Detector-learner Visibility: modification 1, S1
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
1 parent
b0245c4067
commit
374d91eb15
4 files changed
+119
-7
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 306/669 (46 %) 306/317 (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 %) 915/1097 (83 %)
|
||||
|
||||
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 28/104 (27 %) 28/32 (88 %)
|
||||
|
||||
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 579/579 (100 %) 579/1986 (29 %)
|
||||
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 905/1152 (79 %) 905/922 (98 %)
|
||||
|
||||
Total
|
||||
trouvées justes
|
||||
Displacement 5736/6345 (90 %) 5736/11937 (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 3217/7207 (45 %) 3217/3915 (82 %)
|
||||
@@ -11,7 +11,10 @@ thermal_displacement.py, no_data.py, displacement.py. La catégorie d'un événe
|
||||
- une dérive lente ou un saut revenu dont toutes les cibles sont dans un épisode Target issue qui le chevauche y est absorbé
|
||||
(la courbe d'une cible à problème est à ignorer, familles.md) ;
|
||||
- un décalage qui dure, ou trop récent pour savoir (DECALAGES), n'est jamais absorbé ;
|
||||
- une turbulence qui chevauche un décalage n'est pas gardée : un vrai mouvement agite aussi les courbes ;
|
||||
- une turbulence qui chevauche un décalage de plusieurs cibles n'est pas gardée : un vrai mouvement agite aussi les courbes ;
|
||||
le décalage d'une seule cible ne retire pas la turbulence de toute la scène, et une turbulence n'absorbe que les sauts
|
||||
revenus qui commencent pendant elle, pas celui de la veille qui revient dans sa journée (/detector-learner Visibility,
|
||||
modification 1, S1 : WILDSTRUBEL) ;
|
||||
- deux événements de même sorte à moins de MERGE n'en font qu'un ; deux Obstruction (Target obscured, Brief
|
||||
obstruction), seulement s'ils partagent un capteur (/detector-learner Obstruction, modification 1 : S1, des cibles
|
||||
différentes enchaînées en un événement de plusieurs jours ; S3, des passages de quelques minutes en une heure entière) ;
|
||||
@@ -160,12 +163,14 @@ def classer(episodes, references=frozenset()):
|
||||
"""Épisodes de tous les détecteurs -> événements triés par début (règles : docstring du module) ; references : les
|
||||
capteurs global_ref, pour la phrase."""
|
||||
eps = sorted(episodes, key=lambda e: e["start"])
|
||||
checks = [e for e in eps if e["label"] in DECALAGES] # un vrai mouvement n'est jamais pris pour de la turbulence
|
||||
# un vrai mouvement n'est jamais pris pour de la turbulence ; le décalage d'une seule cible n'est pas un mouvement de la scène
|
||||
checks = [e for e in eps if e["label"] in DECALAGES and len(e["sensors"]) > 1]
|
||||
eps = [e for e in eps if e["label"] != "Heat shimmer" or not any(overlap(e, c) for c in checks)]
|
||||
# la vague thermique n'absorbe qu'en dernier (un saut d'un passage ou d'une pluie va à eux), et que les sauts de
|
||||
# plusieurs cibles : la vague les fait bouger ensemble, une cible seule qui saute n'est pas la vague (C2 de E-003)
|
||||
hosts = sorted((e for e in eps if e["label"] in HOTES), key=thermique)
|
||||
host = {id(e): next((h for h in hosts if overlap(e, h) and (len(e["sensors"]) > 1 or not thermique(h))
|
||||
and (h["label"] != "Heat shimmer" or h["start"] <= e["start"])
|
||||
and (h["label"] != "Brief obstruction" or e["start"] == h["start"]
|
||||
and datetime.fromisoformat(e["end"]) - datetime.fromisoformat(h["start"]) <= MERGE)), None)
|
||||
for e in eps if e["label"] == SAUT}
|
||||
|
||||
+10
-4
@@ -255,7 +255,10 @@ def detect(mesures):
|
||||
# 3. Heure turbulente : au moins la moitié des capteurs à ≥ 1,5 fois leur agitation calme, et error_value médiane
|
||||
# des capteurs à ≥ 1,5 fois la calme (l'air chaud brouille les taches : E-003, critère 1).
|
||||
# 4. Heures voisines fusionnées (trou d'une heure toléré), épisode d'au moins 3 h, écarté si plus de 15 % des mesures
|
||||
# sont rejetées (c'est alors de la mauvaise visibilité, autre détecteur). Grisé si l'agitation médiane ≥ 2×.
|
||||
# sont rejetées en plus de l'habitude de leur capteur (sa part de rejets sur l'export) : c'est alors de la mauvaise
|
||||
# visibilité, autre règle. Une cible toujours rejetée (Target issue) ne compte pas (/detector-learner Visibility,
|
||||
# modification 1, S1 : WILDSTRUBEL, R3 rejetée toute la journée, les jours de turbulence étaient écartés).
|
||||
# Grisé si l'agitation médiane ≥ 2×.
|
||||
#
|
||||
# Résultats (2026-10-23, seuils ci-dessous) :
|
||||
# - WILDSTRUBEL (E-003, vérité : chaque jour ~03:30 → 16:00) : 3 épisodes, 02.09 04:00-15:00, 03.09 05:00-15:00,
|
||||
@@ -267,7 +270,8 @@ def detect(mesures):
|
||||
RATIO = 1.5 # provisoire, réglé sur E-003 (WILDSTRUBEL : de jour, corr ×1,7 à ×3 la nuit)
|
||||
PART = 0.5 # provisoire : part des capteurs agités en même temps
|
||||
RATIO_ERR = 1.5 # provisoire, réglé sur E-003 (error_value ×1,7 à ×3,2 la nuit ; ≈ ×1 à midi ailleurs)
|
||||
REJET_MAX = 0.15 # provisoire : E-003 ≤ 7 % ; toile d'araignée (E-002) et pluie (E-005) ≥ 18 %
|
||||
REJET_MAX = 0.15 # provisoire : E-003 ≤ 7 % ; toile d'araignée (E-002) et pluie (E-005) ≥ 18 % ; rejets en plus de l'habitude
|
||||
# depuis /detector-learner Visibility, modification 1, S1 (WILDSTRUBEL : 4 à 14 %, contre 9 à 22 % bruts)
|
||||
FORT = 2.0 # provisoire : E-003 (×2,3 à ×2,6) est fort ; un épisode entre ×1,5 et ×2 reste visible
|
||||
DUREE_MIN = timedelta(hours=3) # provisoire : E-003 dure 10-11 h ; écarte le matin du mouvement réel de E-004 (2 h),
|
||||
# que le classement écarte aussi, quelle que soit la durée (point 14 du plan)
|
||||
@@ -317,11 +321,13 @@ def turbulence(mesures):
|
||||
blocs[-1].append(h)
|
||||
else:
|
||||
blocs.append([h])
|
||||
taux = {s: sum(m["corr_x"] is None for m in ms) / len(ms) for s, ms in mesures.items()} # rejets habituels
|
||||
episodes = []
|
||||
for b in blocs:
|
||||
debut, fin = b[0], b[-1] + HEURE
|
||||
dedans = [m for ms in mesures.values() for m in ms if debut <= m["t"] < fin]
|
||||
if fin - debut < DUREE_MIN or sum(m["corr_x"] is None for m in dedans) > REJET_MAX * len(dedans):
|
||||
par = {s: [m for m in ms if debut <= m["t"] < fin] for s, ms in mesures.items()}
|
||||
nouveaux = sum(max(0, sum(m["corr_x"] is None for m in d) - taux[s] * len(d)) for s, d in par.items())
|
||||
if fin - debut < DUREE_MIN or nouveaux > REJET_MAX * sum(map(len, par.values())):
|
||||
continue
|
||||
par_capteur = {}
|
||||
for h in b:
|
||||
|
||||
@@ -49,7 +49,7 @@ Les détecteurs doivent tout détecter (l'utilisateur, 2026-10-26, D-068) : un r
|
||||
| `visibility` (turbulence) | `RATIO` | 1,5 | E-003 (×1,7 à ×3 la nuit) |
|
||||
| | `PART` | 0,5 | — |
|
||||
| | `RATIO_ERR` | 1,5 | E-003 (×1,7 à ×3,2) |
|
||||
| | `REJET_MAX` | 15 % | E-003 ≤ 7 % ; toile et pluie ≥ 18 % |
|
||||
| | `REJET_MAX` | 15 % | E-003 ≤ 7 % ; toile et pluie ≥ 18 % ; en rejets en plus de l'habitude de chaque capteur (sa part de rejets sur l'export) : /detector-learner Visibility, modification 1, S1 (WILDSTRUBEL, une référence ou des cibles rejetées d'habitude écartaient les jours de turbulence : 4 à 14 % contre 9 à 22 % bruts) |
|
||||
| | `FORT` | 2× | E-003 (×2,3 à ×2,6) |
|
||||
| | `DUREE_MIN` | 3 h | E-003 (10-11 h) contre matin de E-004 (2 h) ; le classement écarte aussi ce matin, quelle que soit la durée (point 14) |
|
||||
| `no_data` | `MISSING` | 2 pas | consigne de l'utilisateur, 2026-10-23 ; appliqué aussi entre la dernière mesure et la fin de la fenêtre lue (boucle CLARIDEN, lot 01) |
|
||||
|
||||
Reference in new issue
Block a user