def main():
# 引数の処理
target_time = "" # 処理対象の時刻を引数で指定
target_dir = ""
try_times = 10 # 試行回数
argvs = sys.argv # コマンドライン引数を格納したリストの取得
print(argvs)
argc = len(argvs) # 引数の個数
if argc > 3:
target_time = argvs[1] # 16 or 23
target_dir = argvs[2] # 結果を保存するフォルダ名
try_times = int(argvs[3]) # 作成する学習器の数（RFなら2000〜3000が良いと思う）
else:
print("input: target-time, target-dir, try-times")
exit()
# 教師データ作成の準備
terms = [(dt(2004, 2, 18), dt(2013, 9, 3)),
(dt(2015, 6, 23), dt(2017, 9, 30))] # for aso
#terms = [(dt(2010, 2, 18), dt(2013, 9, 3)), (dt(2015, 6, 23), dt(2016, 5, 1))] # for aso
#terms = [(dt(2015, 6, 23), dt(2016, 2, 1))] # for aso
#terms = [(dt(2015, 3, 1), dt(2016, 4, 1))] # for chichibu
_save_flag = False # 検証用にファイルを残したいなら、Trueとする
# 特徴生成オブジェクト作成
fg_obj = feature.feature_generator(target_time)
tc = create_learning_data.teacher_creator(
fg_obj, terms, "unkai_date.csv") # 一度メモリ内に教師データを作成するが、時間がかかる。
process(target_dir, tc, save_flag=_save_flag, try_times=try_times)
def main():
# 引数の処理
target_time = "" # 処理対象の時刻を引数で指定
target_dir = ""
try_times = 10 # 試行回数
argvs = sys.argv # コマンドライン引数を格納したリストの取得
print(argvs)
argc = len(argvs) # 引数の個数
if argc > 3:
target_time = argvs[1] # 16 or 23
target_dir = argvs[2] # 結果を保存するフォルダ名
try_times = int(argvs[3]) # 作成する学習器の数（RFなら2000〜3000が良いと思う）
else:
print("input: target-time, target-dir, try-times")
exit()
# 教師データ作成の準備
terms = [(dt(2004, 2, 18), dt(2013, 9, 3)), (dt(2015, 6, 23), dt(2017, 9, 30))] # for aso
#terms = [(dt(2010, 2, 18), dt(2013, 9, 3)), (dt(2015, 6, 23), dt(2016, 5, 1))] # for aso
#terms = [(dt(2015, 6, 23), dt(2016, 2, 1))] # for aso
#terms = [(dt(2015, 3, 1), dt(2016, 4, 1))] # for chichibu
_save_flag = False # 検証用にファイルを残したいなら、Trueとする
# 特徴生成オブジェクト作成
fg_obj = feature.feature_generator(target_time)
tc = create_learning_data.teacher_creator(fg_obj, terms, "unkai_date.csv") # 一度メモリ内に教師データを作成するが、時間がかかる。
process(target_dir, tc, save_flag=_save_flag, try_times=try_times)
def main_process(target_time, target_dir, terms):
"""
外部からの呼び出しを意識している。
target_time: str, 予測したい時刻（生成する特徴量の作成に影響する）
target_dir: str, 学習器が保存されたフォルダ名
terms: list, 処理期間を格納したリスト。要素はタプル。要素の数は複数あっても良い。
"""
# 引数に合わせて使う特徴ベクトル生成関数を変えて、検証する
fg_obj = feature.feature_generator(target_time)
sub_process2(target_dir, fg_obj, terms)
def main():
# 処理の対象期間（過去のデータに加えて、最新の観測データも加えるので、タプルで期間を指定する）
#terms = [(dt(2004, 2, 18), dt(2013, 9, 3)), (dt(2015, 6, 23), dt(2016, 1, 4))]
terms = [(dt(2015, 6, 23), dt(2015, 11, 30))]
# 特徴ベクトルを作成する関数
fg_obj = feature.feature_generator(23)
# 特徴ベクトルを作成して保存
tc = teacher_creator(fg_obj, terms)
tc.save_teacher()
def main(): # 処理の対象期間（過去のデータに加えて、最新の観測データも加えるので、タプルで期間を指定する） #terms = [(dt(2004, 2, 18), dt(2013, 9, 3)), (dt(2015, 6, 23), dt(2016, 1, 4))] terms = [(dt(2015, 6, 23), dt(2015, 11, 30))] # 特徴ベクトルを作成する関数 fg_obj = feature.feature_generator(23) # 特徴ベクトルを作成して保存 tc = teacher_creator(fg_obj, terms) tc.save_teacher()
def main():
# 機械学習オブジェクトを生成（復元）
clf = mc.load(mc.default_path)
# 特徴生成オブジェクト作成
fg_obj = feature.feature_generator(23)
predict(
clf,
date_range(datetime.datetime(2015, 6, 23),
datetime.datetime(2015, 10, 24)), fg_obj, True)
def main(): # 機械学習オブジェクトを生成（復元） clf = mc.load(mc.default_path) # 特徴生成オブジェクト作成 fg_obj = feature.feature_generator(23) predict( clf, date_range(datetime.datetime(2015, 6, 23), datetime.datetime(2015, 10, 24)), fg_obj, True )
def main_process(target_time, target_dir): """ 外部からの呼び出しを意識している。 """ # 処理対象の制限（処理時間の短縮になるかも） #terms = [(dt(2016, 5, 1), dt(2016, 5, 19))] terms = [(dt(2016, 8, 1), dt(2016, 9, 8))] # 引数に合わせて使う特徴ベクトル生成関数を変えて、検証する fg_obj = feature.feature_generator(target_time) _path = sub_process2(target_time, target_dir, fg_obj, terms) return [_path]
def __init__(self, key='train'):
# Specify data path
assert key in ('train', 'val', 'test')
if key == 'train':
self._data_path = workspace_config.train_path
elif key == 'val':
self._data_path = workspace_config.val_path
elif key == 'test':
self._data_path = workspace_config.test_path
else:
print('No magic here!')
# Specify label mapping
self._label_map = {
'yes': 0,
'no': 1,
'up': 2,
'down': 3,
'left': 4,
'right': 5,
'on': 6,
'off': 7,
'stop': 8,
'go': 9,
'silence': 10,
'unknown': 11,
}
self._class_num = 12
# Fetch feature generator
self._fgen = feature_generator()
# Do the actuall work
self._data, self._label = self.load_data()
# Marker
self._epochs_completed = 0
self._index_in_epoch = 0
self._num_examples = self._data.shape[0]
return
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)
# 予報する対象の時刻
target_time = 23
if 23 > process_hour >= 16:
target_time = 16
# 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)
# 特徴ベクトルを生成するオブジェクトの用意
features_dict = {}
for block_no in ["47819", "1240", "0962", "47818"]:
node = amedas_nodes[block_no]
lines = get_amedas_data(node, target_date)
weather_data = feature.get_weather_dict(lines)
_keys = sorted(weather_data.keys()) # 確認のために表示
for a_key in _keys:
print(block_no, weather_data[a_key])
if int(node.block_no) > 47000:
features_dict[block_no] = [weather_data, feature.index_A]
else:
features_dict[block_no] = [weather_data, feature.index_B]
fg_obj = feature.feature_generator(target_time, features_dict)
# 機械学習オブジェクトを生成
clf = mc.load(os.path.abspath("./learned_machine/time" + str(target_time)))
print(type(clf))
# 特徴ベクトルを生成
_feature = fg_obj.get_feature(target_date)
_feature = np.array([_feature]) # TensorFlowはnumpy.arrayの2重の入れ子でないと動かない
print(_feature)
# 予測を実施
print("--predict--")
print("target date: " + str(target_date))
print("process hur: " + str(process_hour))
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)
# 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