирование
+    for _ in range(diff_order):
+        result = result.diff()
+    
+    # Сохраняем значения после diff (для обратного seasonal_diff)
+    result_after_diff = result.copy()
+    
+    # Сезонное дифференцирование
+    if seasonal_diff is not None and seasonal_diff > 0:
+        result = result.diff(periods=seasonal_diff)
+    
+    # Сохраняем промежуточные значения для обратного преобразования
+    info['last_values_after_transform'] = result_after_transform.values[-max(diff_order, 1):] if len(result_after_transform) > 0 else np.array([])
+    info['last_values_after_diff'] = result_after_diff.values[-max(seasonal_diff if seasonal_diff else 1, 1):] if len(result_after_diff) > 0 else np.array([])
+    
+    return result.dropna(), info
+
+
+def recursive_forecast(
+    model_func,
+    train_data: pd.Series,
+    horizon: int,
+    alpha: Optional[float] = None,
+    **model_kwargs
+) -> Tuple[np.ndarray, Optional[Tuple[np.ndarray, np.ndarray]]]:
+    """
+    Рекурсивная стратегия прогнозирования:
+    Одна модель → итеративное использование прогнозов
+    
+    Возвращает прогнозы и опционально доверительные интервалы (lower, upper)
+    """
+    forecasts = []
+    conf_lower = [] if alpha is not None else None
+    conf_upper = [] if alpha is not None else None
+    current_data = train_data.copy()
+    
+    # Определяем тип индекса для правильного добавления новых значений
+    is_datetime = pd.api.types.is_datetime64_any_dtype(current_data.index)
+    
+    for h in range(horizon):
+        # Обучаем модель на текущих данных
+        model = model_func(current_data, **model_kwargs)
+        # Прогнозируем на 1 шаг вперёд
+        if alpha is not None:
+            try:
+                forecast_result = model.forecast(steps=1, alpha=alpha)
+                if isinstance(forecast_result, tuple):
+                    forecast_value = forecast_result[0][0] if len(forecast_result[0]) > 0 else forecast_result[0]
+                    if len(forecast_result) > 1:
+                        conf_lower.append(forecast_result[1][0] if len(forecast_result[1]) > 0 else forecast_result[1])
+                        conf_upper.append(forecast_result[2][0] if len(forecast_result[2]) > 0 else forecast_result[2])
+                else:
+                    forecast_value = forecast_result[0] if hasattr(forecast_result, '__getitem__') else float(forecast_result)
+            except:
+                # Если доверительные интервалы не поддерживаются, используем обычный прогноз
+                forecast = model.forecast(steps=1)
+                forecast_value = forecast[0] if hasattr(forecast, '__getitem__') else float(forecast)
+        else:
+            forecast = model.forecast(steps=1)
+            forecast_value = forecast[0] if hasattr(forecast, '__getitem__') else float(forecast)
+        
+        forecasts.append(forecast_value)
+        
+        # Добавляем прогноз к данным для следующей итерации
+        if is_datetime:
+            # Для DatetimeIndex используем частоту или инференс
+            try:
+                freq = pd.infer_freq(current_data.index) or 'D'
+                # Используем pd.date_range для создания следующей даты
+                last_date = current_data.index[-1]
+                next_dates = pd.date_range(start=last_date, periods=2, freq=freq)
+                if len(next_dates) >= 2:
+                    next_idx = next_dates[1]  # Берём вторую дату (первая = last_date)
+                else:
+                    # Fallback
+                    next_idx = len(current_data)
+                    is_datetime = False
+            except:
+                # Если не удалось определить частоту, используем числовой индекс
+                try:
+                    # Пробуем простой способ через Timedelta
+                    next_idx = current_data.index[-1] + pd.Timedelta(days=1)
+                except:
+                    next_idx = len(current_data)
+                    is_datetime = False
+        else:
+            # Для числового индекса просто увеличиваем на 1
+            next_idx = len(current_data)
+        
+        if is_datetime:
+            current_data = pd.concat([current_data, pd.Series([forecast_value], index=[next_idx])])
+        else:
+            # Используем числовой индекс
+            current_data = pd.concat([current_data, pd.Series([forecast_value], index=[next_idx])])
+    
+    result = np.array(forecasts)
+    if alpha is not None and conf_lower and conf_upper:
+        return result, (np.array(conf_lower), np.array(conf_upper))
+    return result, None
+
+
+def direct_forecast(
+    model_func,
+    train_data: pd.Series,
+    horizon: int,
+    alpha: Optional[float] = None,
+    **model_kwargs
+) -> Tuple[np.ndarray, Optional[Tuple[np.ndarray, np.ndarray]]]:
+    """
+    Прямая стратегия прогнозирования:
+    Отдельная модель для каждого шага t+1, ..., t+h
+    
+    Возвращает прогнозы и опционально доверительные интервалы (lower, upper)
+    """
+    forecasts = []
+    conf_lower = [] if alpha is not None else None
+    conf_upper = [] if alpha is not None else None
+    
+    for h in range(1, horizon + 1):
+        # Обучаем отдельную модель для шага h
+        model = model_func(train_data, **model_kwargs)
+        # Прогнозируем на h шагов вперёд и берём последний
+        if alpha is not None:
+            try:
+                forecast_result = model.forecast(steps=h, alpha=alpha)
+                if isinstance(forecast_result, tuple):
+                    forecast_value = forecast_result[0][-1] if len(forecast_result[0]) > 0 else forecast_result[0]
+                    if len(forecast_result) > 1:
+                        conf_lower.append(forecast_result[1][-1] if len(forecast_result[1]) > 0 else forecast_result[1])
+                        conf_upper.append(forecast_result[2][-1] if len(forecast_result[2]) > 0 else forecast_result[2])
+                else:
+                    forecast_value = forecast_result[-1]
+            except:
+                forecast = model.forecast(steps=h)
+                forecast_value = forecast[-1]
+        else:
+            forecast = model.forecast(steps=h)
+            forecast_value = forecast[-1]
+        
+        forecasts.append(forecast_value)
+    
+    result = np.array(forecasts)
+    if alpha is not None and conf_lower and conf_upper:
+        return result, (np.array(conf_lower), np.array(conf_upper))
+    return result, None
+
+
+def hybrid_forecast(
+    model_func,
+    train_data: pd.Series,
+    horizon: int,
+    recursive_steps: int = None,
+    alpha: Optional[float] = None,
+    **model_kwargs
+) -> Tuple[np.ndarray, Optional[Tuple[np.ndarray, np.ndarray]]]:
+    """
+    Гибридная стратегия:
+    Рекурсивная для ближайших шагов, прямая — для дальних
+    
+    Возвращает прогнозы и опционально доверительные интервалы (lower, upper)
+    """
+    if recursive_steps is None:
+        recursive_steps = max(1, horizon // 2)
+    
+    forecasts = []
+    conf_lower = [] if alpha is not None else None
+    conf_upper = [] if alpha is not None else None
+    
+    # Рекурсивная часть
+    recursive_result = recursive_forecast(model_func, train_data, recursive_steps, alpha=alpha, **model_kwargs)
+    if isinstance(recursive_result, tuple):
+        recursive_forecasts, recursive_conf = recursive_result
+        if recursive_conf is not None:
+            conf_lower.extend(recursive_conf[0])
+            conf_upper.extend(recursive_conf[1])
+    else:
+        recursive_forecasts = recursive_result
+    forecasts.extend(recursive_forecasts)
+    
+    # Прямая часть для оставшихся шагов
+    if horizon > recursive_steps:
+        # Используем последние данные + рекурсивные прогнозы
+        is_datetime = pd.api.types.is_datetime64_any_dtype(train_data.index)
+        
+        if is_datetime:
+            try:
+                freq = pd.infer_freq(train_data.index) or 'D'
+                # Используем pd.date_range для создания дат начиная с последней даты + 1 период
+                last_date = train_data.index[-1]
+                extended_index = pd.date_range(
+                    start=last_date,
+                    periods=len(recursive_forecasts) + 1,
+                    freq=freq
+                )[1:]  # Берём все даты кроме первой (которая равна last_date)
+            except:
+                # Fallback на числовой индекс
+                try:
+                    # Пробуем через date_range с periods
+                    last_date = train_data.index[-1]
+                    extended_index = pd.date_range(
+                        start=last_date,
+                        periods=len(recursive_forecasts) + 1,
+                        freq='D'
+                    )[1:]  # Берём все даты кроме первой
+                except:
+                    extended_index = range(len(train_data), len(train_data) + len(recursive_forecasts))
+        else:
+            extended_index = range(len(train_data), len(train_data) + len(recursive_forecasts))
+        
+        extended_data = pd.concat([
+            train_data,
+            pd.Series(recursive_forecasts, index=extended_index)
+        ])
+        
+        remaining_horizon = horizon - recursive_steps
+        direct_result = direct_forecast(model_func, extended_data, remaining_horizon, alpha=alpha, **model_kwargs)
+        if isinstance(direct_result, tuple):
+            direct_forecasts, direct_conf = direct_result
+            if direct_conf is not None:
+                conf_lower.extend(direct_conf[0])
+                conf_upper.extend(direct_conf[1])
+        else:
+            direct_forecasts = direct_result
+        forecasts.extend(direct_forecasts)
+    
+    result = np.array(forecasts[:horizon])
+    if alpha is not None and conf_lower and conf_upper:
+        return result, (np.array(conf_lower[:horizon]), np.array(conf_upper[:horizon]))
+    return result, None
+
+
+def create_exponential_smoothing_model(
+    train_data: pd.Series,
+    trend: Optional[str] = None,
+    seasonal: Optional[str] = None,
+    seasonal_periods: Optional[int] = None,
+    optimized: bool = True
+) -> ExponentialSmoothing:
+    """Создаёт и обучает модель экспоненциального сглаживания"""
+    try:
+        model = ExponentialSmoothing(
+            train_data,
+            trend=trend,
+            seasonal=seasonal,
+            seasonal_periods=seasonal_periods,
+            initialization_method='estimated' if optimized else 'simple'
+        )
+        fitted_model = model.fit(optimized=optimized)
+        return fitted_model
+    except Exception as e:
+        raise ValueError(f"Ошибка при создании модели: {e}")
+
+
+def evaluate_forecast(y_true: np.ndarray, y_pred: np.ndarray) -> Dict[str, float]:
+    """Вычисляет метрики качества прогноза"""
+    y_true = np.array(y_true)
+    y_pred = np.array(y_pred)
+    
+    mae = mean_absolute_error(y_true, y_pred)
+    rmse = np.sqrt(mean_squared_error(y_true, y_pred))
+    mape = calculate_mape(y_true, y_pred)
+    
+    return {
+        'MAE': mae,
+        'RMSE': rmse,
+        'MAPE': mape
+    }
+
+
+def naive_forecast(train_data: pd.Series, horizon: int) -> np.ndarray:
+    """Наивный прогноз: y[t+h] = y[t]"""
+    last_value = train_data.iloc[-1]
+    return np.full(horizon, last_value)
+
+
+def time_series_cv_sliding_window(
+    model_func,
+    data: pd.Series,
+    train_size: int,
+    test_size: int,
+    horizon: int,
+    step: int = 1,
+    **model_kwargs
+) -> List[Dict]:
+    """
+    Кросс-валидация со скользящим окном (фиксированная длина обучения)
+    """
+    results = []
+    n = len(data)
+    
+    for i in range(0, n - train_size - test_size + 1, step):
+        train_end = i + train_size
+        test_end = min(train_end + test_size, n)
+        
+        train_data = data.iloc[i:train_end]
+        test_data = data.iloc[train_end:test_end]
+        
+        try:
+            model = model_func(train_data, **model_kwargs)
+            forecast = model.forecast(steps=min(horizon, len(test_data)))
+            
+            metrics = evaluate_forecast(test_data.values[:len(forecast)], forecast)
+            metrics['fold'] = len(results) + 1
+            metrics['train_start'] = train_data.index[0]
+            metrics['train_end'] = train_data.index[-1]
+            metrics['test_start'] = test_data.index[0]
+            metrics['test_end'] = test_data.index[-1]
+            results.append(metrics)
+        except Exception as e:
+            print(f"Ошибка в фолде {len(results) + 1}: {e}")
+    
+    return results
+
+
+def time_series_cv_expanding_window(
+    model_func,
+    data: pd.Series,
+    initial_train_size: int,
+    test_size: int,
+    horizon: int,
+    step: int = 1,
+    **model_kwargs
+) -> List[Dict]:
+    """
+    Кросс-валидация с расширяющимся окном (обучение растёт со временем)
+    """
+    results = []
+    n = len(data)
+    
+    for i in range(initial_train_size, n - test_size + 1, step):
+        train_end = i
+        test_end = min(train_end + test_size, n)
+        
+        train_data = data.iloc[:train_end]
+        test_data = data.iloc[train_end:test_end]
+        
+        try:
+            model = model_func(train_data, **model_kwargs)
+            forecast = model.forecast(steps=min(horizon, len(test_data)))
+            
+            metrics = evaluate_forecast(test_data.values[:len(forecast)], forecast)
+            metrics['fold'] = len(results) + 1
+            metrics['train_start'] = train_data.index[0]
+            metrics['train_end'] = train_data.index[-1]
+            metrics['test_start'] = test_data.index[0]
+            metrics['test_end'] = test_data.index[-1]
+            results.append(metrics)
+        except Exception as e:
+            print(f"Ошибка в фолде {len(results) + 1}: {e}")
+    
+    return results
+
+
+def diagnose_model_residuals(residuals: np.ndarray, lags: int = 10) -> Dict:
+    """
+    Диагностика остатк��в модели:
+    - Тест Льюнга-Бокса на автокорреляцию
+    - Проверка нормальности (Shapiro-Wilk)
+    - Q-Q plot данные
+    """
+    residuals_clean = residuals[~np.isnan(residuals)]
+    
+    if len(residuals_clean) < 3:
+        return {'error': 'Недостаточно данных для диагностики'}
+    
+    results = {}
+    
+    # Тест Льюнга-Бокса
+    try:
+        lb_stat, lb_pvalue = acorr_ljungbox(residuals_clean, lags=min(lags, len(residuals_clean) - 1), return_df=False)
+        results['ljung_box'] = {
+            'statistic': float(lb_stat[-1]) if len(lb_stat) > 0 else None,
+            'pvalue': float(lb_pvalue[-1]) if len(lb_pvalue) > 0 else None,
+            'lags': lags
+        }
+    except Exception as e:
+        results['ljung_box'] = {'error': str(e)}
+    
+    # Тест Шапиро-Уилка на нормальность
+    try:
+        if len(residuals_clean) <= 5000:  # Ограничение для Shapiro-Wilk
+            shapiro_stat, shapiro_pvalue = stats.shapiro(residuals_clean)
+            results['shapiro_wilk'] = {
+                'statistic': float(shapiro_stat),
+                'pvalue': float(shapiro_pvalue)
+            }
+        else:
+            # Для больших выборок используем тест нормальности из scipy
+            k2_stat, k2_pvalue = stats.normaltest(residuals_clean)
+            results['normality_test'] = {
+                'statistic': float(k2_stat),
+                'pvalue': float(k2_pvalue),
+                'test': 'normaltest'
+            }
+    except Exception as e:
+        results['normality_test'] = {'error': str(e)}
+    
+    # Статистики остатков
+    results['residual_stats'] = {
+        'mean': float(np.mean(residuals_clean)),
+        'std': float(np.std(residuals_clean)),
+        'min': float(np.min(residuals_clean)),
+        'max': float(np.max(residuals_clean)),
+        'count': len(residuals_clean)
+    }
+    
+    # Проверка стационарности остатков
+    try:
+        adf_stat, adf_pvalue, _, _, _, _ = adfuller(residuals_clean)
+        kpss_stat, kpss_pvalue, _, _ = kpss(residuals_clean)
+        results['stationarity'] = {
+            'adf': {'statistic': float(adf_stat), 'pvalue': float(adf_pvalue)},
+            'kpss': {'statistic': float(kpss_stat), 'pvalue': float(kpss_pvalue)}
+        }
+    except Exception as e:
+        results['stationarity'] = {'error': str(e)}
+    
+    return results
+

src/lab3_functions.py

@@ -0,0 +1,192 @@
+# TimeSeriesHomework/src/lab3_functions.py
+"""
+Набор вспомогательных функций для ЛР3:
+- обёртки для SARIMAX, auto_arima (pmdarima), VAR, GARCH (arch) и т.п.
+- forecast helpers
+- простые метрики
+Файл не использует абсолютных путей и предназначен для импорта в проекте.
+"""
+
+import warnings
+warnings.filterwarnings("ignore")
+
+from typing import Tuple, Dict, Any, Optional, List
+import numpy as np
+import pandas as pd
+
+# optional heavy deps
+try:
+    import pmdarima as pm
+    PM_AVAILABLE = True
+except Exception:
+    PM_AVAILABLE = False
+
+try:
+    from statsmodels.tsa.statespace.sarimax import SARIMAX
+    from statsmodels.tsa.api import VAR
+    STATSMODELS_AVAILABLE = True
+except Exception:
+    STATSMODELS_AVAILABLE = False
+
+try:
+    from arch import arch_model
+    ARCH_AVAILABLE = True
+except Exception:
+    ARCH_AVAILABLE = False
+
+# sklearn metrics used for convenience (optional)
+try:
+    from sklearn.metrics import mean_absolute_error, mean_squared_error
+    SKLEARN_AVAILABLE = True
+except Exception:
+    SKLEARN_AVAILABLE = False
+
+
+def is_pandas_series(x: Any) -> bool:
+    return isinstance(x, (pd.Series,))
+
+
+def mae_rmse(y_true, y_pred) -> Dict[str, float]:
+    y_true = np.array(y_true)
+    y_pred = np.array(y_pred)
+    if SKLEARN_AVAILABLE:
+        mae = float(mean_absolute_error(y_true, y_pred))
+        rmse = float(np.sqrt(mean_squared_error(y_true, y_pred)))
+    else:
+        mae = float(np.mean(np.abs(y_true - y_pred)))
+        rmse = float(np.sqrt(np.mean((y_true - y_pred) ** 2)))
+    return {"MAE": mae, "RMSE": rmse}
+
+
+def fit_auto_arima(series: pd.Series, seasonal: bool = False, m: int = 1, **kwargs):
+    """
+    Подбор ARIMA через pmdarima.auto_arima. Возвращает обученную модель pmdarima.
+    """
+    if not PM_AVAILABLE:
+        raise ImportError("pmdarima не установлен. Установите pmdarima (pip install pmdarima).")
+    if not is_pandas_series(series):
+        series = pd.Series(series)
+    series_clean = series.dropna()
+    if series_clean.empty:
+        raise ValueError("Пустая серия передана в fit_auto_arima.")
+    model = pm.auto_arima(series_clean, seasonal=seasonal, m=m, error_action="ignore", suppress_warnings=True, **kwargs)
+    return model
+
+
+def fit_sarimax(series: pd.Series, order: Tuple[int, int, int] = (1, 0, 0),
+                seasonal_order: Tuple[int, int, int, int] = (0, 0, 0, 0),
+                enforce_stationarity: bool = False, enforce_invertibility: bool = True, **fit_kwargs):
+    """
+    Обучает SARIMAX (statsmodels). Возвращает результат fit() (SARIMAXResults).
+    """
+    if not STATSMODELS_AVAILABLE:
+        raise ImportError("statsmodels не установлен. Установите statsmodels.")
+    if not is_pandas_series(series):
+        series = pd.Series(series)
+    series_clean = series.dropna()
+    if series_clean.empty:
+        raise ValueError("Пустая серия передана в fit_sarimax.")
+    model = SARIMAX(series_clean, order=order, seasonal_order=seasonal_order,
+                    enforce_stationarity=enforce_stationarity, enforce_invertibility=enforce_invertibility)
+    res = model.fit(disp=False, **fit_kwargs)
+    return res
+
+
+def forecast_sarimax(fit_res, steps: int, alpha: float = 0.05) -> Tuple[np.ndarray, Tuple[np.ndarray, np.ndarray]]:
+    """
+    Делает прогноз из обученного SARIMAX-результата (res.get_forecast).
+    Возвращает (mean, (lower, upper)) — numpy arrays длины steps.
+    """
+    if hasattr(fit_res, "get_forecast"):
+        fc = fit_res.get_forecast(steps=steps)
+        mean = np.asarray(fc.predicted_mean)
+        try:
+            conf = fc.conf_int(alpha=alpha)
+            lower = np.asarray(conf.iloc[:, 0])
+            upper = np.asarray(conf.iloc[:, 1])
+        except Exception:
+            lower = np.full(len(mean), np.nan)
+            upper = np.full(len(mean), np.nan)
+        return mean, (lower, upper)
+    else:
+        # fallback на forecast
+        try:
+            f = fit_res.forecast(steps=steps)
+            mean = np.asarray(f)
+            lower = np.full(len(mean), np.nan)
+            upper = np.full(len(mean), np.nan)
+            return mean, (lower, upper)
+        except Exception as e:
+            raise ValueError(f"Не удалось получить прогноз из объекта результата: {e}")
+
+
+def fit_var(df: pd.DataFrame, maxlags: int = 15):
+    """
+    Обучает VAR на multivariate dataframe (pandas DataFrame). Возвращает fitted VARResults.
+    """
+    if not STATSMODELS_AVAILABLE:
+        raise ImportError("statsmodels не установлен. Установите statsmodels.")
+    if not isinstance(df, pd.DataFrame):
+        raise ValueError("fit_var ожидает pd.DataFrame с несколькими числовыми колонками.")
+    df_clean = df.dropna()
+    if df_clean.shape[0] < 3:
+        raise ValueError("Недостаточно наблюдений для VAR.")
+    model = VAR(df_clean)
+    sel = model.select_order(maxlags=maxlags)
+    best_lag = None
+    try:
+        if hasattr(sel, "selected_orders"):
+            so = sel.selected_orders
+            for k in ("aic", "bic", "fpe", "hqic"):
+                val = so.get(k, None)
+                if val is not None:
+                    best_lag = int(val)
+                    break
+    except Exception:
+        best_lag = None
+    if best_lag is None or best_lag < 1:
+        best_lag = 1
+    fitted = model.fit(maxlags=best_lag)
+    return fitted
+
+
+def forecast_var(fitted_var, steps: int) -> pd.DataFrame:
+    """
+    Multi-step forecasting for VARResults. Возвращает DataFrame прогнозов (columns = variables).
+    """
+    try:
+        forecast = fitted_var.forecast(fitted_var.endog[-fitted_var.k_ar:], steps=steps)
+        cols = fitted_var.names
+        idx = range(1, steps + 1)
+        return pd.DataFrame(forecast, columns=cols, index=idx)
+    except Exception as e:
+        raise ValueError(f"Ошибка при прогнозе VAR: {e}")
+
+
+def fit_garch(series: pd.Series, p: int = 1, q: int = 1):
+    """
+    Обучает GARCH(p,q) (arch package). Возвращает объект результата fit() из arch.
+    """
+    if not ARCH_AVAILABLE:
+        raise ImportError("arch не установлен. Установите arch (pip install arch).")
+    if not is_pandas_series(series):
+        series = pd.Series(series)
+    series_clean = series.dropna()
+    if series_clean.empty:
+        raise ValueError("Пустая серия передана в fit_garch.")
+    am = arch_model(series_clean, vol="Garch", p=p, q=q, dist="normal")
+    res = am.fit(disp="off")
+    return res
+
+
+def safe_summary(obj) -> str:
+    try:
+        return str(obj.summary())
+    except Exception:
+        return repr(obj)
+
+
+# краткий тест при запуске модуля напрямую
+if __name__ == "__main__":
+    print("lab3_functions: доступные функции:",
+          [n for n in dir() if n.startswith("fit_") or n.startswith("forecast_")])

src/lab3_pipeline.py

@@ -0,0 +1,955 @@
+# lab3_pipeline.py
+"""
+Полный pipeline для ЛР №3 (выполнение пунктов 3.1-3.8).
+Сохраняйте файл в папке src проекта (TimeSeriesHomework/src/lab3_pipeline.py).
+"""
+
+import os
+import math
+import time
+from typing import List, Dict, Any, Optional, Tuple
+
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+
+# statsmodels и основные тесты
+try:
+    from statsmodels.tsa.stattools import adfuller, kpss
+    from statsmodels.tsa.seasonal import seasonal_decompose
+    from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
+    from statsmodels.stats.diagnostic import acorr_ljungbox
+    from statsmodels.tsa.statespace.sarimax import SARIMAX
+    from statsmodels.tsa.api import VAR
+
+    STATSMODELS_AVAILABLE = True
+except Exception as e:
+    STATSMODELS_AVAILABLE = False
+    print("warning: statsmodels not available:", e)
+
+# optional heavy deps
+try:
+    import pmdarima as pm
+
+    PM_AVAILABLE = True
+except Exception:
+    PM_AVAILABLE = False
+
+try:
+    from arch import arch_model
+
+    ARCH_AVAILABLE = True
+except Exception:
+    ARCH_AVAILABLE = False
+
+try:
+    from prophet import Prophet
+
+    PROPHET_AVAILABLE = True
+except Exception:
+    PROPHET_AVAILABLE = False
+
+# sklearn
+try:
+    from sklearn.model_selection import TimeSeriesSplit
+    from sklearn.linear_model import LinearRegression
+    from sklearn.metrics import r2_score
+
+    SKLEARN_AVAILABLE = True
+except Exception:
+    SKLEARN_AVAILABLE = False
+
+# scipy (Box-Cox, Shapiro)
+try:
+    from scipy.stats import boxcox, boxcox_normmax, shapiro
+
+    SCIPY_AVAILABLE = True
+except Exception:
+    SCIPY_AVAILABLE = False
+
+try:
+    from tbats import TBATS
+    TBATS_AVAILABLE = True
+except ImportError:
+    TBATS_AVAILABLE = False
+
+# -------------------------------------------------------------------------
+# Metrics
+# -------------------------------------------------------------------------
+def mae(y_true, y_pred): return np.mean(np.abs(y_true - y_pred))
+
+
+def rmse(y_true, y_pred): return math.sqrt(np.mean((y_true - y_pred) ** 2))
+
+
+def mape(y_true, y_pred): return np.mean(np.abs((y_true - y_pred) / (y_true + 1e-9))) * 100.0
+
+
+def smape(y_true, y_pred): return 100.0 * np.mean(
+    2.0 * np.abs(y_pred - y_true) / (np.abs(y_true) + np.abs(y_pred) + 1e-9))
+
+
+def rmsle(y_true, y_pred): return math.sqrt(np.mean((np.log1p(y_pred) - np.log1p(y_true)) ** 2))
+
+
+def mase(y_true, y_pred, naive_ref):
+    # naive_ref: series used to compute naive diff (e.g. train series)
+    denom = np.mean(np.abs(np.diff(naive_ref)))
+    if denom == 0:
+        return np.nan
+    return np.mean(np.abs(y_true - y_pred)) / denom
+
+
+# -------------------------------------------------------------------------
+# IO & preprocessing utilities
+# -------------------------------------------------------------------------
+def load_data(path: str, timestamp_col: str = 'timestamp', tz: Optional[str] = None) -> pd.DataFrame:
+    if path.endswith('.parquet'):
+        df = pd.read_parquet(path)
+    else:
+        df = pd.read_csv(path)
+    if timestamp_col not in df.columns:
+        raise ValueError(f"timestamp column '{timestamp_col}' not found")
+    df[timestamp_col] = pd.to_datetime(df[timestamp_col], errors='coerce')
+    if tz is not None:
+        try:
+            df[timestamp_col] = df[timestamp_col].dt.tz_localize(tz)
+        except Exception:
+            try:
+                df[timestamp_col] = df[timestamp_col].dt.tz_convert(tz)
+            except Exception:
+                pass
+    df = df.sort_values(timestamp_col).drop_duplicates(subset=[timestamp_col])
+    df = df.set_index(timestamp_col)
+    return df
+
+
+def resample_and_interpolate(df: pd.DataFrame, freq: str = 'D', method: str = 'linear') -> pd.DataFrame:
+    dfr = df.resample(freq).asfreq()
+    if method == 'linear':
+        return dfr.interpolate(method='linear')
+    elif method == 'ffill':
+        return dfr.fillna(method='ffill')
+    else:
+        return dfr.fillna(method='ffill').interpolate()
+
+
+# -------------------------------------------------------------------------
+# Transformations and stationarity selection
+# -------------------------------------------------------------------------
+def test_stationarity_pair(series: pd.Series) -> Dict[str, Dict[str, Any]]:
+    """Возвращает результаты ADF и KPSS"""
+    res = {}
+    if not STATSMODELS_AVAILABLE:
+        raise ImportError("statsmodels required for stationarity tests")
+    s = series.dropna()
+    if len(s) < 3:
+        return {'adf': {'pvalue': np.nan}, 'kpss': {'pvalue': np.nan}}
+    adf_res = adfuller(s, autolag='AIC', regression='c')
+    kpss_res = kpss(s, nlags='auto')
+    return {'adf': {'stat': adf_res[0], 'pvalue': adf_res[1]}, 'kpss': {'stat': kpss_res[0], 'pvalue': kpss_res[1]}}
+
+
+def try_transformations_and_choose(y_train: pd.Series, seasonal_period: int = 7):
+    """
+    Пробуем набор преобразований:
+    - none
+    - log (если >0)
+    - boxcox (если >0 и scipy доступен)
+    - diff(1), diff(s), diff(1).diff(s)
+    Выбираем ту комбинацию, которая минимизирует конфликт ADF/KPSS:
+      критерий: ADF.pvalue < 0.05 (хочется) и KPSS.pvalue > 0.05 (хочется).
+    Возвращаем: transformed_series, meta dict (applied transformations, lambda)
+    """
+    candidates = []
+    # original
+    candidates.append(('none', y_train))
+    # log
+    if (y_train > 0).all():
+        candidates.append(('log', np.log(y_train)))
+    # boxcox
+    if (y_train > 0).all() and SCIPY_AVAILABLE:
+        try:
+            lam = boxcox_normmax(y_train.dropna(), brack=(-2, 2))
+            bc, _ = apply_boxcox(y_train, lmbda=lam)
+            candidates.append((f'boxcox_{lam:.4f}', bc))
+        except Exception:
+            pass
+    # differenced versions
+    # diff1 of original or of transformed series
+    final_candidates = []
+    for name, ser in candidates:
+        ser_clean = ser.dropna()
+        final_candidates.append((name, 0, ser_clean))  # 0 differences
+        if len(ser_clean) > 3:
+            final_candidates.append((name, 1, ser_clean.diff(1).dropna()))
+            if seasonal_period and len(ser_clean) > seasonal_period + 3:
+                final_candidates.append((name, seasonal_period, ser_clean.diff(seasonal_period).dropna()))
+                final_candidates.append(
+                    (name, ('1+s', seasonal_period), ser_clean.diff(1).diff(seasonal_period).dropna()))
+    # Evaluate candidates
+    scored = []
+    for cand in final_candidates:
+        tag = cand[0]
+        d = cand[1]
+        ser = cand[2]
+        if ser.dropna().shape[0] < 10:
+            continue
+        try:
+            tests = test_stationarity_pair(ser)
+            # score: lower is better. We want ADF.p < 0.05 and KPSS.p > 0.05.
+            adf_p = tests['adf']['pvalue'] if tests['adf']['pvalue'] is not None else 1.0
+            kpss_p = tests['kpss']['pvalue'] if tests['kpss']['pvalue'] is not None else 0.0
+            # penalty for bad ADF (want small) and bad KPSS (want big)
+            score = (adf_p) + (1.0 - kpss_p)
+            scored.append({'tag': tag, 'diff': d, 'score': score, 'adf_p': adf_p, 'kpss_p': kpss_p, 'series': ser})
+        except Exception:
+            continue
+    if not scored:
+        return y_train, {'method': 'none', 'lambda': None}
+    scored = sorted(scored, key=lambda x: x['score'])
+    best = scored[0]
+    meta = {'method': best['tag'], 'diff': best['diff'], 'adf_p': best['adf_p'], 'kpss_p': best['kpss_p']}
+    return best['series'], meta
+
+
+def apply_boxcox(series: pd.Series, lmbda: Optional[float] = None):
+    if not SCIPY_AVAILABLE:
+        raise ImportError("scipy required for boxcox")
+    s = series.dropna()
+    if (s <= 0).any():
+        raise ValueError("Box-Cox requires positive values")
+    if lmbda is None:
+        lmbda = boxcox_normmax(s, brack=(-2, 2))
+    transformed = boxcox(s, lmbda)
+    return pd.Series(index=s.index, data=transformed), float(lmbda)
+
+
+# -------------------------------------------------------------------------
+# Feature engineering
+# -------------------------------------------------------------------------
+def make_lags(df: pd.DataFrame, col: str, lags: List[int]):
+    for l in lags:
+        df[f'{col}_lag_{l}'] = df[col].shift(l)
+    return df
+
+
+def make_rolls(df: pd.DataFrame, col: str, windows: List[int]):
+    for w in windows:
+        df[f'{col}_roll_mean_{w}'] = df[col].rolling(window=w, min_periods=1).mean()
+        df[f'{col}_roll_std_{w}'] = df[col].rolling(window=w, min_periods=1).std()
+        df[f'{col}_roll_min_{w}'] = df[col].rolling(window=w, min_periods=1).min()
+        df[f'{col}_roll_max_{w}'] = df[col].rolling(window=w, min_periods=1).max()
+    return df
+
+
+def make_time_features(df: pd.DataFrame):
+    idx = df.index
+    df['dayofweek'] = idx.dayofweek
+    df['month'] = idx.month
+    df['is_weekend'] = idx.dayofweek >= 5
+    df['sin_week'] = np.sin(2 * np.pi * df['dayofweek'] / 7)
+    df['cos_month'] = np.cos(2 * np.pi * (df['month'] - 1) / 12)
+    return df
+
+
+# -------------------------------------------------------------------------
+# Splits, CV and strategies
+# -------------------------------------------------------------------------
+def chronological_split(df: pd.DataFrame, frac_train=0.7, frac_val=0.15):
+    n = len(df)
+    i_train = int(n * frac_train)
+    i_val = i_train + int(n * frac_val)
+
+    train = df.iloc[:i_train].copy()
+    val = df.iloc[i_train:i_val].copy()
+    test = df.iloc[i_val:].copy()
+
+    # Проверяем непрерывность дат
+    all_data = pd.concat([train, val, test])
+    date_diff = (all_data.index[1:] - all_data.index[:-1]).value_counts()
+
+    if len(date_diff) > 1:
+        print(f"Предупреждение: обнаружены разные интервалы между датами: {date_diff.index.tolist()}")
+
+    return train, val, test
+
+
+def expanding_window_cv(X: pd.DataFrame, y: pd.Series, model_fit_predict, initial_train_size: int, h: int,
+                        n_splits: int = 5):
+    """Expanding window: [0:t] -> [t+1:t+h]"""
+    n = len(X)
+    step = (n - initial_train_size - h) // n_splits if n_splits > 0 else h
+    metrics = []
+    for i in range(n_splits):
+        end_train = initial_train_size + i * step
+        train_X, train_y = X.iloc[:end_train], y.iloc[:end_train]
+        test_X, test_y = X.iloc[end_train:end_train + h], y.iloc[end_train:end_train + h]
+        y_pred = model_fit_predict(train_X, train_y, h)
+        metrics.append({'fold': i, 'mae': mae(test_y.values, y_pred), 'rmse': rmse(test_y.values, y_pred)})
+    return pd.DataFrame(metrics)
+
+
+def rolling_window_cv(X: pd.DataFrame, y: pd.Series, model_fit_predict, window: int, h: int, n_splits: int = 5):
+    """Rolling window: [t-w:t] -> [t+1:t+h]"""
+    n = len(X)
+    step = (n - window - h) // n_splits if n_splits > 0 else h
+    metrics = []
+    for i in range(n_splits):
+        start = i * step
+        end = start + window
+        train_X, train_y = X.iloc[start:end], y.iloc[start:end]
+        test_X, test_y = X.iloc[end:end + h], y.iloc[end:end + h]
+        y_pred = model_fit_predict(train_X, train_y, h)
+        metrics.append({'fold': i, 'mae': mae(test_y.values, y_pred), 'rmse': rmse(test_y.values, y_pred)})
+    return pd.DataFrame(metrics)
+
+
+# Strategies: recursive, direct, hybrid
+def forecast_recursive_arima(fit_res, steps: int, last_date: pd.Timestamp = None, freq: str = 'D'):
+    """Wrapper for SARIMAX results with proper date index"""
+    if hasattr(fit_res, "get_forecast"):
+        fc = fit_res.get_forecast(steps=steps)
+        mean = np.asarray(fc.predicted_mean)
+        try:
+            conf = fc.conf_int()
+            low = np.asarray(conf.iloc[:, 0])
+            high = np.asarray(conf.iloc[:, 1])
+        except Exception:
+            low = np.full(len(mean), np.nan)
+            high = np.full(len(mean), np.nan)
+
+        # Создаем правильный индекс
+        if last_date is not None:
+            dates = create_forecast_index(last_date, steps, freq)
+            mean = pd.Series(mean, index=dates)
+            low = pd.Series(low, index=dates)
+            high = pd.Series(high, index=dates)
+
+        return mean, (low, high)
+    else:
+        mean = fit_res.forecast(steps=steps)
+        if last_date is not None:
+            dates = create_forecast_index(last_date, steps, freq)
+            mean = pd.Series(mean, index=dates)
+        return mean, (None, None)
+
+
+# Direct strategy for SARIMAX: fit separate models for each horizon
+def forecast_direct_arima(train_series: pd.Series, h: int, order=(1, 0, 0)):
+    if not STATSMODELS_AVAILABLE:
+        raise ImportError("statsmodels required")
+    # create shifted target for forecasting h steps ahead
+    df = train_series.to_frame("y")
+    df['y_target_h'] = df['y'].shift(-h)
+    df = df.dropna()
+    # naive approach: use previous value as predictor (simple)
+    last = train_series.iloc[-1]
+    return np.full(h, last)
+
+
+# -------------------------------------------------------------------------
+# Models training wrapper
+# -------------------------------------------------------------------------
+def fit_sarimax_simple(series: pd.Series, order=(1, 0, 0), seasonal_order=(0, 0, 0, 0), **kwargs):
+    if not STATSMODELS_AVAILABLE:
+        raise ImportError("statsmodels required")
+    m = SARIMAX(series.dropna(), order=order, seasonal_order=seasonal_order,
+                enforce_stationarity=False, enforce_invertibility=False)
+    res = m.fit(disp=False, **kwargs)
+    return res
+
+
+def forecast_sarimax(fit_res, steps: int, alpha: float = 0.05) -> Tuple[np.ndarray, Tuple[np.ndarray, np.ndarray]]:
+    """
+    Делает прогноз из обученного SARIMAX-результата.
+    Возвращает (mean, (lower, upper)) — numpy arrays длины steps.
+    """
+    try:
+        if hasattr(fit_res, "get_forecast"):
+            fc = fit_res.get_forecast(steps=steps)
+            mean = np.asarray(fc.predicted_mean)
+
+            # Проверяем на NaN
+            if np.any(np.isnan(mean)):
+                # Fallback: используем простой forecast
+                mean = fit_res.forecast(steps=steps)
+                mean = np.asarray(mean)
+
+            try:
+                conf = fc.conf_int(alpha=alpha)
+                lower = np.asarray(conf.iloc[:, 0])
+                upper = np.asarray(conf.iloc[:, 1])
+
+                # Проверяем доверительные интервалы на NaN
+                if np.any(np.isnan(lower)) or np.any(np.isnan(upper)):
+                    lower = np.full(len(mean), np.nan)
+                    upper = np.full(len(mean), np.nan)
+
+            except Exception:
+                lower = np.full(len(mean), np.nan)
+                upper = np.full(len(mean), np.nan)
+
+            return mean, (lower, upper)
+        else:
+            # fallback на forecast
+            mean = fit_res.forecast(steps=steps)
+            mean = np.asarray(mean)
+            lower = np.full(len(mean), np.nan)
+            upper = np.full(len(mean), np.nan)
+            return mean, (lower, upper)
+
+    except Exception as e:
+        # Если все методы не сработали, возвращаем массив NaN
+        print(f"Warning: SARIMAX forecast failed: {e}")
+        mean = np.full(steps, np.nan)
+        lower = np.full(steps, np.nan)
+        upper = np.full(steps, np.nan)
+        return mean, (lower, upper)
+
+def fit_auto_arima(series: pd.Series, seasonal=False, m=1, **kwargs):
+    if not PM_AVAILABLE:
+        raise ImportError("pmdarima not installed")
+    model = pm.auto_arima(series.dropna(), seasonal=seasonal, m=m, error_action='ignore', suppress_warnings=True,
+                          **kwargs)
+    return model
+
+
+def fit_var(df: pd.DataFrame, maxlags=15):
+    if not STATSMODELS_AVAILABLE:
+        raise ImportError("statsmodels required")
+    model = VAR(df.dropna())
+    sel = model.select_order(maxlags=maxlags)
+    best = 1
+    try:
+        so = sel.selected_orders
+        for k in ('aic', 'bic', 'fpe', 'hqic'):
+            if so.get(k) is not None:
+                best = int(so[k])
+                break
+    except Exception:
+        best = 1
+    res = model.fit(maxlags=best)
+    return res
+
+
+def fit_garch_on_residuals(residuals, p=1, q=1):
+    if not ARCH_AVAILABLE:
+        raise ImportError("arch not installed")
+    am = arch_model(residuals, vol='Garch', p=p, q=q, dist='normal')
+    r = am.fit(disp='off')
+    return r
+
+
+# -------------------------------------------------------------------------
+# Diagnostics and tests
+# -------------------------------------------------------------------------
+def ljung_box_test(resid: np.ndarray, lags: List[int] = [10]):
+    if not STATSMODELS_AVAILABLE:
+        raise ImportError("statsmodels required")
+    res = acorr_ljungbox(resid, lags=lags, return_df=True)
+    return res
+
+
+def shapiro_test(resid: np.ndarray):
+    if not SCIPY_AVAILABLE:
+        raise ImportError("scipy required")
+    stat, p = shapiro(resid)
+    return {'stat': stat, 'pvalue': p}
+
+
+def simple_dm_test(e1: np.ndarray, e2: np.ndarray):
+    """
+    Простая реализация Diebold-Mariano теста по разности квадратических ошибок.
+    Возвращает t-stat и p-value (двухсторонний).
+    Примечание: это упрощённая версия, без HAC коррекции.
+    """
+    # use squared error loss
+    d = (e1 - e2)
+    n = len(d)
+    dbar = np.mean(d)
+    sd = np.var(d, ddof=1)
+    denom = math.sqrt(sd / n) if sd > 0 else np.nan
+    if denom == 0 or np.isnan(denom):
+        return {'stat': np.nan, 'pvalue': np.nan}
+    tstat = dbar / denom
+    # two-sided pval from Student's t approx
+    from scipy.stats import t as student_t
+    pval = 2 * (1 - student_t.cdf(abs(tstat), df=n - 1))
+    return {'stat': float(tstat), 'pvalue': float(pval)}
+
+
+# -------------------------------------------------------------------------
+# Report generation (HTML)
+# -------------------------------------------------------------------------
+def generate_report_html(out_path: str, plots: List[plt.Figure], tables: Dict[str, pd.DataFrame], title="Lab3 Report"):
+    import base64
+    from io import BytesIO
+
+    html_parts = [f"""
+    <html>
+    <head>
+        <meta charset='utf-8'>
+        <title>{title}</title>
+        <style>
+            body {{ font-family: Arial, sans-serif; margin: 20px; background-color: white; color: black; }}
+            table {{ border-collapse: collapse; width: 100%; margin: 10px 0; }}
+            th, td {{ border: 1px solid #ddd; padding: 8px; text-align: left; }}
+            th {{ background-color: #f2f2f2; }}
+            img {{ max-width: 100%; height: auto; margin: 10px 0; }}
+            .table-container {{ overflow-x: auto; }}
+        </style>
+    </head>
+    <body>
+        <h1>{title}</h1>
+    """]
+
+    # Таблицы
+    for name, df in tables.items():
+        html_parts.append(f"<h2>{name}</h2>")
+        html_parts.append('<div class="table-container">')
+        html_parts.append(df.to_html(classes='table table-striped', border=0, index=True))
+        html_parts.append('</div>')
+
+    # Графики как base64
+    for i, fig in enumerate(plots):
+        # Сохраняем рисунок в буфер
+        buf = BytesIO()
+        fig.savefig(buf, format='png', bbox_inches='tight', dpi=100)
+        buf.seek(0)
+
+        # Кодируем в base64
+        img_data = base64.b64encode(buf.read()).decode('utf-8')
+        html_parts.append(f'<h3>Figure {i + 1}</h3>')
+        html_parts.append(f'<img src="data:image/png;base64,{img_data}" alt="Figure {i + 1}">')
+
+        # Закрываем рисунок чтобы освободить память
+        plt.close(fig)
+        break
+
+    html_parts.append("</body></html>")
+
+    with open(out_path, 'w', encoding='utf-8') as f:
+        f.write("\n".join(html_parts))
+    print("Report saved to", out_path)
+
+# -------------------------------------------------------------------------
+# Main runner that orchestrates everything
+# -------------------------------------------------------------------------
+def evaluate_with_cv(models_dict, X, y, cv_method='expanding', n_splits=5):
+    """Оценка моделей с кросс-валидацией"""
+    cv_results = {}
+
+    for name, model_func in models_dict.items():
+        if cv_method == 'expanding':
+            cv_scores = expanding_window_cv(X, y, model_func,
+                                            initial_train_size=len(X) // 2,
+                                            h=30, n_splits=n_splits)
+        else:
+            cv_scores = rolling_window_cv(X, y, model_func,
+                                          window=len(X) // 2,
+                                          h=30, n_splits=n_splits)
+        cv_results[name] = cv_scores
+
+    return cv_results
+
+def run_pipeline(data_path: str, timestamp_col: str, target_col: str,
+                 out_report: str = 'lab3_report.html', freq: str = 'D'):
+
+    """
+    Главная точка запуска pipeline.
+    """
+    print("Loading", data_path)
+    df = load_data(data_path, timestamp_col)
+    if target_col not in df.columns:
+        numeric_cols = df.select_dtypes(include=[np.number]).columns.tolist()
+        if not numeric_cols:
+            raise ValueError("No numeric columns found")
+        target_col = numeric_cols[0]
+        print("Target not found, using", target_col)
+
+    series = df[target_col].astype('float').copy()
+    series = resample_and_interpolate(series.to_frame(), freq=freq).iloc[:, 0]
+    print("Series length after resample:", len(series))
+
+    # 3.1 Preprocessing & transformation selection
+    transformed, meta = try_transformations_and_choose(series, seasonal_period=7)
+    print("Chosen transform:", meta)
+
+    # 3.2 Feature engineering
+    df_all = transformed.to_frame(name=target_col)
+    df_all = make_time_features(df_all)
+    df_all = make_lags(df_all, target_col, [1, 2, 7, 30])
+    df_all = make_rolls(df_all, target_col, [7, 30])
+
+    # dropna rows with lag features
+    df_all = df_all.dropna()
+    train, val, test = chronological_split(df_all, frac_train=0.7, frac_val=0.15)
+    y_train = train[target_col];
+    y_val = val[target_col];
+    y_test = test[target_col]
+    print("Sizes train/val/test:", len(y_train), len(y_val), len(y_test))
+
+    # 3.3 Models: benchmarks + SARIMAX + optional auto_arima + VAR
+    results = []  # each elem: dict(model, h, preds (np.array), extra)
+    horizons = [1, 7, 30]
+
+    # Определяем частоту для прогнозов
+    try:
+        inferred_freq = pd.infer_freq(y_train.index) or freq
+    except:
+        inferred_freq = freq
+
+    # Benchmarks
+    for h in horizons:
+        pred_values = np.full(h, y_train.iloc[-1])
+        pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+        results.append({
+            'model': 'naive',
+            'h': h,
+            'pred': pd.Series(pred_values, index=pred_dates)
+        })
+
+        if len(y_train) >= 7:
+            seasonal_pred = seasonal_naive_forecast(y_train, season=7, steps=h)
+            seasonal_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+            results.append({
+                'model': 'seasonal_naive',
+                'h': h,
+                'pred': pd.Series(seasonal_pred, index=seasonal_dates)
+            })
+
+    # SES/Holt (simple forecasting for 1-step and iterated for multi-step)
+    try:
+        from statsmodels.tsa.holtwinters import SimpleExpSmoothing, ExponentialSmoothing
+        # SES as simple baseline
+        ses = SimpleExpSmoothing(y_train.dropna()).fit(optimized=True)
+        for h in horizons:
+            pred = ses.forecast(h)
+            pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+            results.append({
+                'model': 'SES',
+                'h': h,
+                'pred': pd.Series(pred, index=pred_dates)
+            })
+    except Exception as e:
+        print("SES skipped:", e)
+
+    # SARIMAX baseline
+    if STATSMODELS_AVAILABLE:
+        try:
+            # Проверяем, что данные подходят для SARIMAX
+            if len(y_train.dropna()) > 10 and y_train.var() > 1e-6:  # достаточное количество точек и дисперсия
+                sar = fit_sarimax_simple(y_train, order=(1, 1, 1))
+
+                # Проверяем, что модель сходилась
+                if hasattr(sar, 'mle_retvals') and sar.mle_retvals.get('converged', False):
+                    for h in horizons:
+                        mean, (lower, upper) = forecast_sarimax(sar, steps=h)
+
+                        # Проверяем, что прогнозы не все NaN
+                        if not np.all(np.isnan(mean)):
+                            pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+                            results.append({
+                                'model': 'SARIMAX(1,1,1)',
+                                'h': h,
+                                'pred': pd.Series(mean, index=pred_dates)
+                            })
+                        else:
+                            print(f"SARIMAX returned all NaN for horizon {h}")
+                else:
+                    print("SARIMAX model did not converge")
+            else:
+                print("Insufficient data for SARIMAX")
+        except Exception as e:
+            print("SARIMAX failed:", e)
+
+    # pmdarima auto_arima
+    if PM_AVAILABLE:
+        try:
+            auto = fit_auto_arima(y_train, seasonal=False)
+            for h in horizons:
+                p = auto.predict(n_periods=h)
+                pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+                results.append({
+                    'model': 'auto_arima',
+                    'h': h,
+                    'pred': pd.Series(p, index=pred_dates)
+                })
+        except Exception as e:
+            print("auto_arima failed:", e)
+
+    # VAR if multivariate
+    if STATSMODELS_AVAILABLE and df.select_dtypes(include=[np.number]).shape[1] >= 2:
+        try:
+            num_df = df.select_dtypes(include=[np.number]).dropna()
+            var_res = fit_var(num_df, maxlags=5)
+            fut = var_res.forecast(var_res.endog[-var_res.k_ar:], steps=30)
+            # fut is array shape (30, k)
+            # wrap as predictions per horizon for the first variable
+            for h in [30]:
+                pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+                results.append({
+                    'model': 'VAR',
+                    'h': h,
+                    'pred': pd.Series(fut[:h, 0], index=pred_dates)
+                })
+        except Exception as e:
+            print("VAR failed:", e)
+
+    # TBATS модель
+    if TBATS_AVAILABLE:
+        try:
+            tbats_model = TBATS(seasonal_periods=[7, 30], use_arma_errors=True)
+            tbats_fitted = tbats_model.fit(y_train)
+            for h in horizons:
+                tbats_pred = tbats_fitted.forecast(steps=h)
+                pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+                results.append({
+                    'model': 'TBATS',
+                    'h': h,
+                    'pred': pd.Series(tbats_pred, index=pred_dates)
+                })
+        except Exception as e:
+            print("TBATS failed:", e)
+
+    # Prophet модель
+    if PROPHET_AVAILABLE:
+        try:
+            prophet_df = y_train.reset_index()
+            prophet_df.columns = ['ds', 'y']
+            prophet_model = Prophet()
+            prophet_model.fit(prophet_df)
+            future = prophet_model.make_future_dataframe(periods=max(horizons), freq=inferred_freq)
+            forecast = prophet_model.predict(future)
+            for h in horizons:
+                prophet_pred = forecast.tail(h)['yhat'].values
+                pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+                results.append({
+                    'model': 'Prophet',
+                    'h': h,
+                    'pred': pd.Series(prophet_pred, index=pred_dates)
+                })
+        except Exception as e:
+            print("Prophet failed:", e)
+
+    # GARCH на остатках SARIMAX
+    if ARCH_AVAILABLE and 'sar' in locals():
+        try:
+            garch_model = fit_garch_on_residuals(sar.resid, p=1, q=1)
+            # Прогноз волатильности можно добавить в анализ
+        except Exception as e:
+            print("GARCH failed:", e)
+
+    # 3.6 Diagnostics later for top models
+    # 3.7 Evaluate on test set
+    eval_rows = []
+    plots = []
+
+    for rec in results:
+        model_name = rec['model']
+        h = rec['h']
+        pred = rec['pred']
+
+        # Выравниваем прогнозы с тестовыми данными по времени
+        if hasattr(pred, 'index'):
+            # Для прогнозов с правильным индексом
+            aligned_pred = pred
+            # Берем только первые h точек тестовых данных для сравнения
+            y_true_aligned = y_test.iloc[:min(h, len(y_test))]
+        else:
+            # Для прогнозов без индекса (старый формат)
+            pred_values = np.asarray(pred).ravel()
+            aligned_pred = pd.Series(pred_values, index=y_test.index[:len(pred_values)])
+            y_true_aligned = y_test.iloc[:len(pred_values)]
+
+        if len(y_true_aligned) == 0:
+            continue
+
+        # Обрезаем прогноз до длины тестовых данных
+        aligned_pred = aligned_pred.iloc[:len(y_true_aligned)]
+
+        # Вычисляем метрики
+        row = {
+            'model': model_name,
+            'h': h,
+            'MAE': mae(y_true_aligned.values, aligned_pred.values),
+            'RMSE': rmse(y_true_aligned.values, aligned_pred.values),
+            'MAPE': mape(y_true_aligned.values, aligned_pred.values),
+            'SMAPE': smape(y_true_aligned.values, aligned_pred.values)
+        }
+        # MASE: use naive in-sample reference
+        row['MASE'] = mase(y_true_aligned.values, aligned_pred.values, y_train.values)
+        # R2 where possible
+        try:
+            row['R2'] = float((1 - np.sum((y_true_aligned.values - aligned_pred.values) ** 2) / np.sum(
+                (y_true_aligned.values - np.mean(y_true_aligned.values)) ** 2)))
+        except Exception:
+            row['R2'] = np.nan
+        eval_rows.append(row)
+
+        # Визуализация
+        fig, ax = plt.subplots(figsize=(8, 3))
+
+        # Показываем больше данных для контекста
+        context_points = min(200, len(y_train))
+        ax.plot(y_train.index[-context_points:], y_train.values[-context_points:],
+                label='train', alpha=0.7)
+
+        if len(val) > 0:
+            ax.plot(val.index, val.values, label='val', alpha=0.7)
+
+        ax.plot(y_test.index, y_test.values, label='test', alpha=0.7)
+
+        # Прогнозы с правильными датами
+        ax.plot(aligned_pred.index, aligned_pred.values,
+                label=f'pred_{model_name}_h{h}', linewidth=2)
+
+        ax.legend()
+        plots.append(fig)
+
+    eval_df = pd.DataFrame(eval_rows)
+
+    # Diagnostics for top-3 by RMSE
+    diag_tables = {}
+    try:
+        top3 = eval_df.sort_values('RMSE').head(3)['model'].tolist()
+    except Exception:
+        top3 = []
+    for m in top3:
+        # find corresponding fitted residuals if model was SARIMAX etc.
+        if m.startswith('SARIMAX'):
+            try:
+                resid = sar.resid.dropna()
+                lb = acorr_ljungbox(resid, lags=[10], return_df=True)
+                diag_tables[f'ljungbox_{m}'] = lb
+                if SCIPY_AVAILABLE:
+                    sh = shapiro(resid)
+                    diag_tables[f'shapiro_{m}'] = pd.DataFrame([{'stat': sh[0], 'pvalue': sh[1]}])
+            except Exception:
+                pass
+
+    # Diebold-Mariano pairwise for top 2 models (if available)
+    dm_table = None
+    try:
+        if len(eval_df) >= 2:
+            sorted_models = eval_df.sort_values('RMSE')
+            if len(sorted_models) >= 2:
+                m1 = sorted_models.iloc[0]['model']
+                m2 = sorted_models.iloc[1]['model']
+                # pick their predictions at h=1 (if exist)
+                pred1 = None;
+                pred2 = None
+                for rec in results:
+                    if rec['model'] == m1 and rec['h'] == 1:
+                        pred1 = rec['pred']
+                    if rec['model'] == m2 and rec['h'] == 1:
+                        pred2 = rec['pred']
+                if pred1 is not None and pred2 is not None:
+                    # align lengths with test
+                    y_true = y_test.values[:min(len(pred1), len(y_test))]
+                    e1 = (y_true - pred1.values[:len(y_true)]) ** 2
+                    e2 = (y_true - pred2.values[:len(y_true)]) ** 2
+                    dm = simple_dm_test(e1, e2)
+                    dm_table = pd.DataFrame(
+                        [{'model1': m1, 'model2': m2, 'dm_stat': dm['stat'], 'pvalue': dm['pvalue']}])
+    except Exception:
+        dm_table = None
+
+    # Generate report
+    tables = {'evaluation': eval_df}
+    if diag_tables:
+        tables.update(diag_tables)
+    if dm_table is not None:
+        tables['dm_test'] = dm_table
+
+    generate_report_html(out_report, plots, tables, title="Lab3 Full Report")
+    print("Pipeline finished. Report:", out_report)
+
+    # Ensure we have at least some predictions
+    if not results:
+        st.warning("Все модели вернули NaN. Использую простой наивный прогноз.")
+        for h in horizons:
+            pred_values = np.full(h, y_train.iloc[-1] if len(y_train) > 0 else 0)
+            pred_dates = create_forecast_index(y_train.index[-1], h, inferred_freq)
+            results.append({
+                'model': 'fallback_naive',
+                'h': h,
+                'pred': pd.Series(pred_values, index=pred_dates)
+            })
+
+    cv_results = evaluate_with_cv({
+        'SARIMAX': lambda X, y, h: forecast_recursive(fit_sarimax_simple(y), y, h),
+        'AutoARIMA': lambda X, y, h: forecast_recursive(fit_auto_arima(y), y, h)
+    }, df_all.drop(columns=[target_col]), df_all[target_col])
+
+
+# -------------------------
+# helpers used in the pipeline but defined later
+# -------------------------
+def seasonal_naive_forecast(series: pd.Series, season: int, steps: int):
+    last = series.iloc[-season:]
+    reps = int(np.ceil(steps / season))
+    arr = np.tile(last.values, reps)[:steps]
+    return arr
+
+
+def create_forecast_index(last_train_date: pd.Timestamp, steps: int, freq: str = 'D') -> pd.DatetimeIndex:
+    """Создает правильный временной индекс для прогнозов"""
+    try:
+        # Если freq = 'auto', пытаемся определить частоту
+        if freq == 'auto':
+            freq = pd.infer_freq(pd.DatetimeIndex([last_train_date])) or 'D'
+
+        # Создаем индекс с правильным смещением
+        if isinstance(last_train_date, pd.Timestamp):
+            start_date = last_train_date + pd.Timedelta(days=1)
+        else:
+            start_date = last_train_date + pd.DateOffset(days=1)
+
+        return pd.date_range(
+            start=start_date,
+            periods=steps,
+            freq=freq
+        )
+    except Exception as e:
+        print(f"Warning: could not create proper date index: {e}")
+        # Fallback: числовой индекс
+        return pd.RangeIndex(start=0, stop=steps)
+
+
+def forecast_recursive(model, series, steps, freq='D'):
+    """Рекурсивная стратегия прогнозирования"""
+    predictions = []
+    current_series = series.copy()
+
+    for _ in range(steps):
+        if hasattr(model, 'predict'):
+            pred = model.predict(n_periods=1)
+        else:
+            pred = model.forecast(steps=1)
+        predictions.append(pred[0])
+        # Обновляем ряд для следующей итерации
+        current_series = pd.concat(
+            [current_series, pd.Series([pred[0]], index=[current_series.index[-1] + pd.Timedelta(days=1)])])
+
+    return np.array(predictions)
+
+
+def forecast_direct(train_series, test_features, model_factory, steps):
+    """Прямая стратегия - отдельная модель для каждого горизонта"""
+    predictions = []
+    for h in range(1, steps + 1):
+        # Создаем смещенную целевую переменную
+        y_h = train_series.shift(-h).dropna()
+        X_h = train_series.iloc[:len(y_h)]
+
+        # Обучаем модель для горизонта h
+        model = model_factory()
+        model.fit(X_h.values.reshape(-1, 1), y_h.values)
+
+        # Прогноз для горизонта h
+        pred = model.predict(train_series.values[-1:].reshape(1, -1))
+        predictions.append(pred[0])
+
+    return np.array(predictions)

src/lab4_functions.py

@@ -0,0 +1,43 @@
+# lab4_functions.py
+"""
+Простейший набор для ЛР №4:
+- Feature engineering (lags, rolling)
+- Обучение Ridge, Lasso, RandomForest, LightGBM (опционально)
+- TimeSeriesSplit wrapper
+"""
+import numpy as np
+import pandas as pd
+from typing import List, Dict
+from sklearn.linear_model import Ridge, Lasso
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.model_selection import TimeSeriesSplit, cross_val_score
+from sklearn.metrics import mean_absolute_error
+import warnings
+warnings.filterwarnings("ignore")
+
+try:
+    import lightgbm as lgb
+    LGB_AVAILABLE = True
+except Exception:
+    LGB_AVAILABLE = False
+
+def make_lag_features(df: pd.DataFrame, target:str, lags:List[int]=[1,7,30]):
+    dfc = df.copy().set_index('timestamp').sort_index()
+    for l in lags:
+        dfc[f'{target}_lag_{l}'] = dfc[target].shift(l)
+    dfc = dfc.dropna().reset_index()
+    return dfc
+
+def train_baselines(X_train, y_train):
+    models = {}
+    models['Ridge'] = Ridge().fit(X_train, y_train)
+    models['Lasso'] = Lasso().fit(X_train, y_train)
+    models['RF'] = RandomForestRegressor(n_estimators=100, random_state=42).fit(X_train, y_train)
+    if LGB_AVAILABLE:
+        models['LightGBM'] = lgb.LGBMRegressor(n_estimators=100).fit(X_train, y_train)
+    return models
+
+def cv_score_ts(model, X, y, n_splits=5, scoring='neg_mean_absolute_error'):
+    tscv = TimeSeriesSplit(n_splits=n_splits)
+    scores = cross_val_score(model, X, y, cv=tscv, scoring=scoring)
+    return scores.mean()

src/lab5_functions.py

@@ -0,0 +1,48 @@
+# lab5_functions.py
+"""
+Минимальный LSTM example для ЛР №5 (PyTorch).
+Если у вас нет torch — функции выбросят понятную ошибку.
+"""
+import numpy as np
+import pandas as pd
+
+try:
+    import torch
+    import torch.nn as nn
+    TORCH_AVAILABLE = True
+except Exception:
+    TORCH_AVAILABLE = False
+
+if TORCH_AVAILABLE:
+    class SimpleLSTM(nn.Module):
+        def __init__(self, input_size, hidden_size=64, num_layers=1, out_size=1):
+            super().__init__()
+            self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
+            self.fc = nn.Linear(hidden_size, out_size)
+        def forward(self, x):
+            out, _ = self.lstm(x)
+            return self.fc(out[:, -1, :])
+
+    def create_sequences(series, lookback=30, horizon=1):
+        X, y = [], []
+        for i in range(len(series) - lookback - horizon + 1):
+            X.append(series[i:i+lookback])
+            y.append(series[i+lookback:i+lookback+horizon])
+        return np.array(X), np.array(y)
+
+    def train_lstm(series, lookback=30, epochs=20, lr=1e-3):
+        X, y = create_sequences(series, lookback=lookback, horizon=1)
+        X = torch.from_numpy(X).float().unsqueeze(-1)  # (N, L, 1)
+        y = torch.from_numpy(y).float().squeeze(-1)
+        model = SimpleLSTM(input_size=1)
+        opt = torch.optim.Adam(model.parameters(), lr=lr)
+        loss_fn = nn.MSELoss()
+        model.train()
+        for ep in range(epochs):
+            pred = model(X)
+            loss = loss_fn(pred.squeeze(), y)
+            opt.zero_grad(); loss.backward(); opt.step()
+        return model
+else:
+    def train_lstm(*args, **kwargs):
+        raise ImportError("PyTorch не установлен. Установите torch, чтобы использовать LSTM.")

src/main.py

@@ -0,0 +1,7 @@
+"""
+Главная страница приложения - навигация между лабораторными работами
+Этот файл не используется, так как основное приложение находится в streamlit_app.py
+"""
+# Этот файл оставлен для совместимости, но основное приложение находится в streamlit_app.py
+# Для запуска используйте: streamlit run src/streamlit_app.py
+

src/russia_covid_dataset.csv

@@ -0,0 +1,821 @@
+Date,DailyNewCases,ActiveCases,DailyNewDeaths
+2020-2-15,,0.0,
+2020-2-16,0.0,0.0,
+2020-2-17,0.0,0.0,
+2020-2-18,0.0,0.0,
+2020-2-19,0.0,0.0,
+2020-2-20,0.0,0.0,0.0
+2020-2-21,0.0,0.0,0.0
+2020-2-22,0.0,0.0,0.0
+2020-2-23,0.0,0.0,0.0
+2020-2-24,0.0,0.0,0.0
+2020-2-25,0.0,0.0,0.0
+2020-2-26,0.0,0.0,0.0
+2020-2-27,0.0,0.0,0.0
+2020-2-28,0.0,0.0,0.0
+2020-2-29,0.0,0.0,0.0
+2020-3-01,0.0,0.0,0.0
+2020-3-02,1.0,1.0,0.0
+2020-3-03,0.0,1.0,0.0
+2020-3-04,0.0,1.0,0.0
+2020-3-05,4.0,5.0,0.0
+2020-3-06,6.0,11.0,0.0
+2020-3-07,1.0,11.0,0.0
+2020-3-08,3.0,14.0,0.0
+2020-3-09,3.0,17.0,0.0
+2020-3-10,0.0,17.0,0.0
+2020-3-11,8.0,25.0,0.0
+2020-3-12,6.0,31.0,0.0
+2020-3-13,11.0,37.0,0.0
+2020-3-14,14.0,51.0,0.0
+2020-3-15,4.0,55.0,0.0
+2020-3-16,30.0,85.0,0.0
+2020-3-17,21.0,106.0,0.0
+2020-3-18,33.0,139.0,0.0
+2020-3-19,52.0,190.0,1.0
+2020-3-20,54.0,240.0,0.0
+2020-3-21,53.0,289.0,0.0
+2020-3-22,61.0,350.0,0.0
+2020-3-23,71.0,420.0,0.0
+2020-3-24,57.0,472.0,0.0
+2020-3-25,163.0,626.0,2.0
+2020-3-26,182.0,799.0,0.0
+2020-3-27,196.0,987.0,1.0
+2020-3-28,228.0,1211.0,0.0
+2020-3-29,270.0,1462.0,4.0
+2020-3-30,302.0,1761.0,1.0
+2020-3-31,501.0,2199.0,8.0
+2020-4-01,440.0,2563.0,7.0
+2020-4-02,771.0,3283.0,6.0
+2020-4-03,601.0,3834.0,4.0
+2020-4-04,582.0,4355.0,9.0
+2020-4-05,658.0,4989.0,2.0
+2020-4-06,954.0,5890.0,2.0
+2020-4-07,1154.0,6945.0,11.0
+2020-4-08,1175.0,8029.0,5.0
+2020-4-09,1459.0,9357.0,13.0
+2020-4-10,1786.0,11028.0,18.0
+2020-4-11,1667.0,12433.0,12.0
+2020-4-12,2186.0,14349.0,24.0
+2020-4-13,2558.0,16710.0,18.0
+2020-4-14,2774.0,19238.0,22.0
+2020-4-15,3388.0,22306.0,28.0
+2020-4-16,3448.0,25402.0,34.0
+2020-4-17,4070.0,29145.0,41.0
+2020-4-18,4785.0,33423.0,40.0
+2020-4-19,6060.0,39201.0,48.0
+2020-4-20,4268.0,43270.0,44.0
+2020-4-21,5642.0,48434.0,51.0
+2020-4-22,5236.0,53066.0,57.0
+2020-4-23,4774.0,57327.0,42.0
+2020-4-24,5849.0,62439.0,60.0
+2020-4-25,5966.0,67657.0,66.0
+2020-4-26,6361.0,73435.0,66.0
+2020-4-27,6198.0,79007.0,47.0
+2020-4-28,6411.0,84235.0,73.0
+2020-4-29,5841.0,88141.0,105.0
+2020-4-30,7099.0,93806.0,101.0
+2020-5-01,7933.0,100042.0,96.0
+2020-5-02,9623.0,107819.0,53.0
+2020-5-03,10633.0,116768.0,58.0
+2020-5-04,10581.0,125817.0,76.0
+2020-5-05,10102.0,134054.0,95.0
+2020-5-06,10559.0,143065.0,86.0
+2020-5-07,11231.0,151732.0,88.0
+2020-5-08,10699.0,159528.0,98.0
+2020-5-09,10817.0,164933.0,104.0
+2020-5-10,11012.0,173467.0,88.0
+2020-5-11,11656.0,179534.0,94.0
+2020-5-12,10899.0,186615.0,107.0
+2020-5-13,10028.0,192056.0,96.0
+2020-5-14,9974.0,196410.0,93.0
+2020-5-15,10598.0,202199.0,113.0
+2020-5-16,9200.0,206340.0,119.0
+2020-5-17,9709.0,211748.0,94.0
+2020-5-18,8926.0,217747.0,91.0
+2020-5-19,9263.0,220974.0,115.0
+2020-5-20,8764.0,220341.0,135.0
+2020-5-21,8849.0,221774.0,127.0
+2020-5-22,8894.0,223374.0,150.0
+2020-5-23,9434.0,224558.0,139.0
+2020-5-24,8599.0,227641.0,153.0
+2020-5-25,8946.0,230996.0,92.0
+2020-5-26,8915.0,227406.0,174.0
+2020-5-27,8338.0,224504.0,161.0
+2020-5-28,8371.0,223916.0,174.0
+2020-5-29,8572.0,223992.0,232.0
+2020-5-30,8952.0,224551.0,181.0
+2020-5-31,9268.0,229267.0,138.0
+2020-6-01,9035.0,234146.0,162.0
+2020-6-02,8863.0,231719.0,182.0
+2020-6-03,8536.0,231105.0,178.0
+2020-6-04,8831.0,231101.0,169.0
+2020-6-05,8726.0,231626.0,144.0
+2020-6-06,8855.0,231576.0,197.0
+2020-6-07,8984.0,235083.0,134.0
+2020-6-08,8985.0,239999.0,112.0
+2020-6-09,8595.0,236714.0,171.0
+2020-6-10,8404.0,234516.0,216.0
+2020-6-11,8779.0,234754.0,174.0
+2020-6-12,8987.0,235338.0,183.0
+2020-6-13,8706.0,238659.0,114.0
+2020-6-14,8835.0,241966.0,119.0
+2020-6-15,8246.0,245580.0,143.0
+2020-6-16,8248.0,243868.0,193.0
+2020-6-17,7843.0,241481.0,194.0
+2020-6-18,7790.0,239468.0,182.0
+2020-6-19,7972.0,236816.0,181.0
+2020-6-20,7889.0,234358.0,161.0
+2020-6-21,7728.0,236858.0,109.0
+2020-6-22,7600.0,239658.0,95.0
+2020-6-23,7425.0,234917.0,153.0
+2020-6-24,7176.0,229546.0,154.0
+2020-6-25,7113.0,230225.0,92.0
+2020-6-26,6800.0,227861.0,176.0
+2020-6-27,6852.0,225325.0,188.0
+2020-6-28,6791.0,226277.0,104.0
+2020-6-29,6719.0,228560.0,93.0
+2020-6-30,6693.0,225879.0,154.0
+2020-7-01,6556.0,221938.0,216.0
+2020-7-02,6760.0,222504.0,147.0
+2020-7-03,6718.0,220131.0,176.0
+2020-7-04,6632.0,217609.0,168.0
+2020-7-05,6736.0,220340.0,134.0
+2020-7-06,6611.0,223237.0,135.0
+2020-7-07,6368.0,219856.0,198.0
+2020-7-08,6562.0,217614.0,173.0
+2020-7-09,6509.0,215142.0,176.0
+2020-7-10,6635.0,213851.0,174.0
+2020-7-11,6611.0,211896.0,188.0
+2020-7-12,6615.0,214766.0,130.0
+2020-7-13,6537.0,218239.0,104.0
+2020-7-14,6248.0,215508.0,175.0
+2020-7-15,6422.0,211350.0,156.0
+2020-7-16,6428.0,209168.0,167.0
+2020-7-17,6406.0,207707.0,186.0
+2020-7-18,6234.0,206327.0,124.0
+2020-7-19,6109.0,208860.0,95.0
+2020-7-20,5940.0,211457.0,85.0
+2020-7-21,5842.0,208364.0,153.0
+2020-7-22,5862.0,204392.0,165.0
+2020-7-23,5848.0,201816.0,147.0
+2020-7-24,5811.0,199029.0,154.0
+2020-7-25,5871.0,196388.0,146.0
+2020-7-26,5765.0,198966.0,77.0
+2020-7-27,5635.0,201437.0,85.0
+2020-7-28,5395.0,197794.0,150.0
+2020-7-29,5475.0,194984.0,169.0
+2020-7-30,5509.0,191042.0,129.0
+2020-7-31,5482.0,187608.0,161.0
+2020-8-01,5462.0,184861.0,95.0
+2020-8-02,5427.0,186569.0,70.0
+2020-8-03,5394.0,188464.0,79.0
+2020-8-04,5159.0,185601.0,144.0
+2020-8-05,5204.0,183111.0,139.0
+2020-8-06,5267.0,180931.0,116.0
+2020-8-07,5241.0,178818.0,119.0
+2020-8-08,5212.0,177286.0,129.0
+2020-8-09,5189.0,179183.0,77.0
+2020-8-10,5118.0,180972.0,70.0
+2020-8-11,4945.0,179293.0,130.0
+2020-8-12,5102.0,177143.0,129.0
+2020-8-13,5057.0,175978.0,124.0
+2020-8-14,5065.0,174361.0,114.0
+2020-8-15,5061.0,172856.0,119.0
+2020-8-16,4969.0,174200.0,68.0
+2020-8-17,4892.0,175904.0,55.0
+2020-8-18,4748.0,173993.0,132.0
+2020-8-19,4828.0,171909.0,117.0
+2020-8-20,4785.0,170494.0,110.0
+2020-8-21,4870.0,169457.0,90.0
+2020-8-22,4921.0,168110.0,121.0
+2020-8-23,4852.0,169727.0,73.0
+2020-8-24,4744.0,171950.0,65.0
+2020-8-25,4696.0,169874.0,120.0
+2020-8-26,4676.0,168032.0,115.0
+2020-8-27,4711.0,166211.0,121.0
+2020-8-28,4829.0,165025.0,110.0
+2020-8-29,4941.0,163938.0,111.0
+2020-8-30,4980.0,166251.0,68.0
+2020-8-31,4993.0,168756.0,83.0
+2020-9-01,4729.0,167044.0,123.0
+2020-9-02,4952.0,166417.0,115.0
+2020-9-03,4995.0,165532.0,114.0
+2020-9-04,5110.0,164709.0,121.0
+2020-9-05,5205.0,164425.0,110.0
+2020-9-06,5195.0,166736.0,61.0
+2020-9-07,5185.0,169542.0,51.0
+2020-9-08,5099.0,167747.0,122.0
+2020-9-09,5218.0,166414.0,142.0
+2020-9-10,5363.0,165734.0,128.0
+2020-9-11,5504.0,165402.0,102.0
+2020-9-12,5488.0,165343.0,119.0
+2020-9-13,5449.0,168008.0,94.0
+2020-9-14,5509.0,170985.0,57.0
+2020-9-15,5529.0,170759.0,150.0
+2020-9-16,5670.0,170488.0,132.0
+2020-9-17,5762.0,170352.0,144.0
+2020-9-18,5905.0,170784.0,134.0
+2020-9-19,6065.0,171450.0,144.0
+2020-9-20,6148.0,174624.0,79.0
+2020-9-21,6196.0,178133.0,71.0
+2020-9-22,6215.0,178212.0,160.0
+2020-9-23,6431.0,178743.0,150.0
+2020-9-24,6595.0,179059.0,149.0
+2020-9-25,7212.0,181846.0,108.0
+2020-9-26,7523.0,183196.0,169.0
+2020-9-27,7867.0,187896.0,99.0
+2020-9-28,8135.0,193268.0,61.0
+2020-9-29,8232.0,194861.0,160.0
+2020-9-30,8481.0,197307.0,177.0
+2020-10-01,8945.0,200098.0,169.0
+2020-10-02,9412.0,203270.0,186.0
+2020-10-03,9859.0,207392.0,174.0
+2020-10-04,10499.0,214500.0,107.0
+2020-10-05,10888.0,222090.0,117.0
+2020-10-06,11615.0,227265.0,188.0
+2020-10-07,11115.0,231479.0,202.0
+2020-10-08,11493.0,235727.0,191.0
+2020-10-09,12126.0,240560.0,201.0
+2020-10-10,12846.0,246428.0,197.0
+2020-10-11,13634.0,255679.0,143.0
+2020-10-12,13592.0,265353.0,125.0
+2020-10-13,13868.0,271427.0,244.0
+2020-10-14,14231.0,277499.0,239.0
+2020-10-15,13754.0,282575.0,286.0
+2020-10-16,15150.0,289008.0,232.0
+2020-10-17,14922.0,295034.0,279.0
+2020-10-18,15099.0,304571.0,185.0
+2020-10-19,15982.0,315046.0,179.0
+2020-10-20,16319.0,321392.0,269.0
+2020-10-21,15700.0,325823.0,317.0
+2020-10-22,15971.0,330076.0,290.0
+2020-10-23,17340.0,335870.0,283.0
+2020-10-24,16521.0,340528.0,296.0
+2020-10-25,16710.0,349305.0,229.0
+2020-10-26,17347.0,358859.0,219.0
+2020-10-27,16550.0,362245.0,320.0
+2020-10-28,16202.0,365740.0,346.0
+2020-10-29,17717.0,368351.0,366.0
+2020-10-30,18283.0,371760.0,355.0
+2020-10-31,18140.0,374712.0,334.0
+2020-11-01,18665.0,382873.0,245.0
+2020-11-02,18257.0,390532.0,238.0
+2020-11-03,18648.0,393494.0,355.0
+2020-11-04,19768.0,397306.0,389.0
+2020-11-05,19404.0,404180.0,292.0
+2020-11-06,20582.0,407429.0,378.0
+2020-11-07,20396.0,410658.0,364.0
+2020-11-08,20498.0,419378.0,286.0
+2020-11-09,21798.0,430198.0,256.0
+2020-11-10,20977.0,435207.0,368.0
+2020-11-11,19851.0,436010.0,432.0
+2020-11-12,21608.0,438368.0,439.0
+2020-11-13,21983.0,441205.0,411.0
+2020-11-14,22702.0,444890.0,391.0
+2020-11-15,22572.0,452654.0,352.0
+2020-11-16,22778.0,461265.0,303.0
+2020-11-17,22410.0,461178.0,442.0
+2020-11-18,20985.0,456528.0,456.0
+2020-11-19,23610.0,454102.0,463.0
+2020-11-20,24318.0,453201.0,461.0
+2020-11-21,24822.0,451535.0,467.0
+2020-11-22,24581.0,457707.0,401.0
+2020-11-23,25173.0,466517.0,361.0
+2020-11-24,24326.0,467126.0,491.0
+2020-11-25,23675.0,464546.0,507.0
+2020-11-26,25487.0,464436.0,524.0
+2020-11-27,27543.0,464801.0,496.0
+2020-11-28,27100.0,464095.0,510.0
+2020-11-29,26683.0,468332.0,459.0
+2020-11-30,26338.0,477055.0,368.0
+2020-12-01,26402.0,478125.0,569.0
+2020-12-02,25345.0,475999.0,589.0
+2020-12-03,28145.0,474088.0,554.0
+2020-12-04,27403.0,472021.0,569.0
+2020-12-05,28782.0,472651.0,508.0
+2020-12-06,29039.0,479891.0,457.0
+2020-12-07,28142.0,488727.0,456.0
+2020-12-08,26097.0,489324.0,562.0
+2020-12-09,26190.0,488689.0,559.0
+2020-12-10,27927.0,490177.0,562.0
+2020-12-11,28585.0,491978.0,613.0
+2020-12-12,28137.0,493437.0,560.0
+2020-12-13,28080.0,500752.0,488.0
+2020-12-14,27328.0,509068.0,450.0
+2020-12-15,26689.0,510367.0,577.0
+2020-12-16,26509.0,509790.0,596.0
+2020-12-17,28214.0,510977.0,587.0
+2020-12-18,28552.0,512825.0,611.0
+2020-12-19,28209.0,514340.0,585.0
+2020-12-20,28948.0,521862.0,511.0
+2020-12-21,29350.0,531014.0,493.0
+2020-12-22,28776.0,535071.0,561.0
+2020-12-23,27250.0,537325.0,549.0
+2020-12-24,29935.0,539735.0,635.0
+2020-12-25,29018.0,540793.0,563.0
+2020-12-26,29258.0,541299.0,567.0
+2020-12-27,28284.0,544641.0,552.0
+2020-12-28,27787.0,551461.0,487.0
+2020-12-29,27002.0,553027.0,562.0
+2020-12-30,26513.0,549706.0,599.0
+2020-12-31,27747.0,547938.0,593.0
+2021-1-01,27039.0,548643.0,536.0
+2021-1-02,26301.0,555600.0,447.0
+2021-1-03,24150.0,559399.0,504.0
+2021-1-04,23351.0,561114.0,482.0
+2021-1-05,24246.0,562210.0,518.0
+2021-1-06,24217.0,562927.0,445.0
+2021-1-07,23541.0,562233.0,506.0
+2021-1-08,23652.0,563754.0,454.0
+2021-1-09,23309.0,562913.0,470.0
+2021-1-10,22851.0,561228.0,456.0
+2021-1-11,23315.0,562321.0,436.0
+2021-1-12,22934.0,559969.0,531.0
+2021-1-13,22850.0,553595.0,566.0
+2021-1-14,24763.0,549832.0,570.0
+2021-1-15,24715.0,546356.0,555.0
+2021-1-16,24092.0,542547.0,590.0
+2021-1-17,23586.0,542212.0,481.0
+2021-1-18,22857.0,546265.0,471.0
+2021-1-19,21734.0,544151.0,586.0
+2021-1-20,21152.0,539416.0,597.0
+2021-1-21,21887.0,533789.0,612.0
+2021-1-22,21513.0,527404.0,580.0
+2021-1-23,20921.0,519987.0,559.0
+2021-1-24,21127.0,518178.0,491.0
+2021-1-25,19290.0,518009.0,456.0
+2021-1-26,18241.0,511888.0,564.0
+2021-1-27,17741.0,501113.0,594.0
+2021-1-28,19138.0,492901.0,575.0
+2021-1-29,19238.0,485401.0,534.0
+2021-1-30,19032.0,479419.0,512.0
+2021-1-31,18359.0,477253.0,485.0
+2021-2-01,17648.0,476295.0,437.0
+2021-2-02,16643.0,470027.0,539.0
+2021-2-03,16474.0,461153.0,526.0
+2021-2-04,16714.0,452800.0,521.0
+2021-2-05,16688.0,445379.0,527.0
+2021-2-06,16627.0,438678.0,497.0
+2021-2-07,16048.0,434410.0,432.0
+2021-2-08,15916.0,434038.0,407.0
+2021-2-09,15019.0,426732.0,530.0
+2021-2-10,14494.0,418115.0,536.0
+2021-2-11,15038.0,410639.0,553.0
+2021-2-12,15089.0,404501.0,507.0
+2021-2-13,14861.0,400095.0,502.0
+2021-2-14,14185.0,398656.0,430.0
+2021-2-15,14207.0,398534.0,394.0
+2021-2-16,13233.0,393681.0,459.0
+2021-2-17,12828.0,388123.0,467.0
+2021-2-18,13447.0,382360.0,480.0
+2021-2-19,13433.0,376686.0,470.0
+2021-2-20,12953.0,371675.0,480.0
+2021-2-21,12742.0,367988.0,417.0
+2021-2-22,12604.0,367312.0,337.0
+2021-2-23,11823.0,365762.0,417.0
+2021-2-24,11749.0,364910.0,383.0
+2021-2-25,11198.0,359560.0,446.0
+2021-2-26,11086.0,354496.0,428.0
+2021-2-27,11534.0,349571.0,439.0
+2021-2-28,11359.0,348160.0,379.0
+2021-3-01,11571.0,348121.0,333.0
+2021-3-02,10565.0,343279.0,441.0
+2021-3-03,10535.0,337668.0,452.0
+2021-3-04,11385.0,332455.0,475.0
+2021-3-05,11024.0,327553.0,462.0
+2021-3-06,11022.0,323107.0,441.0
+2021-3-07,10595.0,321758.0,368.0
+2021-3-08,10253.0,321310.0,379.0
+2021-3-09,9445.0,320488.0,336.0
+2021-3-10,9079.0,315751.0,466.0
+2021-3-11,9270.0,310556.0,459.0
+2021-3-12,9794.0,306368.0,486.0
+2021-3-13,9908.0,302933.0,475.0
+2021-3-14,10083.0,303209.0,395.0
+2021-3-15,9437.0,303975.0,404.0
+2021-3-16,9393.0,302281.0,443.0
+2021-3-17,8998.0,300097.0,427.0
+2021-3-18,9803.0,297379.0,460.0
+2021-3-19,9699.0,294298.0,443.0
+2021-3-20,9632.0,292259.0,392.0
+2021-3-21,9299.0,292444.0,371.0
+2021-3-22,9284.0,293577.0,361.0
+2021-3-23,8457.0,290747.0,427.0
+2021-3-24,8861.0,288852.0,401.0
+2021-3-25,9221.0,286799.0,393.0
+2021-3-26,9167.0,284681.0,405.0
+2021-3-27,8885.0,282842.0,387.0
+2021-3-28,9088.0,282964.0,336.0
+2021-3-29,8711.0,284102.0,293.0
+2021-3-30,8277.0,282382.0,409.0
+2021-3-31,8275.0,280073.0,408.0
+2021-4-01,9169.0,278612.0,383.0
+2021-4-02,8792.0,277172.0,400.0
+2021-4-03,9021.0,276191.0,384.0
+2021-4-04,8817.0,276439.0,357.0
+2021-4-05,8646.0,277690.0,343.0
+2021-4-06,8328.0,276727.0,389.0
+2021-4-07,8294.0,275202.0,374.0
+2021-4-08,8672.0,273951.0,365.0
+2021-4-09,9150.0,273037.0,402.0
+2021-4-10,8704.0,271760.0,402.0
+2021-4-11,8702.0,272895.0,337.0
+2021-4-12,8320.0,274282.0,277.0
+2021-4-13,8173.0,272506.0,338.0
+2021-4-14,8326.0,270986.0,399.0
+2021-4-15,8944.0,269307.0,398.0
+2021-4-16,8995.0,268796.0,397.0
+2021-4-17,9321.0,268887.0,398.0
+2021-4-18,8632.0,269739.0,389.0
+2021-4-19,8589.0,271164.0,346.0
+2021-4-20,8164.0,269318.0,379.0
+2021-4-21,8271.0,267546.0,399.0
+2021-4-22,8996.0,267211.0,397.0
+2021-4-23,8840.0,266246.0,398.0
+2021-4-24,8828.0,265421.0,399.0
+2021-4-25,8780.0,266329.0,332.0
+2021-4-26,8803.0,268145.0,356.0
+2021-4-27,8053.0,267767.0,392.0
+2021-4-28,7848.0,266808.0,387.0
+2021-4-29,9284.0,267286.0,364.0
+2021-4-30,8731.0,267214.0,397.0
+2021-5-01,9270.0,267455.0,392.0
+2021-5-02,8697.0,268471.0,342.0
+2021-5-03,8489.0,270257.0,336.0
+2021-5-04,7770.0,270935.0,337.0
+2021-5-05,7975.0,271044.0,360.0
+2021-5-06,7639.0,270544.0,351.0
+2021-5-07,8386.0,270532.0,376.0
+2021-5-08,8329.0,270236.0,370.0
+2021-5-09,8419.0,270804.0,334.0
+2021-5-10,8465.0,272174.0,321.0
+2021-5-11,8115.0,272951.0,329.0
+2021-5-12,8217.0,272199.0,355.0
+2021-5-13,8380.0,270838.0,392.0
+2021-5-14,9462.0,270151.0,393.0
+2021-5-15,8790.0,268711.0,364.0
+2021-5-16,8554.0,268301.0,391.0
+2021-5-17,9328.0,270108.0,340.0
+2021-5-18,8183.0,268955.0,364.0
+2021-5-19,7920.0,266924.0,390.0
+2021-5-20,9232.0,265777.0,396.0
+2021-5-21,8937.0,264986.0,378.0
+2021-5-22,8709.0,263964.0,386.0
+2021-5-23,8951.0,265261.0,357.0
+2021-5-24,8406.0,266898.0,319.0
+2021-5-25,7884.0,265646.0,393.0
+2021-5-26,8373.0,264478.0,406.0
+2021-5-27,9039.0,263356.0,402.0
+2021-5-28,9252.0,262819.0,404.0
+2021-5-29,9289.0,262457.0,401.0
+2021-5-30,9694.0,264410.0,355.0
+2021-5-31,8475.0,265831.0,339.0
+2021-6-01,9500.0,265965.0,372.0
+2021-6-02,8832.0,265383.0,394.0
+2021-6-03,8933.0,264540.0,393.0
+2021-6-04,8947.0,264580.0,377.0
+2021-6-05,9145.0,264761.0,399.0
+2021-6-06,9163.0,266204.0,351.0
+2021-6-07,9429.0,268547.0,330.0
+2021-6-08,9977.0,269262.0,379.0
+2021-6-09,10407.0,269456.0,399.0
+2021-6-10,11699.0,270676.0,383.0
+2021-6-11,12505.0,272597.0,396.0
+2021-6-12,13510.0,275722.0,399.0
+2021-6-13,14723.0,280922.0,357.0
+2021-6-14,13721.0,285960.0,371.0
+2021-6-15,14185.0,291169.0,379.0
+2021-6-16,13397.0,293914.0,396.0
+2021-6-17,14057.0,296350.0,416.0
+2021-6-18,17262.0,302205.0,453.0
+2021-6-19,17906.0,308961.0,466.0
+2021-6-20,17611.0,317493.0,450.0
+2021-6-21,17378.0,326070.0,440.0
+2021-6-22,16715.0,331122.0,546.0
+2021-6-23,17594.0,335508.0,548.0
+2021-6-24,20182.0,341617.0,568.0
+2021-6-25,20393.0,347385.0,601.0
+2021-6-26,21665.0,354084.0,619.0
+2021-6-27,20538.0,361295.0,599.0
+2021-6-28,21650.0,369708.0,611.0
+2021-6-29,20616.0,374975.0,652.0
+2021-6-30,21042.0,378992.0,669.0
+2021-7-01,23543.0,384935.0,672.0
+2021-7-02,23218.0,389277.0,679.0
+2021-7-03,24439.0,395120.0,697.0
+2021-7-04,25142.0,404115.0,663.0
+2021-7-05,24353.0,413274.0,654.0
+2021-7-06,23378.0,417504.0,737.0
+2021-7-07,23962.0,420674.0,725.0
+2021-7-08,24818.0,423422.0,734.0
+2021-7-09,25766.0,426630.0,726.0
+2021-7-10,25082.0,433210.0,752.0
+2021-7-11,25033.0,440112.0,749.0
+2021-7-12,25140.0,448113.0,710.0
+2021-7-13,24702.0,452469.0,780.0
+2021-7-14,23827.0,454241.0,786.0
+2021-7-15,25293.0,457250.0,791.0
+2021-7-16,25704.0,460223.0,799.0
+2021-7-17,25116.0,463115.0,787.0
+2021-7-18,25018.0,468483.0,764.0
+2021-7-19,24633.0,473633.0,719.0
+2021-7-20,23770.0,474401.0,784.0
+2021-7-21,23704.0,474738.0,783.0
+2021-7-22,24471.0,475753.0,796.0
+2021-7-23,23811.0,476222.0,795.0
+2021-7-24,23947.0,477418.0,799.0
+2021-7-25,24072.0,482033.0,779.0
+2021-7-26,23239.0,488345.0,727.0
+2021-7-27,23032.0,490482.0,779.0
+2021-7-28,22420.0,491525.0,798.0
+2021-7-29,23270.0,493162.0,799.0
+2021-7-30,23564.0,495447.0,794.0
+2021-7-31,23807.0,498691.0,792.0
+2021-8-01,22804.0,503435.0,789.0
+2021-8-02,23508.0,511265.0,785.0
+2021-8-03,22010.0,513524.0,788.0
+2021-8-04,22589.0,515227.0,790.0
+2021-8-05,23120.0,517183.0,794.0
+2021-8-06,22660.0,518910.0,792.0
+2021-8-07,22320.0,520952.0,793.0
+2021-8-08,22866.0,527362.0,787.0
+2021-8-09,22160.0,534279.0,769.0
+2021-8-10,21378.0,536136.0,792.0
+2021-8-11,21571.0,536841.0,799.0
+2021-8-12,21932.0,537770.0,808.0
+2021-8-13,22277.0,539864.0,815.0
+2021-8-14,22144.0,541639.0,819.0
+2021-8-15,21624.0,546021.0,816.0
+2021-8-16,20765.0,550379.0,806.0
+2021-8-17,20958.0,552125.0,805.0
+2021-8-18,20914.0,551527.0,799.0
+2021-8-19,21058.0,547777.0,791.0
+2021-8-20,20992.0,547633.0,785.0
+2021-8-21,21000.0,547189.0,797.0
+2021-8-22,20564.0,551577.0,762.0
+2021-8-23,19454.0,554854.0,776.0
+2021-8-24,18833.0,554257.0,794.0
+2021-8-25,19536.0,553330.0,809.0
+2021-8-26,19630.0,552479.0,820.0
+2021-8-27,19509.0,551973.0,798.0
+2021-8-28,19492.0,551255.0,799.0
+2021-8-29,19286.0,552940.0,797.0
+2021-8-30,18325.0,556293.0,792.0
+2021-8-31,17813.0,554687.0,795.0
+2021-9-01,18368.0,553940.0,790.0
+2021-9-02,18985.0,553458.0,798.0
+2021-9-03,18856.0,552825.0,799.0
+2021-9-04,18780.0,552072.0,796.0
+2021-9-05,18645.0,554668.0,793.0
+2021-9-06,17856.0,557458.0,790.0
+2021-9-07,17425.0,556845.0,795.0
+2021-9-08,18024.0,555810.0,797.0
+2021-9-09,18380.0,553757.0,794.0
+2021-9-10,18341.0,554188.0,789.0
+2021-9-11,18891.0,554395.0,796.0
+2021-9-12,18554.0,557664.0,788.0
+2021-9-13,18178.0,562654.0,719.0
+2021-9-14,17837.0,563803.0,781.0
+2021-9-15,18841.0,564813.0,792.0
+2021-9-16,19594.0,566287.0,794.0
+2021-9-17,19905.0,568782.0,791.0
+2021-9-18,20329.0,572065.0,799.0
+2021-9-19,20174.0,578028.0,793.0
+2021-9-20,19744.0,585002.0,778.0
+2021-9-21,19179.0,587932.0,812.0
+2021-9-22,19706.0,590719.0,817.0
+2021-9-23,21438.0,594770.0,820.0
+2021-9-24,21379.0,599493.0,828.0
+2021-9-25,22041.0,604387.0,822.0
+2021-9-26,22498.0,612409.0,805.0
+2021-9-27,22236.0,620353.0,779.0
+2021-9-28,21559.0,623692.0,852.0
+2021-9-29,22430.0,626809.0,857.0
+2021-9-30,23888.0,631004.0,867.0
+2021-10-01,24522.0,634684.0,887.0
+2021-10-02,25219.0,641165.0,886.0
+2021-10-03,25769.0,650653.0,890.0
+2021-10-04,25781.0,661025.0,883.0
+2021-10-05,25110.0,666672.0,895.0
+2021-10-06,25133.0,671035.0,929.0
+2021-10-07,27550.0,677331.0,924.0
+2021-10-08,27246.0,683075.0,936.0
+2021-10-09,29362.0,690420.0,968.0
+2021-10-10,28647.0,700831.0,962.0
+2021-10-11,29409.0,713823.0,957.0
+2021-10-12,28190.0,720334.0,973.0
+2021-10-13,28717.0,726266.0,984.0
+2021-10-14,31299.0,734909.0,986.0
+2021-10-15,32196.0,743839.0,998.0
+2021-10-16,33208.0,754162.0,1002.0
+2021-10-17,34303.0,768751.0,997.0
+2021-10-18,34325.0,785647.0,998.0
+2021-10-19,33740.0,794946.0,1015.0
+2021-10-20,34073.0,802760.0,1028.0
+2021-10-21,36339.0,812168.0,1036.0
+2021-10-22,37141.0,822792.0,1064.0
+2021-10-23,37678.0,833318.0,1075.0
+2021-10-24,35660.0,845122.0,1072.0
+2021-10-25,37930.0,861293.0,1069.0
+2021-10-26,36446.0,869660.0,1106.0
+2021-10-27,36582.0,875968.0,1123.0
+2021-10-28,40096.0,885587.0,1159.0
+2021-10-29,39849.0,893811.0,1163.0
+2021-10-30,40251.0,903993.0,1160.0
+2021-10-31,40993.0,916713.0,1158.0
+2021-11-01,40402.0,932773.0,1155.0
+2021-11-02,39008.0,939698.0,1178.0
+2021-11-03,40443.0,946145.0,1189.0
+2021-11-04,40217.0,953239.0,1195.0
+2021-11-05,40735.0,964177.0,1192.0
+2021-11-06,41335.0,975123.0,1188.0
+2021-11-07,39165.0,986303.0,1179.0
+2021-11-08,39400.0,998931.0,1190.0
+2021-11-09,39160.0,1004844.0,1211.0
+2021-11-10,38058.0,1007098.0,1239.0
+2021-11-11,40759.0,1013464.0,1237.0
+2021-11-12,40123.0,1018707.0,1235.0
+2021-11-13,39256.0,1022920.0,1241.0
+2021-11-14,38823.0,1030703.0,1219.0
+2021-11-15,38420.0,1040210.0,1211.0
+2021-11-16,36818.0,1041627.0,1240.0
+2021-11-17,36626.0,1040618.0,1247.0
+2021-11-18,37374.0,1040327.0,1251.0
+2021-11-19,37156.0,1039225.0,1254.0
+2021-11-20,37120.0,1038919.0,1254.0
+2021-11-21,36970.0,1042133.0,1252.0
+2021-11-22,35681.0,1047860.0,1241.0
+2021-11-23,33996.0,1044562.0,1243.0
+2021-11-24,33558.0,1040198.0,1240.0
+2021-11-25,33796.0,1034306.0,1238.0
+2021-11-26,34690.0,1031616.0,1235.0
+2021-11-27,33946.0,1027829.0,1239.0
+2021-11-28,33548.0,1029507.0,1224.0
+2021-11-29,33860.0,1034458.0,1209.0
+2021-11-30,32648.0,1032435.0,1229.0
+2021-12-01,32837.0,1028367.0,1226.0
+2021-12-02,33389.0,1025350.0,1221.0
+2021-12-03,32930.0,1020549.0,1217.0
+2021-12-04,32974.0,1017126.0,1215.0
+2021-12-05,32602.0,1017929.0,1206.0
+2021-12-06,32136.0,1020811.0,1184.0
+2021-12-07,31096.0,1016110.0,1182.0
+2021-12-08,30752.0,1008707.0,1179.0
+2021-12-09,30209.0,1001941.0,1181.0
+2021-12-10,30873.0,995981.0,1176.0
+2021-12-11,30288.0,988652.0,1171.0
+2021-12-12,29929.0,986058.0,1132.0
+2021-12-13,29558.0,985934.0,1121.0
+2021-12-14,28343.0,979048.0,1145.0
+2021-12-15,28363.0,970636.0,1142.0
+2021-12-16,28486.0,960834.0,1133.0
+2021-12-17,27743.0,950060.0,1080.0
+2021-12-18,27434.0,938377.0,1076.0
+2021-12-19,27967.0,932666.0,1023.0
+2021-12-20,27022.0,928610.0,1019.0
+2021-12-21,25907.0,913271.0,1027.0
+2021-12-22,25264.0,895193.0,1020.0
+2021-12-23,25667.0,878213.0,1002.0
+2021-12-24,24703.0,860705.0,998.0
+2021-12-25,24946.0,842563.0,981.0
+2021-12-26,23721.0,828031.0,968.0
+2021-12-27,23210.0,816589.0,937.0
+2021-12-28,21922.0,793615.0,935.0
+2021-12-29,21119.0,771026.0,932.0
+2021-12-30,21073.0,748169.0,926.0
+2021-12-31,20638.0,727203.0,912.0
+2022-1-01,19751.0,712963.0,847.0
+2022-1-02,18233.0,703409.0,811.0
+2022-1-03,16343.0,694880.0,835.0
+2022-1-04,15903.0,682878.0,834.0
+2022-1-05,15772.0,672241.0,828.0
+2022-1-06,15316.0,663806.0,802.0
+2022-1-07,16735.0,657719.0,787.0
+2022-1-08,16568.0,653042.0,796.0
+2022-1-09,16246.0,647774.0,763.0
+2022-1-10,15830.0,642973.0,741.0
+2022-1-11,17525.0,634499.0,783.0
+2022-1-12,17946.0,625354.0,745.0
+2022-1-13,21155.0,619785.0,740.0
+2022-1-14,23820.0,617914.0,739.0
+2022-1-15,27179.0,617786.0,723.0
+2022-1-16,29230.0,623599.0,686.0
+2022-1-17,30726.0,633899.0,670.0
+2022-1-18,31252.0,639899.0,688.0
+2022-1-19,33899.0,650180.0,698.0
+2022-1-20,38850.0,663868.0,684.0
+2022-1-21,49513.0,687970.0,692.0
+2022-1-22,57212.0,718976.0,681.0
+2022-1-23,63205.0,758457.0,679.0
+2022-1-24,65109.0,801197.0,655.0
+2022-1-25,67809.0,841921.0,681.0
+2022-1-26,74692.0,887759.0,657.0
+2022-1-27,88816.0,946156.0,665.0
+2022-1-28,98040.0,1014017.0,673.0
+2022-1-29,113122.0,1096461.0,668.0
+2022-1-30,121228.0,1188128.0,617.0
+2022-1-31,124070.0,1281447.0,621.0
+2022-2-01,125836.0,1366319.0,663.0
+2022-2-02,141883.0,1459098.0,678.0
+2022-2-03,155768.0,1560475.0,667.0
+2022-2-04,168201.0,1669545.0,682.0
+2022-2-05,177282.0,1785606.0,714.0
+2022-2-06,180071.0,1905433.0,661.0
+2022-2-07,171905.0,2021046.0,609.0
+2022-2-08,165643.0,2104803.0,698.0
+2022-2-09,183103.0,2190074.0,669.0
+2022-2-10,197076.0,2280357.0,701.0
+2022-2-11,203949.0,2371348.0,722.0
+2022-2-12,203766.0,2461727.0,729.0
+2022-2-13,197949.0,2557402.0,706.0
+2022-2-14,180456.0,2639990.0,683.0
+2022-2-15,166631.0,2668036.0,704.0
+2022-2-16,179284.0,2674104.0,748.0
+2022-2-17,180622.0,2668854.0,790.0
+2022-2-18,180071.0,2649772.0,784.0
+2022-2-19,179147.0,2637023.0,798.0
+2022-2-20,170699.0,2659681.0,745.0
+2022-2-21,152337.0,2683789.0,735.0
+2022-2-22,135172.0,2653872.0,796.0
+2022-2-23,137642.0,2611526.0,785.0
+2022-2-24,132998.0,2607329.0,762.0
+2022-2-25,123460.0,2562692.0,787.0
+2022-2-26,122995.0,2503551.0,793.0
+2022-2-27,116093.0,2481279.0,769.0
+2022-2-28,106920.0,2470724.0,733.0
+2022-3-01,97333.0,2394458.0,786.0
+2022-3-02,97455.0,2307599.0,784.0
+2022-3-03,93026.0,2229155.0,781.0
+2022-3-04,89174.0,2157046.0,776.0
+2022-3-05,86769.0,2087340.0,750.0
+2022-3-06,79863.0,2017399.0,744.0
+2022-3-07,73162.0,1967274.0,668.0
+2022-3-08,66576.0,1921442.0,652.0
+2022-3-09,58675.0,1886740.0,645.0
+2022-3-10,51231.0,1788672.0,665.0
+2022-3-11,50743.0,1687531.0,674.0
+2022-3-12,48154.0,1578204.0,630.0
+2022-3-13,44989.0,1493968.0,596.0
+2022-3-14,41055.0,1429247.0,533.0
+2022-3-15,36678.0,1346995.0,558.0
+2022-3-16,36519.0,1264929.0,576.0
+2022-3-17,34819.0,1186573.0,561.0
+2022-3-18,34442.0,1115427.0,524.0
+2022-3-19,32958.0,1052332.0,495.0
+2022-3-20,31035.0,1008258.0,434.0
+2022-3-21,28709.0,974620.0,409.0
+2022-3-22,26394.0,925622.0,472.0
+2022-3-23,26826.0,881397.0,429.0
+2022-3-24,25387.0,839890.0,418.0
+2022-3-25,25382.0,803014.0,398.0
+2022-3-26,24072.0,765758.0,395.0
+2022-3-27,23280.0,741160.0,338.0
+2022-3-28,21101.0,726180.0,335.0
+2022-3-29,19660.0,698272.0,339.0
+2022-3-30,20145.0,666980.0,352.0
+2022-3-31,19277.0,635416.0,345.0
+2022-4-01,19164.0,608240.0,342.0
+2022-4-02,17949.0,581302.0,340.0
+2022-4-03,16828.0,562131.0,304.0
+2022-4-04,15291.0,544285.0,287.0
+2022-4-05,13947.0,520457.0,316.0
+2022-4-06,14661.0,499521.0,291.0
+2022-4-07,14355.0,478285.0,287.0
+2022-4-08,14311.0,454632.0,280.0
+2022-4-09,13573.0,427817.0,288.0
+2022-4-10,13056.0,411242.0,259.0
+2022-4-11,11855.0,396094.0,248.0
+2022-4-12,10910.0,375452.0,281.0
+2022-4-13,11754.0,358804.0,267.0
+2022-4-14,11348.0,348045.0,254.0
+2022-4-15,11432.0,339693.0,261.0
+2022-4-16,11095.0,331542.0,240.0
+2022-4-17,10263.0,325076.0,233.0
+2022-4-18,9434.0,319973.0,213.0
+2022-4-19,8640.0,311615.0,235.0
+2022-4-20,9195.0,304387.0,223.0
+2022-4-21,8875.0,298883.0,197.0
+2022-4-22,9001.0,294209.0,195.0
+2022-4-23,8829.0,289837.0,171.0
+2022-4-24,8446.0,287607.0,168.0
+2022-4-25,7651.0,286244.0,159.0
+2022-4-26,7107.0,281276.0,176.0
+2022-4-27,7705.0,277341.0,163.0
+2022-4-28,7681.0,273793.0,166.0
+2022-4-29,7710.0,270301.0,161.0
+2022-4-30,7363.0,266485.0,157.0
+2022-5-01,7047.0,264652.0,147.0
+2022-5-02,6207.0,263221.0,136.0
+2022-5-03,5466.0,261510.0,125.0
+2022-5-04,5093.0,259810.0,129.0
+2022-5-05,5011.0,255959.0,139.0
+2022-5-06,5541.0,251956.0,136.0
+2022-5-07,5500.0,248675.0,132.0
+2022-5-08,5447.0,247322.0,118.0
+2022-5-09,5030.0,246290.0,103.0
+2022-5-10,4531.0,245706.0,101.0
+2022-5-11,4102.0,244667.0,98.0
+2022-5-12,4065.0,241691.0,111.0
+2022-5-13,4896.0,239225.0,105.0
+2022-5-14,5047.0,236787.0,107.0

БЫСТРЫЙ_СТАРТ.md

@@ -0,0 +1,197 @@
+# ⚡ Быстрый старт
+
+## 🚀 Запуск программы
+
+```bash
+pip install -r requirements.txt
+streamlit run src/streamlit_app.py
+```
+
+Откройте браузер: `http://localhost:8501`
+
+---
+
+## 📋 ЛР №1: Пошаговая инструкция
+
+### Шаг 1: Загрузка данных
+- Загрузите CSV файл или выберите пример
+- Укажите колонку с датами
+
+### Шаг 2: Предобработка
+- Нажмите **"Run Preprocessing"**
+- Оставьте настройки по умолчанию (или измените при необходимости)
+
+### Шаг 3: Статистика
+- Посмотрите таблицу дескриптивной статистики
+- Изучите гистограммы и матрицу корреляций
+
+### Шаг 4: Стационарность
+- Выберите целевую переменную
+- Нажмите **"Run stationarity tests"**
+- Если нестационарен → нажмите **"Apply diff & Re-test"** с `diff_order=1`
+
+### Шаг 5: Лаги
+- Укажите лаги: `1,7,30`
+- Укажите окна: `7,30`
+- Нажмите **"Generate lags & rolls"**
+
+### Шаг 6: ACF/PACF
+- Выберите целевую переменную
+- Установите `max_lag=40`
+- Посмотрите графики и значимые лаги
+
+### Шаг 7: Декомпозиция
+- Выберите модель: `additive`
+- Укажите период: `7` (для недельной) или `30` (для месячной)
+- Нажмите **"Run decomposition"**
+
+### Шаг 8: Отчёт
+- Нажмите **"Сгенерировать и показать отчёт"**
+- Скачайте HTML-отчёт
+
+---
+
+## 🔮 ЛР №2: Пошаговая инструкция
+
+### Шаг 1: Подготовка
+- Убедитесь, что данные из ЛР №1 загружены
+- Выберите целевую переменную
+- Установите горизонт прогнозирования (h): `7` или `30`
+
+### Шаг 2: Декомпозиция
+- Выберите период сезонности: `7` или `30`
+- Нажмите **"Выполнить декомпозицию"**
+
+### Шаг 3: Преобразования (опционально)
+- Начните с `none` и `diff_order=0`
+- Если модель плохая → попробуйте `diff_order=1`
+
+### Шаг 4: Модели
+- Выберите стратегии: `recursive` (для начала)
+- Выберите модели: `SES`, `Holt_add`
+- Нажмите **"Применить преобразования и построить модели"**
+
+### Шаг 5: Результаты
+- Посмотрите таблицу метрик
+- Найдите модель с наименьшими MAE, RMSE, MAPE
+- Посмотрите график прогнозов
+
+### Шаг 6: Диагностика
+- Выберите лучшую модель
+- Нажмите **"Выполнить диагностику остатков"**
+- Проверьте, что p-value тестов > 0.05
+
+### Шаг 7: Выводы
+- Посмотрите итоговую таблицу
+- Выберите лучшую модель
+- Скачайте прогнозы и параметры модели
+
+---
+
+## 📊 Что означают метрики
+
+| Метрика | Что означает | Чем меньше, тем лучше |
+|---------|-------------|------------------------|
+| **MAE** | Средняя абсолютная ошибка | ✅ |
+| **RMSE** | Корень из средней квадратичной ошибки | ✅ |
+| **MAPE** | Средняя абсолютная процентная ошибка (%) | ✅ |
+
+**Пример:** MAPE = 10% означает, что в среднем ошибка 10%
+
+---
+
+## 🎯 Тесты стационарности
+
+| Тест | Стационарен если | Нестационарен если |
+|------|------------------|---------------------|
+| **ADF** | p-value < 0.05 ✅ | p-value >= 0.05 ❌ |
+| **KPSS** | p-value > 0.05 ✅ | p-value <= 0.05 ❌ |
+
+**Если нестационарен:** примените `diff_order=1`
+
+---
+
+## 🔍 Корреляции
+
+| Значение | Интерпретация |
+|----------|---------------|
+| **1.0** | Полная прямая связь |
+| **0.7-1.0** | Сильная связь |
+| **0.3-0.7** | Умеренная связь |
+| **0.0-0.3** | Слабая связь |
+| **0.0** | Нет связи |
+| **-1.0** | Полная обратная связь |
+
+**Проблема:** Если два признака коррелируют > 0.8 → мультиколлинеарность
+
+---
+
+## 🎨 Модели экспоненциального сглаживания
+
+| Модель | Когда использовать |
+|--------|-------------------|
+| **SES** | Стационарный ряд без тренда |
+| **Holt Additive** | Ряд с линейным трендом |
+| **Holt Multiplicative** | Ряд с экспоненциальным трендом |
+
+---
+
+## 🚦 Стратегии прогнозирования
+
+| Стратегия | Когда использовать |
+|-----------|-------------------|
+| **Recursive** | Короткий горизонт (h < 7) |
+| **Direct** | Длинный горизонт (h >= 30) |
+| **Hybrid** | Средний горизонт (7-30) |
+
+---
+
+## ⚠️ Частые ошибки
+
+1. **"Недостаточно данных"**
+   - Решение: уменьшите размер обучающей выборки
+
+2. **"Для лог-трансформации все значения должны быть положительными"**
+   - **Причина:** В данных есть нули или отрицательные значения
+   - **Решения:**
+     - ✅ **Используйте Box-Cox** вместо логарифма (автоматически обработает проблему)
+     - ✅ **Используйте только дифференцирование** (diff_order=1) без логарифма
+     - ✅ **Включите автоматический сдвиг** - программа предложит сдвинуть данные
+   - **Как исправить:**
+     1. Посмотрите статистику данных в сообщении об ошибке
+     2. Включите чекбокс "Автоматически сдвинуть данные"
+     3. Или измените тип преобразования на "boxcox"
+
+3. **"Ошибка при преобразовании"**
+   - Решение: убедитесь, что все значения положительные (для log/boxcox)
+
+4. **"Модель работает плохо"**
+   - Решение: попробуйте `diff_order=1` или другую модель
+
+5. **"Остатки имеют автокорреляцию"**
+   - Решение: попробуйте другую модель или стратегию
+
+---
+
+## 💡 Советы
+
+1. ✅ Начинайте с простого (SES, recursive, без преобразований)
+2. ✅ Сравнивайте с наивным прогнозом (baseline)
+3. ✅ Проверяйте диагностику остатков
+4. ✅ Экспериментируйте с разными моделями
+5. ✅ Сохраняйте результаты (CSV, HTML-отчёты)
+
+---
+
+## 📁 Что скачивать
+
+- **final_dataset.csv** - очищенные данные (ЛР №1)
+- **dataset_with_lags.csv** - данные с лагами (ЛР №1)
+- **ts_report.html** - HTML-отчёт (ЛР №1)
+- **forecast_*.csv** - прогнозы моделей (ЛР №2)
+- **model_params_*.csv** - параметры моделей (ЛР №2)
+
+---
+
+**Подробное руководство:** см. `РУКОВОДСТВО.md`
+

РУКОВОДСТВО.md

@@ -0,0 +1,655 @@
+# 📚 Руководство по использованию программы для анализа временных рядов
+
+## 🎯 Общая структура проекта
+
+Ваш проект состоит из двух лабораторных работ, объединённых в одно веб-приложение:
+
+### Файлы проекта:
+- **`src/streamlit_app.py`** - главный файл веб-приложения (1655 строк)
+- **`src/lab2_functions.py`** - функции для лабораторной работы №2 (604 строки)
+- **`src/main.py`** - не используется (можно игнорировать)
+- **`russia_covid_dataset.csv`** - пример данных (COVID-19 по России)
+
+---
+
+## 🚀 Как запустить программу
+
+1. **Установите зависимости:**
+   ```bash
+   pip install -r requirements.txt
+   ```
+
+2. **Запустите приложение:**
+   ```bash
+   streamlit run src/streamlit_app.py
+   ```
+
+3. **Откройте браузер:**
+   - Программа автоматически откроется на `http://localhost:8501`
+   - Или откройте вручную этот адрес
+
+---
+
+## 📖 ЛАБОРАТОРНАЯ РАБОТА №1: Введение в анализ временных рядов
+
+### Что делает эта работа?
+
+Эта работа учит вас **"читать"** временной ряд - понимать его структуру, находить закономерности, выявлять проблемы.
+
+### Порядок работы (по этапам):
+
+#### **Этап 1: Загрузка данных**
+1. В боковой панели нажмите "Загрузите CSV/Parquet"
+2. Или выберите предзагруженный пример (если есть `russia_covid_dataset.csv`)
+3. Укажите колонку с датами (программа попытается найти её автоматически)
+
+**Что происходит:** Программа загружает ваш файл и показывает первые строки.
+
+---
+
+#### **Этап 2: Предобработка данных (Preprocessing)**
+
+**Настройки в боковой панели:**
+- **Как трактовать tz-naive метки?** - как обрабатывать даты без временной зоны
+- **Заполнение пропусков (числ.)** - что делать с пропущенными числами:
+  - `interpolate` - заполнить интерполяцией (рекомендуется)
+  - `drop` - удалить строки
+  - `rolling` - заполнить скользящим средним
+- **Обработка выбросов** - что делать с аномальными значениями:
+  - `interpolate` - заменить интерполяцией
+  - `winsorize` - обрезать экстремальные значения
+  - `drop` - удалить
+  - `mark` - только отметить
+- **Ресемплить к частоте** - изменить частоту данных (D=день, W=неделя, M=месяц)
+
+**Что делать:**
+1. Нажмите кнопку **"Run Preprocessing"**
+2. Программа покажет:
+   - Сколько строк было до/после обработки
+   - Сколько пропусков найдено и обработано
+   - Сколько выбросов обнаружено
+
+**Результат:** Очищенный датасет, готовый к анализу.
+
+---
+
+#### **Этап 3: Описательная статистика и визуализация**
+
+**Что показывается:**
+
+1. **Таблица дескриптивной статистики:**
+   - `count` - количество наблюдений
+   - `mean` - среднее значение
+   - `median` - медиана (середина)
+   - `std` - стандартное отклонение (разброс)
+   - `min/max` - минимум/максимум
+   - `q1/q3` - первый и третий квартили (25% и 75%)
+   - `skew` - асимметрия (если >0, хвост справа)
+   - `kurtosis` - эксцесс (острота распределения)
+
+2. **Гистограммы и Boxplot:**
+   - **Гистограмма** - показывает распределение значений (как часто встречается каждое значение)
+   - **Boxplot** - показывает медиану, квартили и выбросы
+
+3. **Матрица корреляций:**
+   - Показывает, насколько связаны между собой признаки
+   - Значения от -1 до 1:
+     - **1** = полная прямая связь
+     - **0** = нет связи
+     - **-1** = полная ��братная связь
+   - **Важно:** Если два признака сильно коррелируют (>0.8), это может быть проблемой (мультиколлинеарность)
+
+**Как интерпретировать:**
+- Если `std` большой относительно `mean` - данные сильно разбросаны
+- Если `skew` далёк от 0 - распределение несимметрично
+- Сильные корреляции (>0.7) указывают на зависимость признаков
+
+---
+
+#### **Этап 4: Проверка на стационарность**
+
+**Что такое стационарность?**
+Стационарный ряд = ряд без тренда, с постоянной дисперсией. Многие модели требуют стационарности.
+
+**Что показывается:**
+
+1. **График ряда с rolling mean:**
+   - Если линия скользящего среднего не горизонтальна → есть тренд (нестационарен)
+   - Если линия скользящего среднего горизонтальна → тренда нет (стационарен)
+
+2. **График rolling std:**
+   - Если линия не горизонтальна → дисперсия меняется (нестационарен)
+   - Если горизонтальна → дисперсия постоянна
+
+3. **Статистические тесты:**
+   - **ADF (Augmented Dickey-Fuller):**
+     - p-value < 0.05 → ряд стационарен ✅
+     - p-value >= 0.05 → ряд нестационарен ❌
+   - **KPSS:**
+     - p-value > 0.05 → ряд стационарен ✅
+     - p-value <= 0.05 → ряд нестационарен ❌
+
+**Что делать, если ряд нестационарен:**
+1. Нажмите "Apply diff & Re-test" с `diff_order=1`
+2. Это применит дифференцирование (убирает тренд)
+3. Повторите тесты
+
+---
+
+#### **Этап 5: Создание лагов и скользящих статистик**
+
+**Что такое лаги?**
+Лаг = значение переменной в прошлом. Например, `target_lag_7` = значение target 7 дней назад.
+
+**Что создаётся:**
+- **Лаги:** `target_lag_1`, `target_lag_7`, `target_lag_30`
+- **Скользящие статистики:**
+  - `target_rolling_mean_7` - среднее за последние 7 дней
+  - `target_rolling_std_7` - стандартное отклонение за последние 7 дней
+
+**Как использовать:**
+1. Укажите целевую переменную (target)
+2. Укажите лаги через запятую (например: `1,7,30`)
+3. Укажите окна для скользящих (например: `7,30`)
+4. Нажмите "Generate lags & rolls"
+
+**Что показывается:**
+- Таблица корреляций лагов с target - какие лаги наиболее информативны
+- Heatmap корреляций - визуализация всех корреляций
+- VIF (Variance Inflation Factor) - проверка мультиколлинеарности:
+  - VIF < 5 → нормально
+  - VIF 5-10 → умеренная мультиколлинеарность
+  - VIF > 10 → сильная мультиколлинеарность (проблема)
+
+---
+
+#### **Этап 6: ACF и PACF**
+
+**Что это такое?**
+- **ACF (Autocorrelation Function)** - корреляция ряда с его лагами
+- **PACF (Partial Autocorrelation Function)** - "чистая" корреляция с лагом
+
+**Как интерпретировать графики:**
+
+1. **ACF:**
+   - Плавное затухание → возможный порядок MA(q)
+   - Резкий обрыв → возможный порядок AR(p)
+
+2. **PACF:**
+   - Резкий обрыв на лаге p → возможный порядок AR(p)
+   - Плавное затухание → возможный порядок MA(q)
+
+3. **Значимые лаги:**
+   - Лаги, выходящие за доверительный интервал (синие линии) → статистически значимы
+   - Эти лаги важны для моделирования
+
+**Что делать:**
+- Посмотрите, какие лаги значимы
+- Запомните порядок обрыва в PACF - это может быть порядок AR модели
+
+---
+
+#### **Этап 7: Декомпозиция временного ряда**
+
+**Что такое декомпозиция?**
+Разложение ряда на компоненты:
+- **Observed** - исходный ряд
+- **Trend** - тренд (долгосрочная тенденция)
+- **Seasonal** - сезонность (периодические колебания)
+- **Residual** - остатки (случайные колебания)
+
+**Модели декомпозиции:**
+- **Additive (аддитивная):** `value = trend + seasonal + residual`
+  - Используйте, если амплитуда сезонности постоянна
+- **Multiplicative (мультипликативная):** `value = trend × seasonal × residual`
+  - Используйте, если амплитуда сезонности растёт со временем
+
+**Как использовать:**
+1. Выберите целевую переменную
+2. Выберите модель (additive/multiplicative)
+3. Укажите период сезонности:
+   - 7 - для недельной сезонности
+   - 30 - для месячной
+   - 365 - для годовой
+4. Нажмите "Run decomposition"
+
+**Что показывается:**
+- Графики всех компонентов
+- Анализ тренда (растёт/падает)
+- Амплитуда сезонности
+- Диагностика остатков (должны быть стационарны и случайны)
+
+**Как интерпретировать:**
+- Если остатки стационарны (ADF/KPSS тесты) → декомпозиция хорошая ✅
+- Если остатки нестационарны → попробуйте другой период или модель ❌
+
+---
+
+#### **Этап 8: Генерация отчёта**
+
+**Что делает:**
+Собирает все графики и таблицы в один HTML-отчёт.
+
+**Как использовать:**
+1. Настройте параметры в разделе "Параметры для отчёта"
+2. Нажмите "Сгенерировать и показать отчёт"
+3. Просмотрите результаты во вкладках
+4. Скачайте HTML-отчёт
+
+---
+
+## 🔮 ЛАБОРАТОРНАЯ РАБОТА №2: Прогнозирование временных рядов
+
+### Что делает эта работа?
+
+Эта работа учит строить **модели для прогнозирования** будущих значений временного ряда.
+
+### Порядок работы:
+
+#### **Этап 1: Декомпозиция и анализ остатков**
+
+**Что делать:**
+1. Убедитесь, что данные из ЛР №1 загружены
+2. Выберите целевую переменную в боковой панели
+3. Укажите горизонт прогнозирования (h) - на сколько шагов вперёд прогнозировать
+4. Настройте размер обучающей выборки (рекомендуется ≥500)
+5. Нажмите "Выполнить декомпозицию"
+
+**Что показывается:**
+- Графики компонентов (observed, trend, seasonal, residuals)
+- Анализ остатков (должны быть стационарны)
+- ACF/PACF остатков (не должно быть значимых лагов)
+
+**Как интерпретировать:**
+- Если остатки стационарны и не имеют автокорреляции → декомпозиция хорошая ✅
+- Если нет → попробуйте другой период или модель
+
+---
+
+#### **Этап 2: Feature Engineering**
+
+**Что создаётся:**
+- Временные признаки (день недели, месяц, квартал)
+- Циклические признаки (sin/cos для периодичности)
+- Лаги (lag_1, lag_7, lag_30)
+- Скользящие статистики (mean, std, min, max)
+
+**Как использовать:**
+1. Нажмите "Создать расширенные признаки"
+2. Просмотрите созданные признаки
+3. Скачайте датасет с признаками (опционально)
+
+---
+
+#### **Этап 3: Стратегии прогнозирования**
+
+**Три стратегии:**
+
+1. **Recursive (рекурсивная):**
+   - Одна модель
+   - Использует свои предыдущие прогнозы
+   - ✅ Хорошо для короткого горизонта (h < 7)
+   - ❌ Ошибка накапливается на длинном горизонте
+
+2. **Direct (прямая):**
+   - Отдельная модель для каждого шага
+   - Прогнозы независимы
+   - ✅ Хорошо для длинного горизонта (h >= 30)
+   - ❌ Требует больше вычислений
+
+3. **Hybrid (гибридная):**
+   - Комбинация: рекурсивная для ближних шагов, прямая для дальних
+   - ✅ Баланс ме��ду точностью и скоростью
+
+**Как использовать:**
+- Выберите стратегии в разделе "Этап 6-7"
+- Можно выбрать несколько для сравнения
+
+---
+
+#### **Этап 4: Кросс-валидация**
+
+**Что такое кросс-валидация?**
+Проверка качества модели на разных частях данных без утечки будущего.
+
+**Методы:**
+1. **Sliding window (скользящее окно):**
+   - Фиксированная длина обучения
+   - Окно "скользит" по времени
+
+2. **Expanding window (расширяющееся окно):**
+   - Длина обучения растёт
+   - Более реалистично для реальных задач
+
+3. **TimeSeriesSplit:**
+   - Стандартный метод из sklearn
+   - Прогрессивное разбиение
+
+**Как использовать:**
+1. Выберите метод
+2. Настройте размеры train/test
+3. Нажмите "Выполнить кросс-валидацию"
+
+**Что показывается:**
+- Таблица метрик по фолдам
+- Средние метрики
+- График метрик по фолдам
+
+**Как интерпретировать:**
+- Если метрики стабильны по фолдам → модель надёжна ✅
+- Если метрики сильно меняются → модель нестабильна ❌
+
+---
+
+#### **Этап 5: Преобразования к стационарности**
+
+**Зачем нужно?**
+Многие модели требуют стационарных данных.
+
+**Типы преобразований:**
+
+1. **None (без преобразования):**
+   - Используйте, если данные уже стационарны
+
+2. **Log (логарифм):**
+   - Стабилизирует дисперсию
+   - Требует положительные значения
+   - Используйте, если дисперсия растёт со временем
+
+3. **Box-Cox:**
+   - Автоматический подбор преобразования
+   - Включает логарифм как частный случай
+   - ✅ Рекомендуется, если не уверены
+
+4. **Дифференцирование:**
+   - `diff_order=1` - убирает тренд (первая разность)
+   - `diff_order=2` - убирает квадратичный тренд
+   - `seasonal_diff=7` - убирает сезонность (для недельной)
+
+**Как использовать:**
+1. Начните с `none` и `diff_order=0`
+2. Если модель плохая, попробуйте `diff_order=1`
+3. Если дисперсия нестабильна, попробуйте `log` или `boxcox`
+
+**Что показывается:**
+- Результаты тестов ADF/KPSS после преобразования
+- Если p-value ADF < 0.05 и p-value KPSS > 0.05 → стационарен ✅
+
+---
+
+#### **Этап 6-7: Модели экспоненциального сглаживания**
+
+**Три модели:**
+
+1. **SES (Simple Exponential Smoothing):**
+   - Простое сглаживание без тренда
+   - ✅ Хорошо для стационарных рядов
+   - ❌ Не учитывает тренд
+
+2. **Holt Additive:**
+   - С аддитивным трендом (линейный рост/падение)
+   - ✅ Хорошо для рядов с линейным трендом
+   - Формула: `level + trend`
+
+3. **Holt Multiplicative:**
+   - С мультипликативным трендом (экспоненциальный рост/падение)
+   - ✅ Хорошо для рядов с экспоненциальным трендом
+   - ❌ Требует положительные значения
+   - Формула: `level × trend`
+
+**Как использовать:**
+1. Выберите стратегии прогнозирования
+2. Выберите модели (можно несколько)
+3. Нажмите "Применить преобразования и построить модели"
+
+**Что показывается:**
+- Таблица сравнения метрик (MAE, RMSE, MAPE)
+- График прогнозов всех моделей
+- Сравнение с наивным прогнозом (baseline)
+
+**Метрики качества:**
+
+1. **MAE (Mean Absolute Error):**
+   - Средняя абсолютная ошибка
+   - Чем меньше, тем лучше
+   - Интерпретация: среднее отклонение прогноза от реальности
+
+2. **RMSE (Root Mean Squared Error):**
+   - Корень из средней квадратичной ошибки
+   - Чем меньше, те�� лучше
+   - Более чувствительна к большим ошибкам
+   - Интерпретация: типичное отклонение (с учётом больших ошибок)
+
+3. **MAPE (Mean Absolute Percentage Error):**
+   - Средняя абсолютная процентная ошибка
+   - Чем меньше, тем лучше
+   - Интерпретация: ошибка в процентах
+   - Пример: MAPE=5% означает, что в среднем ошибка 5%
+
+**Как интерпретировать:**
+- Сравните метрики моделей
+- Выберите модель с наименьшими MAE, RMSE, MAPE
+- Убедитесь, что модель лучше наивного прогноза
+
+---
+
+#### **Этап 7: Диагностика остатков**
+
+**Что проверяется:**
+
+1. **Тест Льюнга-Бокса:**
+   - Проверяет автокорреляцию в остатках
+   - p-value < 0.05 → есть автокорреляция (плохо) ❌
+   - p-value >= 0.05 → нет автокорреляции (хорошо) ✅
+
+2. **Тест Шапиро-Уилка:**
+   - Проверяет нормальность распределения остатков
+   - p-value < 0.05 → не нормально (плохо) ❌
+   - p-value >= 0.05 → нормально (хорошо) ✅
+
+3. **Графики:**
+   - **Остатки vs Прогнозы:** должны быть случайными (гомоскедастичность)
+   - **Q-Q Plot:** точки должны лежать на прямой (нормальность)
+   - **Временной ряд остатков:** не должно быть тренда
+
+**Как использовать:**
+1. Выберите модель для диагностики
+2. Нажмите "Выполнить диагностику остатков"
+
+**Как интерпретировать:**
+- Если все тесты пройдены → модель адекватна ✅
+- Если есть проблемы → попробуйте другую модель или добавьте преобразования
+
+---
+
+#### **Этап 8: Сравнительный анализ и выводы**
+
+**Что показывается:**
+- Итоговая таблица метрик всех моделей
+- Лучшие модели по каждой метрике
+- Рекомендации по выбору модели
+
+**Как использовать:**
+1. Посмотрите на таблицу метрик
+2. Найдите модель с наименьшими ошибками
+3. Проверьте диагностику остатков для этой модели
+4. Используйте эту модель для прогнозирования
+
+**Рекомендации:**
+- **Короткий горизонт (h < 7):** рекурсивная стратегия
+- **Длинный горизонт (h >= 30):** прямая или гибридная стратегия
+- **Нестационарный ряд:** используйте дифференцирование (diff_order=1)
+- **Нестабильная дисперсия:** используйте Box-Cox преобразование
+
+---
+
+## 📊 Что означают числа и метрики
+
+### Статистические метрики:
+
+- **Mean (среднее):** среднее значение всех наблюдений
+- **Median (медиана):** значение в середине (50% наблюдений меньше)
+- **Std (стандартное отклонение):** мера разброса данных
+  - Маленькое std → данные сконцентрированы
+  - Большое std → данные разбросаны
+- **Min/Max:** минимальное и максимальное значения
+- **Q1/Q3 (квартили):** 25% и 75% наблюдений меньше этого значения
+- **Skew (асимметрия):**
+  - 0 = симметричное распределение
+  - >0 = хвост справа (больше больших значений)
+  - <0 = хвост слева (больше маленьких значений)
+- **Kurtosis (эксцесс):**
+  - 0 = нормальное распределение
+  - >0 = более острое распределение (больше экстремальных значений)
+  - <0 = более плоское распределение
+
+### Метрики качества прогноза:
+
+- **MAE:** средняя абсолютная ошибка (в тех же единицах, что и данные)
+- **RMSE:** корень из средней квадратичной ошибки (более чувствительна к большим ошибкам)
+- **MAPE:** средняя абсолютная процентная ошибка (в процентах)
+
+**Пример интерпретации:**
+- Если MAPE = 10%, это означает, что в среднем прогноз отклоняется на 10% от реальности
+- Если MAE = 100, это означает, что в среднем прогноз отклоняется на 100 единиц
+
+### Тесты стационарности:
+
+- **ADF p-value:**
+  - < 0.05 → ряд стационарен ✅
+  - >= 0.05 → ряд нестационарен ❌
+- **KPSS p-value:**
+  - > 0.05 → ряд стационарен ✅
+  - <= 0.05 → ряд нестационарен ❌
+
+### Корреляции:
+
+- **1.0:** полная прямая связь (когда один растёт, другой тоже растёт)
+- **0.0:** нет связи
+- **-1.0:** полная обратная связь (когда один растёт, другой падает)
+- **0.7-1.0:** сильная связь
+- **0.3-0.7:** умеренная связь
+- **0.0-0.3:** слабая связь
+
+---
+
+## 🎓 Типичный workflow (порядок работы)
+
+### Для ЛР №1:
+
+1. Загрузите данные
+2. Запустите предобработку
+3. Посмотрите описательную статистику
+4. Проверьте стационарность
+5. Создайте лаги и скользящие статистики
+6. Постройте ACF/PACF
+7. Выполните декомпозицию
+8. Сгенерируйте отчёт
+
+### Для ЛР №2:
+
+1. Убедитесь, что данные из ЛР №1 загружены
+2. Выполните декомпозицию
+3. (Опционально) Создайте расширенные признаки
+4. (Опционально) Выполните кросс-валидацию
+5. Настройте преобразования (начните с none, diff_order=0)
+6. Постройте модели (выберите несколько для сравнения)
+7. Проверьте диагностику остатков для лучшей модели
+8. Посмотрите итоговые результаты и выберите лучшую модель
+
+---
+
+## ⚠️ Частые проблемы и решения
+
+### Проблема: "Недостаточно данных"
+**Решение:** Уменьшите размер обучающей выборки или увеличьте тестовую
+
+### Проблема: "Для лог-трансформации все значения должны быть положительными"
+**Причина:** 
+Логарифм можно применять только к положительным числам. Если в данных есть нули или отрицательные значения, логарифм не может быть вычислен.
+
+**Что покажет программа:**
+- Количество неположительных значений
+- Минимальное и максимальное значения
+- График распределения данных
+- Предложение автоматического сдвига
+
+**Решения:**
+
+1. **Используйте Box-Cox преобразование** (рекомендуется):
+   - Измените тип преобразования с `log` на `boxcox`
+   - Box-Cox автоматически обработает проблему (требует только положительные значения, но может работать с нулями через сдвиг)
+
+2. **Используйте только дифференцирование**:
+   - Оставьте `transformation='none'`
+   - Установите `diff_order=1`
+   - Это уберёт тренд без необходимости логарифма
+
+3. **Автоматический сдвиг данных**:
+   - Включите чекбокс "Автоматически сдвинуть данные"
+   - Программа добавит константу ко всем значениям, чтобы сделать их положительными
+   - Минимум станет равным 1 (или больше)
+
+4. **Вручную сдвиньте данные** (перед загрузкой):
+   - Если данные содержат отрицательные значения или нули
+   - Добавьте константу ко всем значениям в CSV файле
+   - Например: `new_value = old_value + abs(min_value) + 1`
+
+**Как выбрать решение:**
+- Если данные близки к нулю → используйте Box-Cox
+- Если нужно сохранить интерпретацию → используйте только дифференцирование
+- Если данные уже в логарифмической шкале → проверьте, не применяли ли в�� логарифм дважды
+
+### Проблема: "Ошибка при преобразовании" (общая)
+**Решение:** 
+- Для логарифма: убедитесь, что все значения положительные (см. выше)
+- Для Box-Cox: убедитесь, что все значения положительные (или используйте автоматический сдвиг)
+
+### Проблема: "Модель работает плохо"
+**Решение:**
+1. Попробуйте дифференцирование (diff_order=1)
+2. Попробуйте Box-Cox преобразование
+3. Попробуйте другую модель (например, Holt вместо SES)
+4. Проверьте, стационарен ли ряд
+
+### Проблема: "Остатки имеют автокорреляцию"
+**Решение:**
+1. Попробуйте другую модель
+2. Добавьте больше лагов
+3. Попробуйте другую стратегию прогнозирования
+
+---
+
+## 💡 Советы
+
+1. **Начинайте просто:** сначала попробуйте модель без преобразований
+2. **Сравнивайте с baseline:** убедитесь, что ваша модель лучше наивного прогноза
+3. **Проверяйте диагностику:** хорошая модель должна иметь "хорошие" остатки
+4. **Экспериментируйте:** пробуйте разные комбинации моделей и стратегий
+5. **Документируйте:** записывайте, что пробовали и какие результаты получили
+
+---
+
+## 📝 Что делать с результатами
+
+1. **Сохраните очищенные данные:** скачайте `final_dataset.csv`
+2. **Сохраните прогнозы:** скачайте прогнозы лучшей модели
+3. **Сохраните параметры модели:** скачайте параметры для воспроизведения
+4. **Создайте отчёт:** используйте HTML-отчёт из ЛР №1
+5. **Задокументируйте выводы:** запишите, какая модель лучше и почему
+
+---
+
+## 🎯 Ключевые выводы
+
+- **ЛР №1** учит понимать структуру данных
+- **ЛР №2** учит строить модели для прогнозирования
+- **Метрики** показывают качество модели
+- **Диагностика** проверяет адекватность модели
+- **Преобразования** нужны для стационарности
+- **Стратегии** влияют на качество прогноза
+
+---
+
+**Удачи в работе! 🚀**
+

СТРУКТУРА_КОДА.md

@@ -0,0 +1,334 @@
+# 🏗️ Структура кода проекта
+
+## 📁 Файловая структура
+
+```
+TimeSeriesHomework/
+├── src/
+│   ├── streamlit_app.py      # Главное веб-приложение (1655 строк)
+│   ├── lab2_functions.py      # Функции для ЛР №2 (604 строки)
+│   ├── main.py                # Не используется (можно игнорировать)
+│   └── russia_covid_dataset.csv # Пример данных
+├── requirements.txt           # Зависимости Python
+├── README.md                  # Описание проекта
+├── РУКОВОДСТВО.md            # Подробное руководство (этот файл)
+├── БЫСТРЫЙ_СТАРТ.md          # Краткая шпаргалка
+└── СТРУКТУРА_КОДА.md        # Этот файл
+```
+
+---
+
+## 🔍 streamlit_app.py - Главное приложение
+
+### Структура файла:
+
+```
+1. Импорты (строки 1-34)
+   ├── Библиотеки: pandas, numpy, streamlit, plotly
+   ├── Статистика: statsmodels, scipy
+   └── Импорт функций из lab2_functions.py
+
+2. Утилиты (строки 45-94)
+   ├── detect_date_column() - поиск колонки с датами
+   ├── try_parse_dates() - парсинг дат
+   ├── localize_to_moscow() - приведение к часовому поясу
+   ├── detect_outliers_iqr() - поиск выбросов
+   └── winsorize_series() - обработка выбросов
+
+3. Предобработка (строки 96-195)
+   └── preprocess_timeseries() - основная функция очистки данных
+       ├── Парсинг дат
+       ├── Обработка пропусков
+       ├── Обработка выбросов
+       └── Ресемплирование
+
+4. Описательная статистика (строки 198-217)
+   └── descriptive_statistics() - расчёт статистик
+
+5. Стационарность (строки 220-234)
+   ├── run_adf() - тест Дики-Фуллера
+   └── run_kpss() - тест KPSS
+
+6. Лаги и скользящие (строки 237-274)
+   ├── create_lags_and_rolls() - создание лагов
+   ├── compute_lag_correlations() - корреляции лагов
+   └── compute_vif() - проверка мультиколлинеарности
+
+7. ACF/PACF (строки 277-316)
+   ├── get_acf_pacf_with_conf() - расчёт ACF/PACF
+   ├── significant_lags_from_conf() - значимые лаги
+   └── plotly_acf_pacf() - визуализация
+
+8. Генерация отчёта (строки 319-359)
+   └── generate_html_report() - создание HTML-отчёта
+
+9. Функция ЛР №1 (строки 362-844)
+   └── render_lab1() - весь интерфейс ЛР №1
+       ├── Загрузка данных
+       ├── Предобработка
+       ├── Описательная статистика
+       ├── Стационарность
+       ├── Лаги и скользящие
+       ├── ACF/PACF
+       ├── Декомпозиция
+       └── Генерация отчёта
+
+10. Функция ЛР №2 (строки 846-1646)
+    └── render_lab2() - весь интерфейс ЛР №2
+        ├── Декомпозиция
+        ├── Feature Engineering
+        ├── Кросс-валидация
+        ├── Преобразования
+        ├── Модели экспоненциального сглаживания
+        ├── Диагностика остатков
+        └── Сравнительный анализ
+
+11. Главный код (строки 1648-1654)
+    └── Выбор лабораторной работы через sidebar
+```
+
+### Поток данных в ЛР №1:
+
+```
+Загрузка CSV
+    ↓
+preprocess_timeseries()
+    ↓
+df_clean (очищенные данные)
+    ↓
+descriptive_statistics() → Таблица статистик
+    ↓
+run_adf() / run_kpss() → Тесты стационарности
+    ↓
+create_lags_and_rolls() → Датасет с лагами
+    ↓
+get_acf_pacf_with_conf() → Графики ACF/PACF
+    ↓
+seasonal_decompose() → Декомпозиция
+    ↓
+generate_html_report() → HTML-отчёт
+```
+
+### Поток данных в ЛР №2:
+
+```
+df_clean (из ЛР №1)
+    ↓
+Разделение на train/test
+    ↓
+seasonal_decompose() → Декомпозиция
+    ↓
+create_advanced_features() → Расширенные признаки (опционально)
+    ↓
+apply_transformations() → Преобразования к стационарности
+    ↓
+create_exponential_smoothing_model() → Модель
+    ↓
+recursive_forecast() / direct_forecast() / hybrid_forecast() → Прогноз
+    ↓
+inverse_transformations() → Обратное преобразование
+    ↓
+evaluate_forecast() → Метрики (MAE, RMSE, MAPE)
+    ↓
+diagnose_model_residuals() → Диагностика остатков
+```
+
+---
+
+## 🔧 lab2_functions.py - Функции для ЛР №2
+
+### Структура файла:
+
+```
+1. Метрики (строки 18-25)
+   └── calculate_mape() - расчёт MAPE
+
+2. Feature Engineering (строки 28-70)
+   └── create_advanced_features() - создание признаков
+       ├── Временные признаки (день недели, месяц)
+       ├── Циклические признаки (sin/cos)
+       ├── Лаги (lag_1, lag_7, lag_30)
+       └── Скользящие статистики (mean, std, min, max)
+
+3. Преобразования (строки 73-223)
+   ├── apply_boxcox_transform() - преобразование Бокса-Кокса
+   ├── inverse_boxcox_transform() - обратное преобразование
+   ├── apply_transformations() - цепочка преобразований
+   └── inverse_transformations() - обратная цепочка
+
+4. Стратегии прогнозирования (строки 226-413)
+   ├── recursive_forecast() - рекурсивная стратегия
+   ├── direct_forecast() - прямая стратегия
+   └── hybrid_forecast() - гибридная стратегия
+
+5. Модели (строки 416-435)
+   └── create_exponential_smoothing_model() - создание модели
+
+6. Оценка качества (строки 438-457)
+   ├── evaluate_forecast() - метрики качества
+   └── naive_forecast() - наивный прогноз (baseline)
+
+7. Кросс-валидация (строки 460-535)
+   ├── time_series_cv_sliding_window() - скользящее окно
+   └── time_series_cv_expanding_window() - расширяющееся окно
+
+8. Диагностика (строки 538-602)
+   └── diagnose_model_residuals() - диагностика остатков
+       ├── Тест Льюнга-Бокса (автокорреляция)
+       ├── Тест Шапиро-Уилка (нормальность)
+       └── Тесты стационарности (ADF/KPSS)
+```
+
+### Зависимости между функциями:
+
+```
+apply_transformations()
+    ↓
+create_exponential_smoothing_model()
+    ↓
+recursive_forecast() / direct_forecast() / hybrid_forecast()
+    ↓
+inverse_transformations()
+    ↓
+evaluate_forecast()
+    ↓
+diagnose_model_residuals()
+```
+
+---
+
+## 🔄 Как работает программа
+
+### 1. Запуск приложения
+
+```python
+# streamlit_app.py, строка 1648
+if lab_choice == "ЛР №1: ...":
+    render_lab1()
+elif lab_choice == "ЛР №2: ...":
+    render_lab2()
+```
+
+### 2. Выбор лабораторной работы
+
+Пользователь выбирает в sidebar (боковая панель):
+- "ЛР №1: Введение в анализ временных рядов"
+- "ЛР №2: Прогнозирование временных рядов"
+
+### 3. Сохранение состояния
+
+Программа использует `st.session_state` для сохранения:
+- `df_in` - исходные данные
+- `df_clean` - очищенные данные
+- `df_lags` - данные с лагами
+- `decomp` - результат декомпозиции
+- `forecast_results` - результаты прогнозирования
+- `models` - обученные модели
+
+### 4. Обработка данных
+
+Все преобразования применяются последовательно:
+1. Загрузка → `df_in`
+2. Предобработка → `df_clean`
+3. Создание лагов → `df_lags`
+4. Преобразования → `s_train_transformed`
+5. Прогнозирование → `forecast`
+6. Обратное преобразование → `forecast_original`
+
+---
+
+## 📊 Ключевые функции и их назначение
+
+### Предобработка:
+
+| Функция | Что делает |
+|---------|------------|
+| `preprocess_timeseries()` | Основная функция очистки данных |
+| `detect_outliers_iqr()` | Находит выбросы методом IQR |
+| `winsorize_series()` | Обрезает экстремальные значения |
+
+### Анализ:
+
+| Функция | Что делает |
+|---------|------------|
+| `descriptive_statistics()` | Расчёт статистик (mean, std, etc.) |
+| `run_adf()` | Тест стационарности ADF |
+| `run_kpss()` | Тест стационарности KPSS |
+| `get_acf_pacf_with_conf()` | Расчёт ACF/PACF с доверительными интервалами |
+
+### Прогнозирование:
+
+| Функция | Что делает |
+|---------|------------|
+| `apply_transformations()` | Применяет преобразования (log, boxcox, diff) |
+| `create_exponential_smoothing_model()` | Создаёт модель экспоненциального сглаживания |
+| `recursive_forecast()` | Рекурсивная стратегия прогнозирования |
+| `direct_forecast()` | Прямая стратегия прогнозирования |
+| `hybrid_forecast()` | Гибридная стратегия прогнозирования |
+| `inverse_transformations()` | Обратное преобразование прогнозов |
+
+### Оценка:
+
+| Функция | Что делает |
+|---------|------------|
+| `evaluate_forecast()` | Расчёт метрик (MAE, RMSE, MAPE) |
+| `diagnose_model_residuals()` | Диагностика остатков модели |
+
+---
+
+## 🎯 Где что искать
+
+### Если нужно изменить предобработку:
+→ `streamlit_app.py`, функция `preprocess_timeseries()` (строки 97-195)
+
+### Если нужно добавить новую метрику:
+→ `lab2_functions.py`, функция `evaluate_forecast()` (строки 438-451)
+
+### Если нужно изменить визуализацию:
+→ `streamlit_app.py`, функции `render_lab1()` или `render_lab2()`
+
+### Если нужно добавить новую модель:
+→ `lab2_functions.py`, функция `create_exponential_smoothing_model()` (строки 416-435)
+
+### Если нужно изменить стратегию прогнозирования:
+→ `lab2_functions.py`, функции `recursive_forecast()`, `direct_forecast()`, `hybrid_forecast()`
+
+---
+
+## 🔗 Связи между модулями
+
+```
+streamlit_app.py
+    │
+    ├── Импортирует функции из lab2_functions.py
+    │   ├── create_advanced_features()
+    │   ├── apply_transformations()
+    │   ├── recursive_forecast()
+    │   ├── direct_forecast()
+    │   ├── hybrid_forecast()
+    │   ├── create_exponential_smoothing_model()
+    │   ├── evaluate_forecast()
+    │   └── diagnose_model_residuals()
+    │
+    └── Использует библиотеки:
+        ├── pandas - работа с данными
+        ├── numpy - численные вычисления
+        ├── streamlit - веб-интерфейс
+        ├── plotly - интерактивные графики
+        ├── statsmodels - статистические модели
+        └── scipy - научные вычисления
+```
+
+---
+
+## 📝 Примечания
+
+1. **session_state** используется для сохранения состояния между перезагрузками страницы
+2. **Обработка ошибок** - большинство функций имеют try/except блоки
+3. **Визуализация** - используется Plotly для интерактивных графиков
+4. **Модульность** - функции разделены по назначению (предобработка, анализ, прогнозирование)
+
+---
+
+**Для подробного понимания работы программы см. `РУКОВОДСТВО.md`**
+