Выбор модели прогноза велопроката

Городской велопрокат сравнивает две модели прогноза числа поездок: RouteModel и NeuralModel. Для каждой записи известны район, фактическое число начатых поездок и прогнозы моделей.

Некоторые модели не смогли построить прогноз для отдельной записи. В такой ячейке записано значение -1. Такая запись не учитывается при вычислении ошибки именно этой модели.

В конце входа указан запрос: список районов, для которых требуется выбрать более точную модель. Для каждой модели рассматриваются все записи из районов запроса, где у этой модели есть прогноз. Точность измеряется метрикой RMSE:

RMSE = sqrt(((y1 - p1)^2 + (y2 - p2)^2 + ... + (ym - pm)^2) / m),

где yi — фактическое число поездок, pi — прогноз модели, а m — число записей с прогнозом этой модели среди районов запроса. Требуется вывести имя модели с меньшим RMSE.

Промежуточные значения и RMSE не округляются: в ответ выводится только точное имя выбранной модели. Если RMSE моделей равны, следует вывести лексикографически меньшее имя модели.

Формат ввода

В первой строке дано целое число n — число записей велопроката.

В следующих n строках записаны четыре целых числа: district actual route neural, где district — номер района, actual — фактическое число поездок, route — прогноз RouteModel или -1, neural — прогноз NeuralModel или -1.

В следующей строке дано целое число q — число районов в запросе.

В последней строке записаны q различных целых чисел — номера районов запроса.

Формат вывода

Выведите одно имя: RouteModel или NeuralModel.

Ограничения

1 <= n <= 2000.

1 <= district <= 50.

0 <= actual <= 10000.

Каждое из значений route и neural равно -1 либо является целым числом от 0 до 10000.

1 <= q <= 50.

Все номера районов в запросе различны и находятся в диапазоне от 1 до 50.

Каждый район из запроса встречается хотя бы в одной из n записей.

Для каждой из двух моделей среди записей районов запроса имеется хотя бы один прогноз, отличный от -1.

Длина любого выводимого имени модели не превышает 11 символов.