Meteo Gesualdo

- Riscritto integralmente il motore KNN in Python con una nuova architettura multicanale.
- Sostituita la precedente logica decisionale Themis con un sistema di correzione basato sui residui storici predicted-to-actual.
- Introdotta la selezione globale dei vicini tramite distanza meteorologica, lead time, declassamento storico, copertura e contesto.
- Introdotto il gate TOP25 globale come base comune per le analisi dei singoli canali.
- Separata l'analisi KNN per temperatura, umidità, dew point, pressione, vento, raffiche, direzione del vento, pioggia, radiazione solare e indice UV.
- Introdotti micro-KNN indipendenti per probabilità primarie, famiglie meteorologiche e fenomeni secondari.
- Implementata la selezione adattiva dei vicini per canale tramite distanza massima, raggio relativo e rilevamento dei gap.
- Introdotto il calcolo dell'autorità correttiva basato su supporto, qualità del vicinato, consistenza dei residui, lead temporale e fiducia nello storico.
- Integrato learning_declass_score sia nella selezione dei vicini sia nella misura della fiducia assoluta nello storico.
- Introdotta la ricomposizione fisica dei valori meteorologici con vincoli di coerenza tra temperatura, umidità e dew point.
- Introdotta la ricomposizione fisica dei fenomeni secondari a partire dai valori finali e dai suggerimenti storici.
- Introdotta la ricomposizione meteorologica delle probabilità primarie e delle famiglie atmosferiche.
- Garantita la coerenza tra fenomeno primario finale e famiglia meteorologica finale.
- Introdotto il calcolo finale di temperatura percepita, wind chill e relazioni coerenti tra probabilità e quantità attesa di pioggia.
- Introdotta l'elaborazione canonica sequenziale dell'intera traiettoria previsionale di 168 ore.
- Introdotta una cache canonica atomica con lock, stale fallback e invalidazione automatica per schema, stazione e versione del motore.
- Introdotte analisi di conferma, raffinamento e override della previsione prodotta dal Merge.
- Integrato learning_features nel forecast canonico per conservare il contesto esatto utilizzato dal motore durante ogni previsione.
- Allineato il motore alla nuova pipeline Local -> API -> Merge -> KNN -> Forecast.
- Introdotto milestone.py, componente fondamentale dell'intera infrastruttura e requisito non negoziabile per il corretto funzionamento dell'universo osservabile.

- Resa Themis più reattiva sugli shift degli stati cielo senza aumentare l’aggressività su pioggia, temporali primari e neve.
- Migliorata la correzione del primario per scenari come sereno, nubi sparse e parzialmente nuvoloso.
- Corretti i reason_code finali per evitare messaggi incoerenti quando un cambio non viene realmente applicato.
- Sistemato il conteggio di ai_secondary_override, ora legato solo ai cambi secondari effettivi.
- Corretta la gestione di temporali_isolati come secondario AI, con soglia coerente e messaggio dedicato.
- Evitati secondari sotto soglia minima, in particolare per nebbia e segnali deboli non confermati.
- Mantenuta prudenza sugli eventi sensibili come pioggia intensa, temporali, neve e acquazzoni.

- Introdotta la nuova correzione di prossimità sulle previsioni a breve termine.
- Aggiunta lettura delle validazioni più recenti da forecast_learning per riconoscere la tendenza reale delle ultime ore.
- La correzione usa le ultime 5 ore validate, con almeno 3 validazioni disponibili per attivarsi.
- Il segnale recente viene trasformato in peso correttivo sulle percentuali finali del KNN.
- La correzione pesa maggiormente sulle previsioni da 1 a 3 ore.
- La correzione viene applicata in forma ridotta sulle previsioni da 4 a 6 ore.
- Oltre le 6 ore la correzione di prossimità non viene applicata.
- Il peso della tendenza recente viene gestito come contributo aggiuntivo equivalente a vicini virtuali, in base a lead time e completezza dei dati disponibili.
- Migliorata la capacità di Themis di correggere errori persistenti di breve periodo, come giornate previste troppo serene, troppo nuvolose o con fenomeni sottostimati.
- Il verdetto finale può cambiare solo se la nuova distribuzione percentuale supera quella precedente: la correzione modifica le probabilità, non impone un override diretto.

* Aggiornato il motore KNN alla versione v5.1.0 - Themis.
* Aggiunto supporto al nuovo campo learning_declass_score nello storico forecast_learning.
* Le righe validate più vecchie o meno coerenti con la logica attuale possono ora pesare meno nel processo KNN.
* Il declassamento storico modifica la distanza effettiva dei vicini e riduce il peso delle righe meno aggiornate.
* Mantenuta la compatibilità con lo storico già validato senza cancellare o ricalcolare gli errori precedenti.
* Migliorata la distinzione tra ai_attempted e ai_applied.
* ai_attempted ora indica che Themis ha effettivamente tentato una valutazione sullo storico.
* ai_applied ora indica solo i casi in cui Themis ha modificato, limato, corretto o ribaltato il forecast.
* Le conferme storiche non vengono più considerate come applicazioni AI se non producono modifiche reali.
* Mantenuta invariata la struttura dell’output JSON per sito, app Android, widget e bot Telegram.

- 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