Detector-learner Thermal displacement: modification 1, S4

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
maximeandClaude Opus 5.5 committed 2026-11-05 13:18:24 +01:00
1 parent 6e9f69a006
commit 2483a2f25d
3 files changed
+118 -9

No files matched your search

@@ -0,0 +1,101 @@
BREITHORN : 2026-10-03T00:00Z → 2026-11-01T00:00Z, 27 étiquettes
trouvées justes
Displacement 168/168 (100 %) 168/171 (98 %)
No data 2/2 (100 %) 2/2 (100 %)
Obstruction 46/48 (96 %) 46/46 (100 %)
Thermal displacement 4/21 (19 %) 4/4 (100 %)
Visibility — 0/25 (0 %)
CLARIDEN : 2026-10-01T00:00Z → 2026-11-01T00:00Z, 43 étiquettes
trouvées justes
Displacement 2578/3091 (83 %) 2578/2601 (99 %)
No data 6/20 (30 %) 6/12 (50 %)
Obstruction 1/5 (20 %) 1/5 (20 %)
Target issue 4068/4068 (100 %) 4068/4069 (100 %)
Thermal displacement 40/42 (95 %) 40/264 (15 %)
Visibility 3/87 (3 %) 3/3 (100 %)
FLORIDA : 2026-10-01T00:00Z → 2026-11-01T00:00Z, 64 étiquettes
trouvées justes
Displacement 0/41 (0 %) 0/15 (0 %)
No data 4/21 (19 %) 4/4 (100 %)
Obstruction 0/2 (0 %) 0/13 (0 %)
Target issue 2913/2913 (100 %) 2913/2914 (100 %)
Thermal displacement 815/1047 (78 %) 815/1338 (61 %)
Visibility 381/598 (64 %) 381/381 (100 %)
JUNGFRAU : 2026-09-30T00:00Z → 2026-11-01T00:00Z, 99 étiquettes
trouvées justes
Displacement — 0/19 (0 %)
No data 4/29 (14 %) 4/4 (100 %)
Obstruction 1/1 (100 %) 1/158 (1 %)
Target issue 3005/3005 (100 %) 3005/3006 (100 %)
Thermal displacement 1544/2557 (60 %) 1544/1786 (86 %)
Visibility 305/669 (46 %) 305/315 (97 %)
LENZSPITZE : 2026-10-16T00:00Z → 2026-11-01T00:00Z, 67 étiquettes
trouvées justes
Displacement — 0/4640 (0 %)
No data 12/615 (2 %) 12/16 (75 %)
Obstruction 19/47 (40 %) 19/84 (23 %)
Thermal displacement 1767/1925 (92 %) 1767/4253 (42 %)
Visibility 915/1886 (49 %) 915/1077 (85 %)
MICHIGAN : 2026-10-03T00:00Z → 2026-11-01T00:00Z, 15 étiquettes
trouvées justes
Displacement 130/130 (100 %) 130/171 (76 %)
No data 2/2 (100 %) 2/2 (100 %)
Target issue 132/147 (90 %) 132/132 (100 %)
Thermal displacement 19/25 (76 %) 19/46 (41 %)
NEBRASKA : 2026-10-03T00:00Z → 2026-11-01T00:00Z, 11 étiquettes
trouvées justes
Displacement 165/165 (100 %) 165/171 (96 %)
No data 2/2 (100 %) 2/2 (100 %)
Target issue 132/132 (100 %) 132/132 (100 %)
Thermal displacement 10/20 (50 %) 10/17 (59 %)
NIEDERHORN : 2026-10-01T00:00Z → 2026-11-01T00:00Z, 139 étiquettes
trouvées justes
Displacement 3/48 (6 %) 3/15 (20 %)
No data 2/26 (8 %) 2/2 (100 %)
Obstruction 75/156 (48 %) 75/167 (45 %)
Target issue 719/719 (100 %) 719/720 (100 %)
Thermal displacement 216/267 (81 %) 216/236 (92 %)
Visibility 25/104 (24 %) 25/28 (89 %)
NORDEND : 2026-08-10T00:00Z → 2026-11-01T00:00Z, 228 étiquettes
trouvées justes
Displacement 2/12 (17 %) 2/36 (6 %)
No data 10/58 (17 %) 10/10 (100 %)
Obstruction 635/2625 (24 %) 635/1873 (34 %)
Target issue 2097/7183 (29 %) 2097/2097 (100 %)
Thermal displacement 4607/7412 (62 %) 4607/4707 (98 %)
Visibility 679/1950 (35 %) 679/1138 (60 %)
SNCF01 : 2026-10-04T00:00Z → 2026-11-01T00:00Z, 97 étiquettes
trouvées justes
Displacement 2111/2111 (100 %) 2111/2112 (100 %)
No data 10/30 (33 %) 10/16 (62 %)
Obstruction 20/22 (91 %) 20/431 (5 %)
Target issue 2111/2111 (100 %) 2111/2112 (100 %)
Thermal displacement 1218/1726 (71 %) 1218/1275 (96 %)
Visibility 0/761 (0 %) —
WILDSTRUBEL : 2026-09-01T00:00Z → 2026-11-01T00:00Z, 201 étiquettes
trouvées justes
Displacement 550/579 (95 %) 550/1833 (30 %)
No data 21/31 (68 %) 21/30 (70 %)
Obstruction 253/1026 (25 %) 253/482 (52 %)
Target issue 350/2091 (17 %) 350/350 (100 %)
Thermal displacement 495/845 (59 %) 495/512 (97 %)
Visibility 420/1152 (36 %) 420/429 (98 %)
Total
trouvées justes
Displacement 5707/6345 (90 %) 5707/11784 (48 %)
No data 75/836 (9 %) 75/100 (75 %)
Obstruction 1050/3932 (27 %) 1050/3259 (32 %)
Target issue 15527/22369 (69 %) 15527/15532 (100 %)
Thermal displacement 10735/15887 (68 %) 10735/14438 (74 %)
Visibility 2728/7207 (38 %) 2728/3396 (80 %)
+15 -8
View File
@@ -4,7 +4,10 @@ déplacements corrigés (dilatation le jour, contraction le soir : l'utilisateur
Méthode, par cible (hors références globales) et par axe (corr_x, corr_y) :
1. Chaque jour UTC d'au moins 20 h : moyenne de chaque heure moins la médiane du jour (enlève sauts et dérive).
2. Profil = médiane, heure par heure, sur les jours ; « répétabilité » = médiane, sur les jours, de la corrélation
entre le jour et le profil des autres jours. Axe concerné si répétabilité ≥ 0,6.
entre le jour et le profil des autres jours. Axe concerné si répétabilité ≥ 0,6. Un jour incomplet (au moins
PARTIEL heures, moins de 20) n'entre pas dans le profil, mais sa ressemblance se mesure sur les heures qu'il a : un
trou d'une demi-journée ne lui ôte plus son épisode (/detector-learner Thermal displacement, modification 1, S4 ;
à HEURES_MIN = 12 ou 16, les jours incomplets faussaient le profil, NIEDERHORN reculait).
3. Cycle de la station si au moins la moitié des cibles ont un axe concerné, **et** (seconde méthode, demandée par
l'utilisateur) si une sinusoïde de 24 h, a + b·sin(2πt/24 h) + c·cos(2πt/24 h) par moindres carrés, explique au
moins R2_MIN de la courbe d'un axe pour au moins la moitié des cibles.
@@ -71,7 +74,8 @@ from datetime import datetime, timedelta, timezone
sys.path.insert(0, os.path.join(os.path.dirname(os.path.abspath(__file__)), "..", "agent-tools"))
from donnees import charger, iso # noqa: E402
HEURES_MIN = 20 # provisoire : un jour UTC compte s'il a au moins 20 heures mesurées
HEURES_MIN = 20 # provisoire : un jour UTC compte dans le profil s'il a au moins 20 heures mesurées
PARTIEL = 12 # provisoire : un jour incomplet d'au moins 12 heures reçoit son épisode s'il ressemble au profil
REPRO = 0.6 # provisoire : un axe a un cycle si chaque jour ressemble aux autres (bruit pur ≈ 0)
PART = 0.5 # provisoire : part des cibles concernées ; 2026-10_NORDEND est juste dessous (9/19)
CHAUD = 0.3 # provisoire : écart au niveau de nuit, en part de l'amplitude du profil
@@ -98,21 +102,24 @@ def _axe(ms, col):
for m in ms:
if m[col] is not None:
jours.setdefault(m["t"].date(), {}).setdefault(m["t"].hour, []).append(m[col])
J = {}
J, tous = {}, {}
for d, hs in jours.items():
if len(hs) >= HEURES_MIN:
if len(hs) >= PARTIEL:
med = statistics.median(v for l in hs.values() for v in l)
J[d] = {h: statistics.mean(l) - med for h, l in hs.items()}
tous[d] = {h: statistics.mean(l) - med for h, l in hs.items()}
if len(hs) >= HEURES_MIN:
J[d] = tous[d]
if len(J) < 2:
return None
profil = [statistics.median(q[h] for q in J.values() if h in q) for h in range(24) if any(h in q for q in J.values())]
if len(profil) < 24:
return None
ressemblance = {}
for d, p in J.items():
for d, p in tous.items():
autres = [q for e, q in J.items() if e != d]
hs = [h for h in p if all(h in q for q in autres)]
ressemblance[d] = _corr([p[h] for h in hs], [statistics.median(q[h] for q in autres) for h in hs])
if len(hs) >= 3:
ressemblance[d] = _corr([p[h] for h in hs], [statistics.median(q[h] for q in autres) for h in hs])
return profil, ressemblance
@@ -281,7 +288,7 @@ def _episodes(mesures, cols, nom, camera):
if camera: # toute l'image bouge, références comprises
capteurs = sorted(mesures)
episodes = []
for d in jours: # ponytail: jours complets seulement, les bouts d'export (22:00 → minuit) n'ont pas d'épisode
for d in jours: # ponytail: jours d'au moins PARTIEL heures, les bouts d'export (22:00 → minuit) n'ont pas d'épisode
if statistics.median(c[3][d] for c in concernes if d in c[3]) < JOUR:
continue
minuit = datetime(d.year, d.month, d.day, tzinfo=timezone.utc)
@@ -34,7 +34,8 @@ Les détecteurs doivent tout détecter (l'utilisateur, 2026-10-26, D-068) : un r
| | `BASCULE` | 6 h | cible à problème (D-074) : PR_BG de CLARIDEN bascule 2,5 jours ; C8 et C13 de E-009, 5 bascules en 1 h 20 au matin du mouvement, restent des sauts brefs |
| | `SEULES` | 2 cibles | cible à problème : FLORIDA, les deux cibles collées ; E-002, toile sur les références, 15 cibles basculent à la fois |
| | `GROS` | 0,5 | gros saut (« Large shift », D-074) : E-004 et CLARIDEN, 18 cibles le matin du mouvement ; aussi, dérive lente de la caméra (GROS des cibles en corr et des capteurs en x, y bruts, du même côté : pas de « Slow drift » sur toute la fenêtre, seulement les morceaux de `MORCEAU`) : boucle /detector-learner MICHIGAN, modification 1 (BREITHORN gardée) ; /detector-learner Displacement, modification 1, S2 (NEBRASKA signalée par morceaux, JUNGFRAU toujours tue) |
| `thermal_displacement` | `HEURES_MIN` | 20 h | — |
| `thermal_displacement` | `HEURES_MIN` | 20 h | — ; jours du profil |
| | `PARTIEL` | 12 h | un jour incomplet (moins de `HEURES_MIN`) reçoit son épisode s'il ressemble au profil sur les heures qu'il a, sans entrer dans le profil ; /detector-learner Thermal displacement, modification 1, S4 (SNCF01, NORDEND, JUNGFRAU : cycles étiquetés de jours coupés par un trou ; `HEURES_MIN` à 12 ou 16 faisait reculer NIEDERHORN) |
| | `REPRO` | 0,6 | bruit pur ≈ 0 |
| | `PART` | 0,5 | NORDEND octobre juste dessous (9/19), laissé dessous (point 13) |
| | `CHAUD` | 0,3 | — ; dit seulement qu'il y a un cycle (au moins `CHAUDES_MIN` heures chaudes), ses bornes sont à `BORD` |