Tembel değerlendirme, bir ifadenin değerine gereksinim duyuluncaya kadar değerlendirilmesini geciktiren bir değerlendirme stratejidir. Tembel değerlendirme stratejisi, anıları ile birleştirildiğinde, yinelenen değerlendirmeler önlenir ve belirli işlevlerin çalışma süresini önemli bir etkenle azaltabilir.

Zaman dizisi kitaplığı, verileri işlemek için tembel değerlendirmeyi kullanır. Bir yürütme grafiği, değerlendirmesi yalnızca çıkışı somutlaştırılmış sorgu olduğunda tetiklenen zaman dizisi verileri üzerinde oluşturulur. Bir nesnenin, konumu x (t) tarafından yakalanan tek boyutlu bir boşlukta hareket ettiğini varsayarsak. Hız (v(t)) ve hızlandırma (a(t)) zaman serilerini aşağıdaki gibi kullanarak bu nesnenin sert hızlanma/frenleme (h(t)) değerini belirleyebilirsiniz:

# 1d location timeseries
x(t) = input location timeseries

# velocity - first derivative of x(t)
v(t) = x(t) - x(t-1)

# acceleration - second derivative of x(t)
a(t) = v(t) - v(t-1)

# harsh acceleration/braking using thresholds on acceleration
h(t) = +1 if a(t) > threshold_acceleration
     = -1 if a(t) < threshold_deceleration
     = 0 otherwise

Bu, formdaki basit bir yürütme grafiğiyle sonuçlanır:

x(t) --> v(t) --> a(t) --> h(t)

Değerlendirmeler yalnızca bir işlem gerçekleştirildiğinde tetiklenir; örneğin, compute h(5...10), örn. compute h(5), ..., h(10). Kitaplık, zaman serileri arasında dar zamansal bağımlılıkları yakalar. In this example, h(5...10) requires a(5...10), which in turn requires v(4...10), which then requires x(3...10). Yalnızca a(t), v(t) ve x(t) ' nin ilgili bölümleri değerlendirilir.

h(5...10) <-- a(5...10) <-- v(4...10) <-- x(3...10)

Ayrıca, değerlendirmeler anı anılır ve bu nedenle hüzerinde sonraki eylemlerde yeniden kullanılabilir. For example, when a request for h(7...12) follows a request for h(5...10), the memoized values h(7...10) would be leveraged; further, h(11...12) would be evaluated using a(11...12), v(10...12) and x(9...12), which would in turn leverage v(10) and x(9...10) memoized from the prior computation.

Daha genel bir örnekte, aşağıdaki gibi bir süpen hız timeseries tanımlanabilirsiniz:

# 1d location timeseries
x(t) = input location timeseries

# velocity - first derivative of x(t)
v(t) = x(t) - x(t-1)

# smoothened velocity
# alpha is the smoothing factor
# n is a smoothing history
v_smooth(t) =  (v(t)*1.0 + v(t-1)*alpha + ... + v(t-n)*alpha^n) / (1 + alpha + ... + alpha^n)

# acceleration - second derivative of x(t)
a(t) = v_smooth(t) - v_smooth(t-1)

Bu örnekte h(l...u) , aşağıdaki geçici bağımlılığına sahiptir. h(l...u) ' in değerlendirilmesi, bu geçici bağımlılıkla ilgili anılarla kesinlikle uyumlu olacaktır.

h(l...u) <-- a(l...u) <-- v_smooth(l-1...u) <-- v(l-n-1...u) <-- x(l-n-2...u)

import tspy
from tspy.builders.functions import transformers

x = tspy.time_series([1.0, 2.0, 4.0, 7.0, 11.0, 16.0, 22.0, 29.0, 28.0, 30.0, 29.0, 30.0, 30.0])
v = x.transform(transformers.difference())
a = v.transform(transformers.difference())
h = a.map(harsh).filter(lambda h: h != 0)

print(h[5, 10])

def harsh(a):
    threshold_acceleration = 2.0
    threshold_braking = -2.0

    if (a > threshold_acceleration):
        return +1
    elif (a < threshold_braking):
        return -1
    else:
        return 0