Respaldo histórico y elección del modelo
Cuando una semana no tiene ningún recorrido terminado, o el modelo de maduración no puede ejecutarse, DeepLeaf Yield prevé a partir de su historial de cosechas. En las semanas con recorrido, cada semana de antelación mantiene el método que se la ha ganado en este ciclo, como se explica abajo.
Los modelos de historial
harvest-persistence-v1- Cada semana repite la cosecha más reciente registrada en las tres semanas anteriores. Se ofrece para cada distancia, y solo se elige después de superar a la elección actual en un 20 % durante 8 semanas comprobadas de este ciclo, también para esta semana.
harvest-blend-v1- La media entre esa última cosecha y la cosecha media de las tres últimas semanas. Solo se ofrece para la semana próxima y la siguiente, y no tiene parámetros ajustados.
harvest-pretrained-v1- El modelo de historial: un modelo de previsión entrenado de antemano con las series semanales de muchos cultivos, que solo recibe el historial de cosechas de este ciclo. Se ofrece cada semana junto a los demás, cuando el servidor lo tiene, y solo sustituye a la elección actual a una distancia en las condiciones de abajo.
harvest-finetuned-v2- El modelo de historial ajustado: el mismo tipo de modelo, entrenado además con cosechas públicas de tomate en invernadero. Se ofrece junto a los demás cuando el servidor lo tiene, y solo se elige para una distancia después de superar a la elección actual en un 20 % durante 8 semanas comprobadas de este ciclo, también para esta semana.
harvest-mean3-v1- La media de tres semanas: la media de las cosechas registradas en las tres últimas semanas (con menos semanas registradas, la media de esas). Es el modelo por defecto, ofrecido para cada distancia, sin parámetros ajustados. Cuando funciona el modelo de historial, el promedio de abajo ocupa su lugar por defecto.
harvest-mean3-pretrained-v1- La media de tres semanas y modelo de historial: el promedio simple de ambos, para cada distancia, sin parámetros ajustados. Cuando el servidor tiene el modelo de historial, es el modelo por defecto y cualquier otro método debe superarlo en un 20 % durante 8 semanas comprobadas. En 305 invernaderos públicos de tomate fue más preciso que la media de tres semanas para semanas sueltas y para los totales de 4 y 8 semanas; en las 11 series públicas anteriores, solo el total de 4 semanas fue claramente mejor. Sin el modelo de historial, nada cambia.
harvest-mean3-pretrained-sim-v1- La media de tres semanas y dos modelos de historial: a partir de 3 semanas, el promedio simple de la media de tres semanas, el modelo de historial y un segundo modelo de historial entrenado primero con temporadas de invernadero simuladas y luego con cosechas públicas de tomate, sin parámetros ajustados por ciclo. Cuando el servidor tiene ambos modelos, es el modelo por defecto a partir de 3 semanas y cualquier otro método debe superarlo en un 20 % durante 8 semanas comprobadas; esta semana y la próxima mantienen el promedio anterior. En 305 invernaderos públicos de tomate y en las 11 series públicas anteriores fue más preciso que ese promedio a partir de 3 semanas y para los totales de 4 y 8 semanas, también en invernaderos y regiones que no había visto. Sin el segundo modelo, nada cambia.
A partir de la semana próxima, la media de tres semanas es la elección hasta que otro método la supere en al menos un 20 % de error medio en 8 o más semanas comprobadas de este ciclo en las que se ofrecieron ambos. Después la elección se mantiene hasta que otro la supere del mismo modo, así que una semana con suerte no la hace cambiar. Esta semana conserva la regla anterior para el modelo de historial: el valor del historial deja la media de tres semanas cuando este acertó más en dos semanas comprobadas; repetir la semana anterior y el modelo de historial ajustado necesitan también aquí el 20 % en 8 semanas. Con un historial corto se comporta como la media de tres semanas.
Por qué la media de tres semanas por defecto: en dos conjuntos de datos públicos de tomate en invernadero, con repetir la semana anterior por defecto la elección se quedó en ella en 409 de 484 semanas evaluadas, y la media de tres semanas acertó más en las mismas semanas: 50,9 % frente a 48,4 % para una sola semana, 69,4 % frente a 66,6 % para los totales de 4 semanas y 71,8 % frente a 67,0 % para los totales de 8 semanas (la precisión es 100 menos el error medio como parte de la cosecha semanal media). El coste está en las temporadas en que la cosecha alterna de una semana a otra: en la temporada sintética, el error medio de la semana próxima es del 31,3 % frente al 26,2 % de repetir la semana anterior.
Elección por ciclo
En una semana con recorrido, el valor de maduración es un método más, en las mismas condiciones. Esta semana se conserva hasta que el valor del historial acierte más en dos semanas comprobadas. A partir de la semana próxima, tiene que superar a la elección actual en un 20 % en 8 semanas comprobadas. Solo se comparan semanas anteriores al recorrido. Cada fila indica:
chosen: el modelo que dio el valor;model_kg: el valor de maduración, aunque no se haya elegido;model_errorybaseline_error: los errores relativos medios que decidieron la elección;baseline_kg: el valor de persistencia, en todas las filas, para comparar;selection: qué regla hizo la elección y por qué (default,heldobeat_pickcon las semanas y los errores comparados).
Por qué una regla más estricta a partir de la semana próxima: con solo dos semanas comprobadas, un método que acertó más por azar en semanas de cosecha en zigzag tomaba el relevo y luego fallaba, así que la previsión de la semana próxima era, en una temporada, peor que repetir la semana anterior (28,3 % frente a 26,2 % de error medio en la temporada sintética, 28,5 % frente a 23,9 % en un ciclo de prueba de 38 semanas). Con la regla más estricta, y repetir la semana anterior entonces por defecto, la semana próxima igualaba a la repetición en ambos, y a cada distancia quedaba a menos de 4 puntos de ella en temporadas sintéticas, públicas y de prueba.
Una previsión guardada con POST …/forecasts registra el nombre del modelo elegido.
Por qué la combinación, y nada más
Se evaluaron varias previsiones sencillas basadas en el historial, de forma estrictamente fuera de muestra, en dos conjuntos de datos públicos. Solo la combinación quedó igual o por debajo de la persistencia para la semana próxima y la siguiente en ambos conjuntos. La mejora es pequeña, de unos 1,5 puntos de error en el ensayo más grande, y no mejora la semana del recorrido, así que no se ofrece para esa semana. Los cocientes basados en la temperatura y la radiación no fueron coherentes entre conjuntos de datos, así que no se usan.