X-Git-Url: https://git.auder.net/?a=blobdiff_plain;f=Etude_En_Cours_R_E_bis.R;h=457cf79300984b6193a8a735d82c926e2a9f8d59;hb=dca259e4e9c0235cb113b329c27157ac59d7242b;hp=69b1da0cc86459aa529f36993d2b464ceb4a6c47;hpb=d2ab47a744d8fb29c03a76a7ca2368dae53f9a57;p=talweg.git diff --git a/Etude_En_Cours_R_E_bis.R b/Etude_En_Cours_R_E_bis.R index 69b1da0..457cf79 100644 --- a/Etude_En_Cours_R_E_bis.R +++ b/Etude_En_Cours_R_E_bis.R @@ -1,36 +1,46 @@ -setwd("/Users/bp/Desktop/CONTRATS_AirNormand/2016/RapportFinalBruno") -rm(list=ls()) - -# Lecture des données -pm = read.table("DATA/mesures_horaires_hloc_pm10_a_filer.csv",sep=";",dec=".",header=T) #,row.names=1) -n = dim(pm)[1] -datedebut = "10/12/2008" - -# Chargement des données météo et indicateurs -VarExp <- read.table("DATA/meteo_extra_jourMois.csv",sep=";",dec=".",header=T) +predi <- function(ij) +{ +#setwd("/Users/bp/Desktop/CONTRATS_AirNormand/2016/RapportFinalBruno") +#rm(list=ls()) + +# Lecture des données: pm = dataframe 2 colonnes, date-time puis PM10 horaire +pm = read.table("DATA/mesures_horaires_hloc_pm10_a_filer.csv",sep=",",dec=".",header=T) +#n = dim(pm)[1] +#datedebut = "10/12/2008" + +# Chargement des données météo et indicateurs: VarExp matrice des données météo, +# première colonne = date, première rangée = second jour +VarExp <- read.table("DATA/meteo_extra_jourMois.csv",sep=",",dec=".",header=T) VarExp <- VarExp[-1,] -# Lecture des dates -dates = read.table("DATA/Dates_jours.csv",header=F,as.is=T) -dates = dates[,1] +# Lecture des dates: ??? sans doute liste des jours de 10/12/2008 à 06/2016... +#dates = read.table("DATA/Dates_jours.csv",header=F,as.is=T) +dates = VarExp[,1] #dates[,1] -# Contruction des matrices de données +# Contruction des matrices de données: pm.h = matrice des séries en ligne pm.h <- matrix(pm[,2],ncol=24,byrow=TRUE) - Nlignes = nrow(pm.h) + +# Data = matrice des couples de jours (séries de 48 PM10), +# première ligne = jour 1,2, dernière = jour N-1,N Data = cbind(pm.h[1:(Nlignes -1), ], pm.h[2:Nlignes, ]) + +# dates2 = dates du 2eme jour au dernier dates2 = dates[2:Nlignes] + rownames(Data) = dates2 # df contient l'ensemble des données. #df <- cbind(Data,varexp[,-1]) df <- Data + +# Complétion des variables exogènes (du 2eme jour) par les PM10 moyen ce même jour PMjour <- apply(df[,25:48],1,mean,na.rm=T) dfexp <- cbind(VarExp,PMjour) -Dates = c( -"16/03/2015", -"19/01/2015", -"27/04/2015") +Dates = c( #Month/Day/Year, as in meteo file +"3/16/2015", +"1/19/2015", +"4/27/2015") Categorie = c("Epandage", "Chauffage", "Non Polluée") @@ -40,97 +50,119 @@ ResDates = NULL nbvois=10 j=1 # numéro de semaine -ij=6 # numéro du jour (0 = lundi) +#ij=6 # numéro du jour (0 = lundi) Err24 = NULL ErrPrev = NULL Kvois = NULL -for (Hc in 5:24) { - -H=24+Hc -fen=H -#fen=12 ou 24 ou H -L = (H-fen+1):H - -# Premier conditionnement : mois -indcond <- dfexp[,"Mois"] == 2 | dfexp[,"Mois"] == 3 | dfexp[,"Mois"] == 4 | dfexp[,"Mois"] == 9 | dfexp[,"Mois"] == 10 -data = df[indcond,] -varexp = dfexp[indcond,] - -nl = (1:nrow(data))[rownames(data)==Dates[j]] -dateJPrev = rownames(data)[nl+ij] -dataj = as.numeric(data[nl+ij, 1:48]) -data = data[-(nl + ij), ] -varexp = varexp[-(nl + ij), ] -indNA = attr(na.omit(data[, 1:48]),"na.action") -data = data[-indNA,] -varexp = varexp[-indNA,] - -# Conditionnement : les jours avec PMjour +/- large -large = 1 -bornes = mean(dataj[25:48])+c(-large,large) -indcond = varexp[,"PMjour"]>=bornes[1] & varexp[,"PMjour"]<=bornes[2] -data = data[indcond,] -varexp = varexp[indcond,] - -D = rep(0,nrow(data)) -for (k in 1:nrow(data)) { - #D[k] = sqrt(sum((1:H)*(dataj[L] -data[k,L])^2)) - D[k] = sqrt(sum((dataj[L] -data[k,L])^2)) -} -ind = order(D)[1:nbvois] -w = 1/(D[ind]^2) -w = w/sum(w) -W = w%o%rep(1,48) -JourMoy = apply(data[ind, 1:48], 2, mean) -#JourMoy = apply(W*data[ind, 1:48], 2, sum) -NomFile = paste("Voisins_Epandage_PMjour_Hc_",Hc,".png",sep="") -Titre = paste("Jour à prévoir : ",dateJPrev," - ", length(ind)," voisins",sep="") -#erreur = sqrt(sum((dataj[25:48] - JourMoy[25:48])^2)) -if(Hc==24){erreurPrev=NA}else{erreurPrev = mean(abs(dataj[(H+1):48] - JourMoy[(H+1):48]))} -erreur24 = mean(abs(dataj[25:48] - JourMoy[25:48])) -png(NomFile) -matplot(t(data[ind, 1:48]), type = "l", lwd=1.4, lty=1, col=1:length(ind), - cex.axis=1.4, cex.main = 1.7, cex.lab=1.5, - xlab="Heures locales", ylab=paste0("PM10 - Erreurs = ",round(erreur24,1)," / ",round(erreurPrev,1)), main=Titre) -legend("top",rownames(data)[ind],ncol=2,lwd=1.4, lty=1, col=1:length(ind)) -lines(1:48, dataj, lwd=2.5) -lines(JourMoy, lty = 2, lwd=2) -abline(v=c(24.5,H+0.5), lty = 2, lwd=1.2) -xx=dev.off() - - - - Err24 = c(Err24, erreur24) - ErrPrev = c(ErrPrev, erreurPrev) -ResDates = cbind(ResDates, rownames(data)[ind]) +#for (Hc in 5:24) +#{ + Hc = 7 #predict at 7:00, from 8:00 + H=24+Hc #Hc: dernier PM10 connu avant prédiction des 24-Hc restants, le jour 2 + L = 1:H + + # Premier conditionnement : mois + indcond <- dfexp[,"Mois"] == 2 | dfexp[,"Mois"] == 3 | dfexp[,"Mois"] == 4 | dfexp[,"Mois"] == 9 | dfexp[,"Mois"] == 10 + data = df[indcond,] #restriction aux couples dont le mois du 2eme jour est 2,3,4,9 ou 10 + varexp = dfexp[indcond,] #de même sur les exogènes (+ PM10 moyens) + + nl = (1:nrow(data))[rownames(data)==Dates[j]] #numéro de ligne où 2eme jour == 16/03/2015 + dateJPrev = rownames(data)[nl+ij] # translation : date du jour à prévoir (2eme colonne) + dataj = as.numeric(data[nl+ij, 1:48]) #extraction de cette série dans dataj + data = data[-(nl + ij), ] #suppression de cette série dans data + varexp = varexp[-(nl + ij), ] #idem dans les variables exogènes + indNA = attr(na.omit(data[, 1:48]),"na.action") +# print(indNA) + data = data[-indNA,] #remove all pairs of days with NAs + varexp = varexp[-indNA,] #and remove corresponding exogenous variables + + # Second conditionnement : les jours avec PMjour +/- large + large = 1 + bornes = mean(dataj[25:48]) + c(-large,large) + indcond = varexp[,"PMjour"]>=bornes[1] & varexp[,"PMjour"]<=bornes[2] + if (sum(indcond) < 10) + { + large = 2 + bornes = mean(dataj[25:48]) + c(-large,large) + indcond = varexp[,"PMjour"]>=bornes[1] & varexp[,"PMjour"]<=bornes[2] + } + while (sum(indcond) < 10) + { + large = large + 3 + bornes = mean(dataj[25:48]) + c(-large,large) + indcond = varexp[,"PMjour"]>=bornes[1] & varexp[,"PMjour"]<=bornes[2] + } + data = data[indcond,] #pollution du 2eme jour == pollution du jour courant +/- 1 + varexp = varexp[indcond,] + + D = rep(0,nrow(data)) + for (k in 1:nrow(data)) + { + #D[k] = sqrt(sum((1:H)*(dataj[L] - data[k,L])^2)) + D[k] = sqrt(sum((dataj[L] - data[k,L])^2)) + } + ind = order(D)[1:nbvois] +# w = 1/(D[ind]^2) +# w = w/sum(w) +# W = w %o% rep(1,48) + JourMoy = apply(data[ind, 1:48], 2, mean) + #JourMoy = apply(W*data[ind, 1:48], 2, sum) + NomFile = paste("Voisins_Epandage_PMjour_Hc_",Hc,".png",sep="") + Titre = paste("Jour à prévoir : ",dateJPrev," - ", length(ind)," voisins",sep="") + #erreur = sqrt(sum((dataj[25:48] - JourMoy[25:48])^2)) + if(Hc==24) { + erreurPrev = NA + } else { + erreurPrev = mean(abs(dataj[(H+1):48] - JourMoy[(H+1):48])) + } + + list(serie=dataj, prev=JourMoy, err=erreurPrev, line=(nl+ij), neighbs=ind, dates=data[ind,1]) +# erreur24 = mean(abs(dataj[25:48] - JourMoy[25:48])) +# #png(NomFile) +# matplot(t(data[ind, 1:48]), type = "l", lwd=1.4, lty=1, col=1:length(ind), +# cex.axis=1.4, cex.main = 1.7, cex.lab=1.5, +# xlab="Heures locales", ylab=paste0("PM10 - Erreurs = ",round(erreur24,1), +# " / ",round(erreurPrev,1)), main=Titre) +# legend("top",rownames(data)[ind],ncol=2,lwd=1.4, lty=1, col=1:length(ind)) +# lines(1:48, dataj, lwd=2.5) +# lines(JourMoy, lty = 2, lwd=2) +# abline(v=c(24.5,H+0.5), lty = 2, lwd=1.2) +# #xx=dev.off() +# +# Err24 = c(Err24, erreur24) +# ErrPrev = c(ErrPrev, erreurPrev) +# ResDates = cbind(ResDates, rownames(data)[ind]) +#} + +#rownames(ResDates) = 1:10 +# +#Kvois = NULL +#for (Col in ncol(ResDates):1) +#{ +# K = 0 +# for (I in 1:10) +# { +# for (J in 1:10) +# { +# if (ResDates[I,1] == ResDates[J,Col]) +# K = K +1 +# } +# } +# Kvois = c(Kvois, K) +#} +# +## pdf("Erreur_Epandage_PMjour.pdf") +#ymin = min(na.omit(ErrPrev), Err24) +#ymin = min(ymin, Kvois) +#ymax = max(na.omit(ErrPrev), Err24) +#ymax = max(ymax, Kvois) +#plot(5:24,Err24, type = "l", lwd = 2, cex.axis=1.4, cex.lab = 1.5, +# ylab = "MAE",xlab = "Heures de prévision", ylim= c(ymin,ymax)) +#lines(5:24,ErrPrev, lwd=2, lty = 2) +#legend("topright", legend=c("Erreur 24h", "Erreur prévision"), lty = c(1,2), lwd=2, cex=1.5) +#points(5:24, Kvois, cex=1.8, pch = 19) +## xx = dev.off() +# +##length(D) } - - -rownames(ResDates) = 1:10 - -Kvois = NULL -for (Col in ncol(ResDates):1) { -K = 0 -for (I in 1:10){ - for (J in 1:10){ - if (ResDates[I,1] == ResDates[J,Col]) K = K +1 - } -} -Kvois = c(Kvois, K) -} - -# pdf("Erreur_Epandage_PMjour.pdf") -ymin = min(na.omit(ErrPrev), Err24) -ymin = min(ymin, Kvois) -ymax = max(na.omit(ErrPrev), Err24) -ymax = max(ymax, Kvois) -plot(5:24,Err24, type = "l", lwd = 2, cex.axis=1.4, cex.lab = 1.5, - ylab = "MAE",xlab = "Heures de prévision", ylim= c(ymin,ymax)) -lines(5:24,ErrPrev, lwd=2, lty = 2) -legend("topright", legend=c("Erreur 24h", "Erreur prévision"), lty = c(1,2), lwd=2, cex=1.5) -points(5:24, Kvois, cex=1.8, pch = 19) -# xx = dev.off() - -length(D)