forked from KatsuhiroMorishita/Aso_Sea_Clouds_Pridiction
/
core.py
345 lines (309 loc) · 10.1 KB
/
core.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
#!usr/bin/python3
# -*- coding: utf-8 -*-
#----------------------------------------
# name: core
# purpose: ランダムフォレストを用いて雲海の発生を予測する
# author: Katsuhiro MORISHITA, 森下功啓
# created: 2015-08-08
# lisence: MIT
#----------------------------------------
import sys
import pandas
import pickle
import math
import time
from sklearn.ensemble import RandomForestRegressor as ml # RandomForestClassifier クラス分けならこれ
from datetime import datetime as dt
from datetime import timedelta as td
import feature
import amedas.download as amd
import amedas.html_parser as amp
import timeKM
# 何日前のデータまで取るか
days = 6
wait_seconds = 0.1 # たまにプロキシ？ファイヤウォール？が通信をカットするのでその対策.ほとんど意味がなかったが。。
def resolve(txt_bytes):
""" bytesをstrに変換して、改行コードで区切ったリストを返す
"""
txt = txt_bytes.decode(encoding="utf-8-sig", errors="ignore")
lines = txt.split("\n")
#print(lines)
return lines
def get_passed_amedas_data(node_obj, date, term):
""" dateを起点として、term日分の観測データをダウンロードして返す
ただし、dateを起点とした過去のデータを返す。
過去の観測データ用です。
"""
lines = []
# 過去データを入手
for i in range(1, term):
print("--wait some seconds--")
time.sleep(wait_seconds) # たまにプロキシ？ファイヤウォール？が通信をカットするのでその対策
_date = date - td(days=i)
now = dt.now()
if _date.year == now.year and _date.month == now.month and _date.day == now.day: # 現時点の観測データは対応していない
continue
print(_date)
html_bytes = node_obj.get_data(_type="hourly", date=_date)
if html_bytes == None:
print("--can't download--")
continue
html_lines = resolve(html_bytes)
data = amp.get_data(html_lines, _date)
#print(data)
lines += [",".join(x) for x in data]
return lines
def get_amedas_data_typeB(node_obj, date):
# 過去のデータを取得
lines = get_passed_amedas_data(node_obj, date, days)
# 最新のデータを入手
_date = dt.now() + td(days=1)
if date.year == _date.year and date.month == _date.month and date.day == _date.day:
html_bytes = node_obj.get_data(_type="real-time")
html_lines = resolve(html_bytes)
data = amp.get_data(html_lines, dt.now())
print(data)
# 最新の観測データは過去の観測データとフォーマットが異なるので、整形する
# 降水量と気温を入れ替える
dummy = []
for mem in data:
x = mem.pop(3)
mem.insert(2, x)
dummy.append(mem)
data = dummy
"""
for i in range(len(data)):
x = data[i][1]
y = data[i][2]
data[i][1] = y
data[i][2] = x
"""
# 風速と風向を入れ替える
dummy = []
for mem in data:
x = mem.pop(5)
mem.insert(4, x)
dummy.append(mem)
data = dummy
# 無い観測データ項目を追加
data = [y + ["", ""] for y in data]
#print(data)
# join時にエラーが出ないように全てを文字列化
dummy = []
for x in data:
x = [str(y) for y in x]
dummy.append(x)
data = dummy
#print(data)
lines += [",".join(x) for x in data]
#print(lines)
return lines
def get_amedas_data_typeA(node_obj, date):
# 過去のデータを取得
lines = get_passed_amedas_data(node_obj, date, days)
# 最新のデータを入手
_date = dt.now() + td(days=1)
if date.year == _date.year and date.month == _date.month and date.day == _date.day:
html_bytes = node_obj.get_data(_type="real-time")
html_lines = resolve(html_bytes)
data = amp.get_data(html_lines, dt.now())
print(data)
# 最新の観測データは過去の観測データとフォーマットが異なるので、整形する
# 気圧を入れ替える
dummy = []
for mem in data:
x = mem.pop(8)
mem.insert(2, x)
mem.insert(3, "")
dummy.append(mem)
data = dummy
# 降水量と気温を入れ替える
dummy = []
for mem in data:
x = mem.pop(5)
mem.insert(4, x)
dummy.append(mem)
data = dummy
# 露点温度、蒸気圧の欄を作る
dummy = []
for mem in data:
mem.insert(6, "")
mem.insert(6, "")
dummy.append(mem)
data = dummy
# 湿度の位置を変える
dummy = []
for mem in data:
x = mem.pop(11)
mem.insert(8, x)
dummy.append(mem)
data = dummy
"""
for i in range(len(data)):
x = data[i][1]
y = data[i][2]
data[i][1] = y
data[i][2] = x
"""
# 風速と風向を入れ替える
dummy = []
for mem in data:
x = mem.pop(10)
mem.insert(9, x)
dummy.append(mem)
data = dummy
# 無い観測データ項目を追加
data = [y + ["", "", "", "", "", ""] for y in data]
# 水蒸気圧を計算する
dummy = []
for mem in data:
P_hPa = ""
try:
Tb = float(mem[5])
#print("hoge")
#print(Tb)
P_torr = 10 ** (8.07131 - 1730.63 / (233.426 + Tb)) # https://ja.wikipedia.org/wiki/%E8%92%B8%E6%B0%97%E5%9C%A7
P_hPa = P_torr * 133.322368 / 100.0 # https://ja.wikipedia.org/wiki/%E3%83%88%E3%83%AB
#print(P_hPa)
except:
pass
mem[7] = P_hPa
dummy.append(mem)
data = dummy
# 露点温度を計算する
def GofGra(t):
""" 気温から飽和水蒸気量を求める
氷点下では別の近似式を使った方が良いらしい。
http://d.hatena.ne.jp/Rion778/20121126/1353861179
tの単位：℃
"""
water_vapor_at_saturation = 10 ** \
(10.79574 * (1 - 273.16/(t + 273.15)) - \
5.02800 * math.log10((t + 273.15)/273.16) + \
1.50475 * 10**(-4) * (1-10**(-8.2969 * ((t + 273.15)/273.16 - 1))) + \
0.42873 * 10**(-3) * (10**(4.76955*(1 - 273.16/(t + 273.15))) - 1) + \
0.78614)
return water_vapor_at_saturation
dummy = []
for mem in data: # http://d.hatena.ne.jp/Rion778/20121208/1354975888
dew_point_temperature = ""
try:
t = float(mem[5]) # 気温[deg]
U = float(mem[8]) # 相対湿度[%]
#print("@@@")
#print(t, U)
dew_point_temperature = -(math.log(GofGra(t)*U/100/6.1078) * 237.3) / \
(math.log(GofGra(t)*U/100/6.1078) - 17.2693882)
#print("fuga")
#print(U)
#print(dew_point_temperature)
except:
pass
mem[6] = dew_point_temperature
dummy.append(mem)
data = dummy
#print(data)
# join時にエラーが出ないように全てを文字列化
dummy = []
for x in data:
x = [str(y) for y in x]
dummy.append(x)
data = dummy
#print(data)
lines += [",".join(x) for x in data]
return lines
def get_amedas_data(node_obj, date):
""" アメダスの観測データを返す
自動的に判別できればいいのだけど・・・できるかな？
"""
if node_obj.name == "阿蘇山":
return get_amedas_data_typeA(node_obj, date)
if node_obj.name == "熊本":
return get_amedas_data_typeA(node_obj, date)
if node_obj.name == "阿蘇乙姫":
return get_amedas_data_typeB(node_obj, date)
def main():
# 予想したい日の日付けを設定
target_date = None
_day = dt.now() # まずはコマンドライン引数による指定がない場合を想定
if _day.hour >= 10: # この時刻を過ぎると、翌日の予想を実施する
_day += td(days=1)
target_date = dt(year=_day.year, month=_day.month, day=_day.day)
argvs = sys.argv # コマンドライン引数を格納したリストの取得
argc = len(argvs) # 引数の個数
if argc >= 2: # 引数で計算対象の日を渡す
arg = argvs[1]
arg += " 0:0:0" # 時分秒を加える
t = timeKM.getTime(arg)
if t != None:
target_date = t
print(target_date)
# 予測を実行する時刻を決定する（引数がなければスクリプト実行時の時刻が使われる）
process_hour = dt.now().hour
if argc >= 3: # 引数で予想実行時刻を渡す（その時刻に雲海が出るかを確認するものではない）
arg = argvs[2]
if arg.isdigit():
process_hour = int(arg)
# アメダスの観測所オブジェクトを作成
amedas_nodes = amd.get_amedas_nodes()
#print(amedas_nodes)
# 観測データを読み出す
#node_A = amedas_nodes["阿蘇山"]
node_A = amedas_nodes["熊本"] # 2015-09の噴火で阿蘇山頂のデータが得られないので、熊本に差し替え
lines_A = get_amedas_data(node_A, target_date)
node_B = amedas_nodes["阿蘇乙姫"]
lines_B = get_amedas_data(node_B, target_date)
# 観測データを処理して、特徴量の生成に適したオブジェクトに変更
weather_data_A = feature.get_weather_dict(lines_A)
weather_data_B = feature.get_weather_dict(lines_B)
raw_data = [weather_data_A, weather_data_B]
#print(weather_data_Aso)
#print(weather_data_Otohime)
# 機械学習オブジェクトを生成
clf = ml()
if 23 > process_hour >= 16:
with open('entry_16.pickle', 'rb') as f:
clf = pickle.load(f) # オブジェクト復元
else:
with open('entry_23.pickle', 'rb') as f:
clf = pickle.load(f) # オブジェクト復元
# 特徴ベクトルを生成
_feature = None
if 23 > process_hour >= 16:
_feature = feature.create_feature16(target_date, raw_data)
else:
_feature = feature.create_feature23(target_date, raw_data)
print(_feature)
# 予測を実施
print("--predict--")
print("target date: " + str(target_date))
print("process hur: " + str(process_hour))
done = False
results = []
if _feature != None:
if not None in _feature: # Noneがあると計算出来ない
test = clf.predict(_feature)
results.append((target_date, test[0], _feature))
print(test)
done = True
if done == False:
results.append((target_date, "NA", _feature))
print("--can't predict. There is None data in feature-vector.--")
# 予測結果を保存
with open("result.csv", "w") as fw:
for result in results:
_date, predict_result, _feature = result
str_feature = [str(x) for x in _feature]
fw.write(str(dt.now()))
fw.write(",")
fw.write(str(_date))
fw.write(",")
fw.write(str(predict_result))
fw.write(",")
fw.write("$")
fw.write(",")
fw.write(",".join(str_feature))
fw.write("\n")
return results
if __name__ == '__main__':
main()