Repli sur l’historique et choix du modèle

Quand une semaine n’a pas de passage analysé, ou que le modèle de maturation ne peut pas tourner, DeepLeaf Yield prévoit à partir de votre historique de récoltes. Les semaines avec passage, chaque semaine d’avance garde la méthode qui l’a méritée sur ce cycle, comme expliqué ci-dessous.

Les modèles d’historique

harvest-persistence-v1

Chaque semaine reprend la récolte la plus récente saisie au cours des trois semaines précédentes. Il est proposé pour chaque distance, et n’est choisi qu’après avoir battu le choix en cours de 20 % sur 8 semaines vérifiées de ce cycle, y compris pour cette semaine.

harvest-blend-v1

La moyenne entre cette dernière récolte et la récolte moyenne des trois dernières semaines. Il n’est proposé que pour la semaine suivante et celle d’après, et n’a aucun paramètre ajusté.

harvest-pretrained-v1

Le modèle d’historique : un modèle de prévision entraîné à l’avance sur les séries hebdomadaires de nombreuses cultures, qui ne reçoit que l’historique des récoltes de ce cycle. Il est proposé chaque semaine à côté des autres, quand le serveur en dispose, et ne remplace le choix en cours pour une distance qu’aux conditions ci-dessous.

harvest-finetuned-v2

Le modèle d’historique ajusté : le même type de modèle, entraîné en plus sur des récoltes publiques de tomates sous serre. Il est proposé à côté des autres quand le serveur en dispose, et n’est choisi pour une distance qu’après avoir battu le choix en cours de 20 % sur 8 semaines vérifiées de ce cycle, y compris pour cette semaine.

harvest-mean3-v1

La moyenne sur trois semaines : la moyenne des récoltes saisies au cours des trois dernières semaines (avec moins de semaines saisies, la moyenne de celles-ci). C’est le modèle par défaut, proposé pour chaque distance, sans aucun paramètre ajusté. Quand le modèle d’historique tourne, la moyenne ci-dessous prend sa place par défaut.

harvest-mean3-pretrained-v1

La moyenne sur trois semaines et modèle d’historique : la simple moyenne des deux, pour chaque distance, sans aucun paramètre ajusté. Quand le serveur dispose du modèle d’historique, c’est le modèle par défaut et toute autre méthode doit la battre de 20 % sur 8 semaines vérifiées. Sur 305 serres de tomates publiques, elle a été plus précise que la moyenne sur trois semaines pour une semaine seule et pour les totaux sur 4 et 8 semaines ; sur les 11 séries publiques antérieures, seul le total sur 4 semaines était nettement meilleur. Sans le modèle d’historique, rien ne change.

harvest-mean3-pretrained-sim-v1

La moyenne sur trois semaines et deux modèles d’historique : à partir de 3 semaines, la simple moyenne de la moyenne sur trois semaines, du modèle d’historique et d’un second modèle d’historique entraîné d’abord sur des saisons de serre simulées puis sur des récoltes publiques de tomates, sans paramètre ajusté par cycle. Quand le serveur dispose des deux modèles, c’est le modèle par défaut à partir de 3 semaines et toute autre méthode doit la battre de 20 % sur 8 semaines vérifiées ; cette semaine et la semaine prochaine gardent la moyenne ci-dessus. Sur 305 serres de tomates publiques et sur les 11 séries publiques antérieures, elle a été plus précise que cette moyenne à partir de 3 semaines et pour les totaux sur 4 et 8 semaines, y compris sur des serres et des régions qu’elle n’avait pas vues. Sans le second modèle, rien ne change.

À partir de la semaine prochaine, la moyenne sur trois semaines reste le choix tant qu’une autre méthode ne la bat pas d’au moins 20 % d’erreur moyenne sur 8 semaines vérifiées ou plus de ce cycle où les deux étaient proposées. Le choix reste ensuite en place jusqu’à ce qu’une autre le batte de la même façon, si bien qu’une semaine chanceuse ne le fait pas basculer. Cette semaine garde la règle précédente pour le modèle d’historique : la valeur de l’historique quitte la moyenne sur trois semaines dès qu’il a été plus proche sur deux semaines vérifiées ; la répétition de la semaine précédente et le modèle d’historique ajusté doivent ici aussi gagner 20 % sur 8 semaines. Avec un historique court, le comportement est celui de la moyenne sur trois semaines.

Pourquoi la moyenne sur trois semaines par défaut : sur deux jeux de données publics de tomates sous serre, avec la répétition de la semaine précédente par défaut, le choix y restait pour 409 des 484 semaines évaluées, et la moyenne sur trois semaines était plus juste sur les mêmes semaines : 50,9 % contre 48,4 % pour une semaine seule, 69,4 % contre 66,6 % pour les totaux sur 4 semaines et 71,8 % contre 67,0 % pour les totaux sur 8 semaines (la justesse est 100 moins l’erreur moyenne rapportée à la récolte hebdomadaire moyenne). Le coût porte sur les saisons où la récolte alterne d’une semaine à l’autre : sur la saison synthétique, l’erreur moyenne de la semaine prochaine est de 31,3 % contre 26,2 % pour la répétition de la semaine précédente.

Le choix par cycle

Une semaine avec passage, la valeur de maturation est une méthode de plus, aux mêmes conditions. Cette semaine, elle est gardée jusqu’à ce que la valeur de l’historique ait été plus proche sur deux semaines vérifiées. À partir de la semaine prochaine, elle doit battre le choix en cours de 20 % sur 8 semaines vérifiées. Seules les semaines antérieures au passage sont comparées. Chaque ligne indique :

• chosen : le modèle qui a fourni la valeur ;
• model_kg : la valeur de maturation, même quand elle n’a pas été retenue ;
• model_error et baseline_error : les erreurs relatives moyennes qui ont décidé du choix ;
• baseline_kg : la valeur de persistance, sur chaque ligne, pour comparaison ;
• selection : la règle qui a fait le choix et pourquoi (default, held ou beat_pick avec les semaines et les erreurs comparées).

Pourquoi une règle plus stricte à partir de la semaine prochaine : avec deux semaines vérifiées seulement, une méthode plus proche par hasard sur des semaines de récolte en dents de scie prenait la main puis se trompait, si bien que la prévision de la semaine prochaine était, sur une saison, moins juste que la répétition de la semaine précédente (28,3 % contre 26,2 % d’erreur moyenne sur la saison synthétique, 28,5 % contre 23,9 % sur un cycle de test de 38 semaines). Avec la règle plus stricte, et la répétition de la semaine précédente alors par défaut, la semaine prochaine égalait la répétition sur les deux, et à chaque distance elle restait à moins de 4 points d’elle sur les saisons synthétiques, publiques et de test.

Une prévision enregistrée avec POST …/forecasts garde le nom du modèle retenu.

Pourquoi le mélange, et pas davantage

Plusieurs prévisions simples fondées sur l’historique ont été évaluées strictement hors échantillon sur deux jeux de données publics. Seul le mélange était au niveau de la persistance ou en dessous pour la semaine suivante et celle d’après, sur les deux jeux. Le gain est faible, environ 1,5 point d’erreur sur l’essai le plus grand, et nul pour la semaine du passage, pour laquelle il n’est donc pas proposé. Les rapports tirés de la température et du rayonnement n’étaient pas cohérents d’un jeu de données à l’autre : ils ne sont pas utilisés.