def distrib_quantile(q, largeur):
"""modèles de distribution pour partager en quantile (pour affichage du seuil [axvline])"""
global ladistribution
if ladistribution == "alpha":
return alpha.ppf(q, 0.8, 0, largeur)
elif ladistribution == "gauss":
return stat.norm.ppf(q, 0, largeur)
elif ladistribution == "triangle":
return triang.ppf(q, 0, 0, largeur)
elif ladistribution == "weibull":
return weibull_min.ppf(q, 1.1, 0, largeur)
# Author: Jean # # Created: 27/08/2019 # Copyright: (c) Jean 2019 # Licence: <your licence> #------------------------------------------------------------------------------- import numpy as np from scipy.stats import alpha import matplotlib.pyplot as plt fig, ax = plt.subplots(1, 1) a = 3.57 mean, var, skew, kurt = alpha.stats(a, moments='mvsk') #print(mean, var, skew, kurt) x = np.linspace(alpha.ppf(0.01, a), alpha.ppf(0.99, a), 100) #Display the probability density function (pdf) ax.plot(x, alpha.pdf(x, a), 'r-', lw=5, alpha=0.6, label='alpha pdf') #Freeze the distribution and display the frozen pdf rv = alpha(a) ax.plot(x, rv.pdf(x), 'k-', lw=1, label='frozen pdf') #Check accuracy of cdf and ppf vals = alpha.ppf([0.001, 0.5, 0.999], a) np.allclose([0.001, 0.5, 0.999], alpha.cdf(vals, a)) #Generate random numbers r = alpha.rvs(a, size=1000)
def optimize1Model(modele, datedebut):
"""
Modelise la courbe google trends par une fonction mathematique en optimisant ses parametres. Parmi les trois distributions, on retient la meilleure
modele: str, le modele a optimiser
datedebut: dict, dictionnaire associant a chaque modele sa date de lancement
return: une liste avec l'ecart cummule entre la modelisation et la courbe brute pour les trois lois, la meilleure distribution et l'estimation de l'obsolescence associee.
"""
modele = formatNameModel(modele)
print('optimisation du modele : ', modele)
donnees_brutes = recoverRawTrends(modele)
##recuperation ou calcul de la date de lancement
launchdate = datedebut[modele]
if not launchdate:
launchdate = calculatelaunchdate(donnees_brutes["Mois"],
donnees_brutes[modele])
##fonctions d'optimisations suivant la distribution choisie
def objW(X):
return objectif('w', X, launchdate.toordinal(), donnees_brutes[modele],
donnees_brutes["Mois"])
def objA(X):
return objectif('a', X, launchdate.toordinal(), donnees_brutes[modele],
donnees_brutes["Mois"])
def objT(X):
return objectif('t', X, launchdate.toordinal(), donnees_brutes[modele],
donnees_brutes["Mois"])
## minimizer
x0W = [183, 25000, 1.15] #modelisation initiale pour Weibull
bndsW = ((150, 1500), (24000, 100000), (1.05, 1.9)
) #bornes des parametres de la loi de Weibull
x0A = [250, 50, 0] #modelisation initiale pour Alpha et triangulaire
bndsA = (
(100, 5000), (1, 100), (-400, 50)
) # bornes des parametres de la loi Alpha et triangulaires (entre 60 et 10000 jours, entre 1 et 100 unites ordonnée et entre -400 et 50 pour l'offset)
resultW = minimize(objW,
x0W,
method='Powell',
bounds=bndsW,
options={
'maxiter': 100000,
'maxfev': 1000,
'return_all': True
}) #fonction d'optimisation de notre modelisation
ecartW = objectif('w', resultW.x, launchdate.toordinal(),
donnees_brutes[modele], donnees_brutes["Mois"])
min = 'w'
resultA = minimize(objA,
x0A,
method='Powell',
bounds=bndsA,
options={
'maxiter': 100000,
'maxfev': 1000,
'return_all': True
})
ecartA = objectif('a', resultA.x, launchdate.toordinal(),
donnees_brutes[modele], donnees_brutes["Mois"])
if ecartA < ecartW:
min = 'a'
resultT = minimize(objT,
x0A,
method='Powell',
bounds=bndsA,
options={
'maxiter': 100000,
'maxfev': 1000,
'return_all': True
})
ecartT = objectif('a', resultT.x, launchdate.toordinal(),
donnees_brutes[modele], donnees_brutes["Mois"])
if (ecartT < ecartA and min == 'a') or (ecartT < ecartW and min == 'w'):
min = 't'
print('meilleure distribution : ' + min)
print('Parametres optimisés : ', end='')
if min == 'a':
print(resultA.x)
best = resultA
minscore = round(
alpha.ppf(0.8,
0.8,
loc=launchdate.toordinal() - resultA.x[0] / 10 +
resultA.x[2],
scale=resultA.x[0] / 1.7) - launchdate.toordinal())
elif min == 't':
print(resultT.x)
best = resultT
minscore = round(
triang.stats(0.1,
launchdate.toordinal() +
resultT.x[2], resultT.x[0], 'm') +
2.5 * math.sqrt(
triang.stats(0.1,
launchdate.toordinal() +
resultT.x[2], resultT.x[0], 'v')) -
launchdate.toordinal())
else:
print(resultW.x)
best = resultW
minscore = round(
weibull_min.stats(resultW.x[2], launchdate.toordinal(),
resultW.x[0], 'm') +
2.5 * math.sqrt(
weibull_min.stats(resultW.x[2], launchdate.toordinal(),
resultW.x[0], 'v')) - launchdate.toordinal())
print()
# montre_solution(min, best.x, launchdate.toordinal(), donnees_brutes[modele], donnees_brutes["Mois"], modele) #affichage de la solution
return ([modele, resultA.x, resultT.x,
resultW.x], [modele, ecartT, ecartA, ecartW, min, minscore])