Характеристики

Лицензия: MIT
Опубликована: 14 сен 2026

Ссылки

bd-food-price-forecaster

Прогноз временных рядовTime_series → time_series

Модель прогнозирует месячные изменения цен на четыре продовольственных товара в 110 рынках Бангладеш и выдаёт квантили неопределённости на горизонтах до 12 месяцев.

0скачиваний за 30 дней5лайковвеса обновлены14 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Bangladesh Food Price Forecaster — модель прогнозирования месячной динамики цен на продовольствие в Бангладеш. Она формирует прогнозы P10, P50 и P90 для 110 рынков и четырёх товаров: чечевицы, масла, риса и пшеничной муки, с горизонтами 1, 3, 6 и 12 месяцев. Модель разработана на LightGBM с квантильной регрессией по 29 признакам, включая прошлые изменения цен, скользящие статистики, сезонность и совместную динамику рынков; для калибровки интервалов применяется split-conformal метод с группировкой по товару и недавней волатильности.

Модель предсказывает накопленную логарифмическую доходность, а не абсолютный уровень цены. Её интервальные прогнозы рассчитаны для анализа продовольственных рынков и рисков продовольственной безопасности; доступны файлы ONNX и компактные деревья для браузерного инференса. По описанию, преимущество относительно случайного блуждания зависит от рыночного режима: оно проявляется при движении цен и может быть отрицательным в спокойные периоды, поэтому точность точечного прогноза не является главным достоинством. Данные основаны на оценках месячных цен World Bank Microdata Library. Лицензия — MIT.

Сценарии применения

прогнозирование цен на рис в рынках Бангладеш
оценка будущей динамики цен на чечевицу, масло и пшеничную муку
получение интервалов неопределённости прогноза цен
анализ региональных различий и совместного движения продовольственных цен
мониторинг ценовых рисков для продовольственной безопасности

Ограничения

Качество относительно случайного блуждания зависит от режима рынка: при спокойных ценах преимущество может быть отрицательным. Модель прогнозирует накопленную логарифмическую доходность, а не абсолютный уровень цены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bangladesh Food Price Forecaster

P10 / P50 / P90 forecasts of monthly food prices for 110 Bangladeshi markets and 4 commodities (lentils, oil, rice, wheat flour) at horizons of 1, 3, 6 and 12 months.

Method

Target is the cumulative log return log(P_t+h / P_t), never the price level. Level targets inflate R² and break tree models on unseen periods, which cannot extrapolate a rising series.
LightGBM quantile regression over 29 features: lagged returns, rolling moments, national and regional co-movement, intra-month range, seasonality, trust score, coordinates.
Split-conformal calibration, Mondrian-conditioned on commodity x recent volatility.
Evaluated by rolling-origin backtest (expanding window, quarterly origins from 2015), not a single fixed split.

Honest performance note

Against a random-walk baseline, skill is regime-dependent: positive when prices are moving, negative in calm periods, with skill correlating around +0.4 to +0.6 with realized price movement. Point accuracy is not the selling point; calibrated intervals are.

Files

onnx/h{h}_q{q}.onnx — standard ONNX
trees/h{h}_q{q}.json.gz — compact trees for browser inference (bit-exact)
manifest.json — feature order and conformal tables

Data: Andree, B. P. J. (2021). Monthly food price estimates by product and market. World Bank Microdata Library.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Временные ряды пока не поддерживаются.

Ревизия весов: 03b7c1f