//
// Метод экспоненциального сглаживания и прогнозирования:
// аддитивный тренд, без сезонности
//
#include "StdAfx.h"
#include <iostream>
#include "AddTrendNoSeasonality.h"
#include "Aic.h"
#include "Param.h"

// конструктор с заданными непосредственно параметрами
AddTrendNoSeasonality::AddTrendNoSeasonality(vector<double> timeSeries, int countPointForecast) {
	this->x = timeSeries;
	this->countPointForecast = countPointForecast;
	this->partition();
	this->alpha = 0;
	this->gamma = 0;
}

AddTrendNoSeasonality::~AddTrendNoSeasonality() {
	// освобождается память
    std::vector<double> ().swap(S);
    std::vector<double> ().swap(x);
	std::vector<double> ().swap(T);
	std::vector<double> ().swap(forecast);
}

// Задать параметр 
void AddTrendNoSeasonality::setParam(string paramName, double value) {
	if (paramName.compare("alpha") == 0) {
		this->alpha = value;
	} else if (paramName.compare("gamma") == 0) {
		this->gamma = value;
	}
}


// инициализация модели, задание первоначальных значений
void AddTrendNoSeasonality::init() {
	S.clear();
	T.clear();
	forecast.clear();
	
	T.push_back(x[1] - x[0]);    
	S.push_back(x[0]);
	forecast.push_back(S[0] + T[0]);
}

// сформировать модель
void AddTrendNoSeasonality::createModel() {
	this->init(); // инициализировать модель
	double e = 0;

	//выполняется проход модели по сглаживанию и прогнозированию countPointForecast точек
	for (unsigned int t = 0; t <x.size()-1 + this->countPointForecast; t++) {
		// пока не дошли до конца ряда - сглаживаем, иначе строим прогноз
		if (t < x.size()) {
			e = x[t]-forecast[t];
		} else {
			e = 0;
		}
		
		S.push_back(S[t] + T[t] + alpha * e);		// уровень
		T.push_back(T[t] + alpha * gamma * e);		// тренд
		forecast.push_back(S[t+1] + T[t+1]);		// прогноз
	}
}


// сформировать модель
void AddTrendNoSeasonality::createModelForEstimation() {
	this->init(); // инициализировать модель
	double e = 0;

	//выполняется проход модели по сглаживанию и прогнозированию countPointForecast точек
	for (unsigned int t = 0; t < xLearning.size()-1 + this->countPointForecast; t++) {
		// пока не дошли до конца ряда - сглаживаем, иначе строим прогноз
		if (t < xLearning.size()) {
			e = xLearning[t]-forecast[t];
		} else {
			e = 0;
		}
		
		S.push_back(S[t] + T[t] + alpha * e);		// уровень
		T.push_back(T[t] + alpha * gamma * e);		// тренд
		forecast.push_back(S[t+1] + T[t+1]);		// прогноз
	}
}


// метод получения прогноза
vector<double> AddTrendNoSeasonality::getForecast() {
	vector<double> result;
	for (unsigned int i = forecast.size() - countPointForecast; i < forecast.size(); i++) {
		result.push_back(forecast[i]);
	}
	return result;
}

// метод получения оценки модели
double AddTrendNoSeasonality::calcEstimation(Aic *aic) {
	return aic->getValue(3, this->xEstimation, this->forecast);
}


// метод получения оптимизированного значения одного параметра
// TODO: реализовать
Param* AddTrendNoSeasonality::optimize(Estimation *est) {
	Param *optimal = new Param();
	double minSmape = 99999;
	for (double al = 0.1; al < 1; al+= 0.01) {
		for (double gam = 0.1; gam < 1; gam+= 0.01) {
			this->setParam("alpha", al);
			this->setParam("gamma", gam);
			this->createModelForEstimation();
			double smapeValue = est->getValue(getXEstimation(), getForecast());
			if (minSmape > smapeValue) {
				minSmape = smapeValue;
				optimal->alpha = al;
				optimal->gamma = gam;
			}
		}
	}
	return optimal;
}