Meteo Gesualdo

- Migliorata la logica di acquisizione degli snapshot destinati all'apprendimento AI
- Mantenuti invariati i 18 lead storici principali utilizzati come base del campionamento
- Aggiunti 7 lead supplementari selezionati dinamicamente ad ogni ciclo di acquisizione
- Introdotta distribuzione controllata dei lead dinamici su 7 fasce temporali dedicate
- Garantita l'esclusione automatica dei lead già presenti nell'insieme dei lead fissi
- Migliorata la copertura temporale dello storico utilizzato dal sistema AI
- Incrementata la varietà dei campioni raccolti senza aumentare significativamente il volume dei dati archiviati
- Aumentata la rappresentatività dei lead intermedi meno frequenti
- Introdotto controllo preventivo per evitare la generazione di snapshot duplicati
- Aggiunta verifica dell'esistenza di acquisizioni già effettuate per lo stesso forecast e la stessa fascia temporale
- Bloccata automaticamente la creazione di record duplicati durante la fase di raccolta dati
- Migliorata la qualità complessiva del dataset utilizzato dal motore di apprendimento

- Rebranding completo da Mnemosine a Themis.
- Evoluzione del motore da correttore storico a revisore decisionale.
- Nuovo sistema di selezione dei vicini basato su similarità meteorologica avanzata.
- Migliorata la valutazione di lead, stagionalità, ora locale e condizioni fisiche.
- Introdotto il ranking qualitativo dei vicini tramite accuratezza storica.

- Integrato l'utilizzo di ok_primary, ok_family e ok_secondary nelle decisioni AI.
- Integrato l'utilizzo di physical_error_weight e total_error_weight nella valutazione dei vicini.
- Integrato l'utilizzo degli errori storici fisici (temperatura, umidità, pressione, vento, raffica e pioggia).

- Nuova logica decisionale: IGNORA, CONFERMA, LIMA, CORREGGI o RIBALTA la previsione.
- Correzioni separate per primario, secondario e valori fisici.
- Ridotta la tendenza alle modifiche inutili su forecast già coerenti.

- Migliorata la gestione dei fenomeni vento debole, moderato, forte e rafficoso.
- Migliorata la coerenza tra confidence e consenso storico dei vicini.
- Migliorata la tracciabilità delle decisioni tramite nuovi codici motivazionali Themis.
- Ottimizzata la stabilità generale delle correzioni KNN.
- Migliorata la qualità delle correzioni sui valori fisici previsti.
- Maggiore capacità di confermare previsioni corrette senza alterarle inutilmente.

- Compatibilità completa mantenuta con l'output delle versioni precedenti.

- Aggiunta normalizzazione finale delle probabilità primarie dopo eventuale correzione KNN.
- Migliorata la coerenza con la nuova distribuzione probabilistica 0–100 del forecast core.
- Migliorata la gestione dei nuovi stati meteo già supportati dal sistema.
- Resa più prudente la gestione dei secondari vento:
- vento_debole
- vento_moderato
- vento_forte
- vento_rafficoso
- Reso vento_rafficoso meno assimilabile al semplice vento forte, distinguendo meglio raffica e intensità media.
- Resa più cauta la gestione di temporali_isolati, evitando che venga trattato come equivalente pieno del temporale primario.
- Ridotto il peso eccessivo dei casi storici con errore alto, per evitare che dati validati durante fasi bugged influenzino troppo la correzione.
- Migliorata la coerenza del meta/reason quando il KNN interviene anche sulla confidence.
- Corretta e raffinata la gestione delle soglie di errore del sistema learning.
- Aggiunta validazione forecast anche dal sito oltre alla validazione tramite bot Telegram.
- Espansa la struttura della tabella learning includendo:
- dati previsti
- dati effettivi
- probabilità per ogni stato
- metriche e classificazioni di errore
- Il sistema learning ha raggiunto una struttura avanzata composta da 62 colonne dedicate all’analisi predittiva e validativa.
- Aggiunta retrocompatibilità automatica con lo storico precedente contenente meno colonne.
- Mantenute invariate query, struttura dati, output JSON e integrazione con forecast.
- Mantenuta invariata la logica core KNN, intervenendo solo sui punti di stabilizzazione, coerenza e qualità del learning.

- Aggiornata la compatibilità con il nuovo JSON Forecast
- Integrato supporto completo ai nuovi fenomeni previsionali:
- coperto
- pioggia e schiarite
- temporali isolati
- vento rafficoso
- Migliorata la lettura dei nuovi stati previsionali dal motore Forecast
- Ottimizzata la sincronizzazione tra Forecast e AI Engine
- Nessuna modifica alla logica principale del KNN
- Nessuna modifica all'algoritmo di apprendimento

- Allineato il motore KNN alle nuove classi meteo del Forecast 6.3.0
- Aggiunto supporto ai fenomeni primari coperto e pioggia_e_schiarite
- Aggiunto supporto ai fenomeni secondari vento_rafficoso e temporali_isolati
- Aggiornata la gestione interna dei fenomeni per mantenere coerenza tra Forecast e AI Engine
- Migliorata la compatibilità del KNN con i nuovi scenari meteo misti e borderline

- Introdotto il sistema strutturato di reason code per il motore KNN
- Aggiunta distinzione tra KNN applicato, escluso o non utilizzabile
- Spostata la generazione del reason code direttamente nel motore KNN
- Eliminata la dipendenza dal parsing del motivo esteso nel logger statistiche
- Risolto il problema dei reason code salvati come null/unknown
- Aggiunti reason code per storico insufficiente, vicini incoerenti, fiducia bassa e distanza troppo alta
- Migliorata la tracciabilità e il monitoraggio delle decisioni dell’AI Engine
- Migliorata la leggibilità immediata delle statistiche KNN nel pannello admin
- Mantenuto il motivo esteso per l’analisi dettagliata dei singoli casi

- Aumentata la selezione dei vicini KNN da 18 a 25 elementi più rilevanti
- Migliorata la ricerca dei casi simili tramite confronto tra probabilità, famiglie meteo, valori fisici, orario, giorno/notte e stagionalità
- Introdotta correzione prudente non solo del fenomeno primario e secondario, ma anche dei valori previsionali principali
- Aggiunta analisi KNN su temperatura, umidità, pressione, vento, raffiche, probabilità di pioggia e pioggia attesa
- Migliorata la gestione delle correzioni con confronto tra valore prima, valore suggerito e valore finale
- Resi più chiari gli stati del KNN: valutato, applicato, bloccato, saltato o errore
- Sostituiti i vecchi motivi tecnici con motivazioni più leggibili e dettagliate in italiano
- Rimosso il concetto ambiguo di ai_used: ora il sistema distingue tra KNN abilitato, valutato, applicato o bloccato
- Aggiornato il logging RAW dei segnali KNN con nuove colonne coerenti con il motore 3.0.0
- Ricostruite le statistiche giornaliere KNN con conteggi per stato, motivazione, lead time e tipo di correzione
- Aggiornato il pannello admin per leggere le nuove statistiche KNN e mostrare delta fisici, coerenza, distanza media e forza di correzione
- Migliorata la tracciabilità delle correzioni KNN per facilitare validazione, debug e ottimizzazione futura

- Aggiunta funzione di log statistico
- Introdotta lettura quotidiana delle modifiche del sistema
- Migliorato il monitoraggio del comportamento KNN
- Aggiunto supporto alla consultazione delle statistiche operative

- Introdotto il calcolo dell’errore previsionale e della distanza dell’errore
- Creata una gerarchia precisa per la selezione dei vicini
- Aggiunta la valutazione giorno/notte, stagionalità, somiglianza dei dati, vicinanza temporale ed esito della previsione
- Tutti i criteri di confronto vengono calcolati in modo proporzionale
- I vicini iniziali vengono filtrati e ridotti ai migliori 18
- I migliori 18 vicini confermano il Forecast oppure propongono una correzione controllata
- La correzione viene valutata in base alla gravità dell’errore e al gap dell’errore
- Separata la logica KNN in un file esterno dedicato
- Il core previsionale risulta ora composto da più endpoint separati
- Aumentati gli snapshot previsionali a 18 lead time
- Nuovi lead time: 1, 3, 6, 9, 12, 18, 24, 30, 36, 42, 48, 60, 72, 84, 96, 120, 144 e 162 ore

- Il sistema KNN ora legge anche i dati registrati dalla stazione meteo
- Introdotto il confronto tra previsione e condizioni reali rilevate
- Migliorata la validazione degli snapshot previsionali
- Aggiunta l’analisi dei dati meteo nella fascia oraria prevista
- Rafforzata la coerenza del sistema di apprendimento