Сбер: метод долгосрочного прогнозирования событий DEF на принципах детекции объектов

Метод переносит принципы детекции объектов на временные последовательности: если в 2D детекции модель отвечает «что и где», то здесь — «какого типа событие и когда». Модель за один проход генерирует сразу несколько кандидатных событий вместо последовательного предсказания; каждый кандидат содержит вероятность наступления события, распределение вероятностей по типам событий и предсказанное время относительно последнего наблюдения. Каждый ответ — законченная гипотеза о будущих событиях. Между предсказаниями и фактическими событиями строится оптимальное соответствие. Для оценки введена метрика Temporal mean Average Precision (T-mAP), оценивающая весь горизонт, а не фиксированное число событий, и сохраняющая распределения вероятностей.

Вендор и технология: Sber AI Lab, метод Detection-based Event Forecasting и открытый бенчмарк HoTPP.

Авторегрессионные подходы к прогнозу последовательности событий страдают от схлопывания мод и деградируют на длинном горизонте, а стандартные метрики оценивают лишь фиксированное число ближайших событий.

• Прогнозировать покупки клиентов по категориям и кредитоспособность

• моделировать медицинские процедуры и риск госпитализации

• предсказывать последовательности активности пользователей для рекомендаций

• сохранить разнообразие предсказаний

• ввести корректную метрику на горизонт

• Результаты

• Превосходит авторегрессионные бейзлайны на долгосрочном прогнозировании

• сохраняет разнообразие предсказаний без схлопывания мод

• инференс за один проход вместо последовательного

• на регулярных паттернах сопоставим с более простыми статистическими методами

• выпущен открытый бенчмарк HoTPP с едиными датасетами и метриками Нагрузка и масштаб

• Применения в банковском деле, здравоохранении и e-commerce; открытый репозиторий HoTPP Сроки

• Работа представлена на AAAI 2026; публикация 02.07.2026