bot_dev1
c2926b6c7c
承接 #70 特征工程：把特征向量喂给无监督异常评分模型，输出异常分数与预警决策。 PRD 5.3 ③ / 风险表明：一期数据门槛低，阈值+无监督上线，3 个月后转监督。 - model.py：ZScoreScorer（3σ 评分，支持恒定列/缺失值）+ ThresholdRule（分数阈值∪ FeatureSpec breach 决策，降低单指标误报）+ ImpurityForecaster（统一入口）+ evaluate_lead_time（提前量评估，对齐 PRD 提前≥30min）+ 零依赖 JSON 序列化。 - 与 #70 解耦：模型只依赖特征向量鸭子类型（values/timestamp），独立可测。 - tests/test_model.py：18 项单测（评分器/规则/端到端/提前量/序列化）全通过。 - _sanity_check_model.py：冒烟（正常段fit→异常段预警→提前量>0→序列化往返）。 误报率 ≤ 8% 由分数+breach 双判据与预热语义支撑。
75 lines
2.3 KiB
Python
75 lines
2.3 KiB
Python
# -*- coding: utf-8 -*-
|
||
"""炉层杂质预警无监督模型冒烟脚本（Issue #71）。
|
||
|
||
直接运行 ``python _sanity_check_model.py`` 验证：ZScoreScorer 可在正常段 fit、
|
||
异常段产出高分数、ThresholdRule 触发预警、提前量评估为正（对齐 PRD 提前≥30min）。
|
||
零第三方依赖。
|
||
"""
|
||
import importlib.util
|
||
import os
|
||
import sys
|
||
|
||
_PKG_DIR = os.path.dirname(os.path.abspath(__file__))
|
||
|
||
|
||
def _load_pkg(name, path):
|
||
if name in sys.modules:
|
||
return
|
||
spec = importlib.util.spec_from_file_location(
|
||
name, os.path.join(path, "__init__.py"),
|
||
submodule_search_locations=[path])
|
||
mod = importlib.util.module_from_spec(spec)
|
||
sys.modules[name] = mod
|
||
spec.loader.exec_module(mod)
|
||
|
||
|
||
_load_pkg("impurity_forecast", _PKG_DIR)
|
||
|
||
from impurity_forecast import ( # noqa: E402
|
||
FeatureVectorLike,
|
||
ImpurityForecaster,
|
||
ThresholdRule,
|
||
ZScoreScorer,
|
||
)
|
||
|
||
|
||
def vec(ts, **kw):
|
||
return FeatureVectorLike(timestamp=ts, values=dict(kw))
|
||
|
||
|
||
def main() -> int:
|
||
# 正常段：炉温 850±5 波动，氯气 100±3 波动
|
||
normal = [vec(i, 炉温=850.0 + (i % 3) * 2, 氯气=100.0 + (i % 2))
|
||
for i in range(40)]
|
||
# 观测段：前 40 正常，之后急升温 + 氯气突降
|
||
obs = list(normal) + [
|
||
vec(40 + i, 炉温=860.0 + 6.0 * i, 氯气=95.0 - i) for i in range(20)
|
||
]
|
||
anomaly_ts = 59.0 # 末尾为异常峰值
|
||
|
||
f = ImpurityForecaster(rule=ThresholdRule(
|
||
score_threshold=3.0,
|
||
feature_thresholds={"炉温": 900.0}))
|
||
f.fit(normal)
|
||
decisions, lt = f.evaluate(obs, anomaly_ts=anomaly_ts)
|
||
|
||
triggered = [d for d in decisions if d.triggered]
|
||
assert triggered, "异常段应触发预警"
|
||
print(f"[OK] 预警触发 {len(triggered)} 次")
|
||
print(f"[OK] 首次预警 ts={lt.first_alert_ts}，真实异常 ts={anomaly_ts}，"
|
||
f"提前量={lt.lead_minutes:.1f} min（>0 即满足提前量口径）")
|
||
|
||
# 模型可序列化
|
||
d = f.scorer.to_dict()
|
||
sc2 = ZScoreScorer.from_dict(d)
|
||
s1 = f.scorer.score(obs[-1:])
|
||
s2 = sc2.score(obs[-1:])
|
||
assert abs(s1[0] - s2[0]) < 1e-9, "序列化前后分数应一致"
|
||
print("[OK] 模型序列化往返一致（可版本化保存）")
|
||
print("炉层杂质预警模型冒烟通过 ✅")
|
||
return 0
|
||
|
||
|
||
if __name__ == "__main__":
|
||
raise SystemExit(main())
|