//
// Метод экспоненциального сглаживания и прогнозирования:
// демпинг мультипликативный тренд, без сезонности
//
#include "StdAfx.h"
#include <iostream>
#include <math.h>
#include "DMTrendNoSeasonality.h"
#include "Param.h"

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

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

// инициализация модели, задание первоначальных значений
void DMTrendNoSeasonality::init() {
	S.clear();
	T.clear();
	forecast.clear();
	
	T.push_back(x[1] / x[0]);    
	S.push_back(x[0]);
	forecast.push_back(S[0] * pow(T[0], phi));
}

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

// сформировать модель
void DMTrendNoSeasonality::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] * pow(T[t], phi) + alpha * e);				//  уровень
		T.push_back(pow(T[t], phi) + alpha * gamma * e / S[t]);		//  затухающий тренд
		forecast.push_back(S[t+1] * pow(T[t+1], phi));				//  прогноз
	}
}

// сформировать модель
void DMTrendNoSeasonality::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] * pow(T[t], phi) + alpha * e);				//  уровень
		T.push_back(pow(T[t], phi) + alpha * gamma * e / S[t]);		//  затухающий тренд
		forecast.push_back(S[t+1] * pow(T[t+1], phi));				//  прогноз
	}
}


// метод получения прогноза
vector<double> DMTrendNoSeasonality::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 DMTrendNoSeasonality::calcEstimation(Aic *aic) {
	return aic->getValue(3, this->xEstimation, this->forecast);
}


// метод получения оптимизированного значения одного параметра
// TODO: реализовать
Param* DMTrendNoSeasonality::optimize(Estimation *est) {
	Param *optimal = new Param();
	double minSmape = 99999;
	for (double al = 0.1; al < 1; al+= 0.05) {
		for (double gam = 0.1; gam < 1; gam+= 0.05) {
			for (double ph = 0.1; ph < 1; ph+= 0.05) {
				this->setParam("alpha", al);
				this->setParam("gamma", gam);
				this->setParam("phi", ph);
				this->createModelForEstimation();
				double smapeValue = est->getValue(getXEstimation(), getForecast());
				if (minSmape > smapeValue) {
					minSmape = smapeValue;
					optimal->alpha = al;
					optimal->gamma = gam;
					optimal->phi = phi;
				}
			}
		}
	}
	return optimal;
}