Detector-learner MICHIGAN: modification 1, S4

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
maximeandClaude Opus 5.5 committed 2026-11-03 15:36:21 +01:00
1 parent d231ed09c3
commit b54deb35e0
3 files changed
+60 -4

No files matched your search

@@ -0,0 +1,53 @@
BREITHORN : 2026-10-03T00:00Z → 2026-11-01T00:00Z, 26 étiquettes
trouvées justes
Displacement 171/171 (100 %) 171/171 (100 %)
No data 2/2 (100 %) 2/2 (100 %)
Obstruction 38/71 (54 %) 38/38 (100 %)
Visibility — 0/25 (0 %)
JUNGFRAU : 2026-09-30T00:00Z → 2026-10-26T00:00Z, 22 étiquettes
trouvées justes
Displacement — 0/2433 (0 %)
No data — 0/4 (0 %)
Obstruction — 0/191 (0 %)
Target issue 1147/1147 (100 %) 1147/2433 (47 %)
Thermal displacement 406/1080 (38 %) 406/889 (46 %)
Visibility 174/256 (68 %) 174/287 (61 %)
MICHIGAN : 2026-10-05T00:00Z → 2026-11-01T00:00Z, 13 étiquettes
trouvées justes
Displacement 9/9 (100 %) 9/159 (6 %)
No data 2/2 (100 %) 2/2 (100 %)
Target issue 132/133 (99 %) 132/132 (100 %)
Thermal displacement 46/135 (34 %) 46/46 (100 %)
NEBRASKA : 2026-10-07T00:00Z → 2026-11-01T00:00Z, 8 étiquettes
trouvées justes
Displacement 1/53 (2 %) 1/1 (100 %)
No data 2/2 (100 %) 2/2 (100 %)
Target issue 132/133 (99 %) 132/132 (100 %)
Thermal displacement 13/91 (14 %) 13/13 (100 %)
Visibility 0/10 (0 %) —
NORDEND : 2026-08-10T00:00Z → 2026-08-16T00:00Z, 19 étiquettes
trouvées justes
No data 0/2 (0 %) —
Obstruction 0/6 (0 %) 0/83 (0 %)
Thermal displacement 316/332 (95 %) 316/318 (99 %)
Visibility 11/111 (10 %) 11/13 (85 %)
WILDSTRUBEL : 2026-09-01T00:00Z → 2026-09-07T00:00Z, 30 étiquettes
trouvées justes
Displacement — 0/3 (0 %)
Obstruction 105/294 (36 %) 105/191 (55 %)
Thermal displacement — 0/126 (0 %)
Visibility 106/290 (37 %) 106/111 (95 %)
Total
trouvées justes
Displacement 181/233 (78 %) 181/2767 (7 %)
No data 6/8 (75 %) 6/10 (60 %)
Obstruction 143/371 (39 %) 143/503 (28 %)
Target issue 1411/1413 (100 %) 1411/2697 (52 %)
Thermal displacement 781/1638 (48 %) 781/1392 (56 %)
Visibility 291/667 (44 %) 291/436 (67 %)
+6 -3
View File
@@ -6,7 +6,8 @@ target_issue.py.
1. Bruit de la série = médiane des écarts d'une mesure à la suivante ; saut = mesure à K bruits ou plus du niveau
d'avant (médiane des BASE mesures précédentes) ; les BASE premières mesures, faute de niveau d'avant, face au niveau
d'après (médiane des BASE suivantes), un écart y est un saut revenu aussitôt (point 12 du plan, 2026-10-24).
2. Revenu (BASE mesures de suite à moins de la moitié du saut) en moins d'un jour, ou un jour après de retour à sa place
2. Revenu (une heure de mesures de suite à moins de la moitié du saut : BASE à 15 min, une seule à 4 h, boucle
/detector-learner MICHIGAN, modification 1) en moins d'un jour, ou un jour après de retour à sa place
habituelle (premier jour de l'export) ou du jour d'avant : « Sudden jump, back to normal », grisé ; sa cause n'est pas
établie ici (categories.py lui donne celle de la catégorie qui le chevauche, sinon : à vérifier sur les images).
3. Sinon « Lasting shift », jamais grisé (peut-être un vrai mouvement) ; moins d'un jour de recul :
@@ -87,6 +88,8 @@ def _sauts(t, v):
"""Une série (instants, valeurs) -> [(i début, i fin, état)], état 'back', 'lasting' ou 'recent'."""
day = timedelta(hours=BACK_H)
noise = statistics.median(abs(y - x) for x, y in zip(v, v[1:]))
pas = statistics.median(b - a for a, b in zip(t, t[1:])) # cadence de la série
retour = max(1, min(BASE, round(timedelta(hours=1) / pas))) # mesures d'une heure (BASE à 15 min, une à 4 h)
# ponytail: place habituelle = premier jour de l'export, faux s'il commence dans un artefact
ref = statistics.median(x for x, u in zip(v, t) if u < t[0] + day)
lv = {} # niveau de chaque jour UTC ; sa variation ordinaire d'un jour au suivant juge un saut sous K
@@ -103,8 +106,8 @@ def _sauts(t, v):
if abs(v[i] - base) < K_DURABLE * noise:
i += 1
continue
tol = abs(v[i] - base) / 2 # revenu : BASE mesures de suite à moins de la moitié du saut du niveau d'avant
j = next((k for k in range(i + 1, len(v)) if all(abs(x - base) < tol for x in v[k:k + BASE])), len(v))
tol = abs(v[i] - base) / 2 # revenu : une heure de mesures de suite à moins de la moitié du saut du niveau d'avant
j = next((k for k in range(i + 1, len(v)) if all(abs(x - base) < tol for x in v[k:k + retour])), len(v))
before = statistics.median([x for x, u in zip(v, t) if t[i] - day <= u < t[i]] or [base])
after = statistics.median(x for x, u in zip(v, t) if t[i] <= u < t[i] + day)
if j < len(v) and t[j] - t[i] <= day:
@@ -27,7 +27,7 @@ Les détecteurs doivent tout détecter (l'utilisateur, 2026-10-26, D-068) : un r
| | `PALIER` | 8 variations ordinaires | même point : écart des médianes du jour d'après et du jour d'avant, en variations ordinaires du niveau d'un jour au suivant ; boucle NIEDERHORN, lot 01 (e09 : 13 ; E-001, cibles saines : 6 au plus) |
| | `K_PIC` | 6 bruits | pic d'un pas commun à plusieurs cibles : boucle NORDEND, lot 01 (secousses de toute l'image, 6 à 11 bruits) |
| | `PIC_MIN` | 3 cibles | boucle NORDEND, lot 01 (3 à 5 cibles par secousse) |
| | `BASE` | 4 mesures | 1 h à 15 min |
| | `BASE` | 4 mesures | 1 h à 15 min ; le retour d'un saut se juge sur une heure de mesures, BASE au plus, une au moins (boucle /detector-learner MICHIGAN, modification 1 : à 4 h de pas, un pic revenu à la mesure suivante devenait « Large shift ») |
| | `GAP` | 1 h | — |
| | `BACK_H` | 24 h | E-002 (paliers jusqu'à 11 h 30) |
| | `REPET` | 5 sauts revenus | boucle CLARIDEN, lot 01 : PR_BG bascule 28 fois en 2,5 jours, les autres cibles 3 au plus (matin du mouvement) |