add possibility for outpit file, parameterize report.gj
[talweg.git] / reports / OLD / report_2017-02-02.Rnw
CommitLineData
3d69ff21
BA
1\documentclass[a4paper,12pt]{article}
2\usepackage[utf8]{inputenc}
3\usepackage[T1]{fontenc}
4
5\renewcommand*\familydefault{\sfdefault}
6
7\marginparwidth 0pt
8\oddsidemargin 0pt
9\evensidemargin 0pt
10\marginparsep 0pt
11\topmargin 0pt
12\textwidth 16cm
13\textheight 23cm
14\parindent 5mm
15
16\begin{document}
17
18\section{Package R "ppmfun"}
19
20Le package $-$ Predict PM10 with FUNctional methods $-$ contient le code permettant de (re)lancer
21les expériences numériques décrites dans ce document. La fonction principale \emph{predictPM10}
22se divise en trois parties, décrites successivement au cours des trois paragraphes suivants.\\
23
24<<setup, out.width='7cm', out.height='7cm'>>=
25#Chargement de la librairie (après compilation, "R CMD INSTALL ppmfun/")
26library(ppmfun)
27@
28
29Note : sur la base de nos dernières expériences, on considère que
30\begin{itemize}
31 \item on ne touche pas à la fenêtre obtenue par optim() ;}
32 \item on oublie la méthode consistant à prédire forme et niveau de manière complètement
33 déconnectée : il faut relier les deux.
34\end{itemize}
35
36\subsection{Acquisition des données}
37
38Compte-tenu de la nature hétérogène des données utilisées $-$ fonctionnelles pour les PM10,
39vectorielles pour les variables exogènes $-$, celles-ci sont organisées sous forme d'une liste
40\emph{data}, la $i^{eme}$ cellule correspondant aux données disponibles au $i^{eme}$ jour à
41l'heure $H$ de prédiction choisie (1h00, 8h00 ou 14h00) : c'est-à-dire les valeurs des PM10 de
42$H-24h$ à $H-1H$, ainsi que les variables météo prédites pour la période de $1h00$ à $0h$ du
43jour courant (sauf si on prédit à 0h : on prend alors les valeurs mesurées de la veille).\\
44
45Exemple :\\
46<<data>>=
47#Le premier argument indique la zone horaire souhaitée ; "GMT" ou "local"
48#pour l'heure française, ou tout autre fuseau horaire.
49data = getData("local", "7h")
50@
51
52\subsection{Prédiction}
53
54Deux types de prévisions du prochain bloc de $24h$ sont à distinguer :
55\begin{itemize}
56 \item prévision de la forme (centrée) ;
57 \item prévision du saut d'une fin de série au début de la suivante.
58\end{itemize}
59
60\noindent Il faut ainsi préciser à la fois une méthode de prévision de forme ("Persistence" et
61"Neighbors" implémentées), et une méthode de prédiction de saut ("Zero", "Persistence" ou
62"Neighbors"). On détaille surtout la méthode à voisins ci-après.\\
63
64\begin{enumerate}
65 \item \textbf{Préparation des données} : calcul des niveaux sur 24h, fenêtrage si demandé
66 (paramètre "memory").
67 \item \textbf{Optimisation des paramètres d'échelle} : via la fonction \emph{optim()}
68 minimisant la somme des 45 dernières erreurs jounalières L2.
69 \item \textbf{Prédiction finale} : une fois le (ou les, si "simtype" vaut "mix") paramètre
70 d'échelle $h$ déterminé, les similarités sont évaluées sur les variables exogènes et/ou
71 endogènes, sous la forme $s(i,j) = \mbox{exp}\left(-\frac{\mbox{dist}^2(i,j)}{h^2}\right)$.
72 La formule indiquée plus haut dans le rapport est alors appliquée.
73\end{enumerate}
74
75\subsection{Calcul des erreurs}
76
77Pour chacun des instants à prévoir jusqu'à minuit du jour courant, on calcule l'erreur moyenne
78sur tous les instants similaires du passé (sur la plage prédite). Trois
79types d'erreurs sont considérées :
80\begin{itemize}
81 \item l'erreur "abs" égale à la valeur absolue moyenne entre la mesure et la prédiction ;
82 \item l'erreur "MAPE" égale à l'erreur absolue normalisée par la mesure.
83 \item l'erreur "RMSE" égale à la racine carrée de l'erreur quadratique moyenne.
84\end{itemize}
85
86\subsection{Expériences numériques}
87
88%, fig.show='hold'>>=
89<<xp1, out.width='18cm', out.height='6cm'>>=
90p_endo = predictPM10(data, 2200, 2230, 0,0, "Neighbors", "Neighbors", simtype="endo")
91p_exo = predictPM10(data, 2200, 2230, 0,0, "Neighbors", "Neighbors", simtype="exo")
92p_mix = predictPM10(data, 2200, 2230, 0,0, "Neighbors", "Neighbors", simtype="mix")
93p = c(p_endo, p_exo, p_mix)
94yrange_MAPE = range(p_mix$errors$MAPE, p_endo$errors$MAPE, p_exo$errors$MAPE)
95yrange_abs = range(p_mix$errors$abs, p_endo$errors$abs, p_exo$errors$abs)
96yrange_RMSE = range(p_mix$errors$RMSE, p_endo$errors$RMSE, p_exo$errors$RMSE)
97ranges = c(yrange_MAPE,yrange_abs,yrange_RMSE)
98par(mfrow=c(1,3))
99titles = paste("Erreur",c("MAPE","abs","RMSE"))
100for (i in 1:3) #error type (MAPE,abs,RMSE)
101{
102 for (j in 1:3) #model (mix,endo,exo)
103 {
104 plot(p[j]$errors[[i]], type="l", col=j, main=titles[i], xlab="Temps",
105 ylab="Erreur", ylim=ranges[i])
106 par(new=TRUE)
107 }
108}
109
110#Ne tenir compte que des similarités sur les variables exogènes semble
111#conduire à l'erreur la plus faible.
112@
113
114<<xp2, out.width='18cm', out.height='6cm'>>=
115p_nn = predictPM10(data, 2200, 2230, 0, 0, "Neighbors", "Neighbors", sameSeaon=TRUE)
116p_np = predictPM10(data, 2200, 2230, 0, 0, "Neighbors", "Persistence", sameSeaon=TRUE)
117p_nz = predictPM10(data, 2200, 2230, 0, 0, "Neighbors", "Zero", sameSeaon=TRUE)
118p_pp = predictPM10(data, 2200, 2230, 0, 0, "Persistence", "Persistence")
119p_pz = predictPM10(data, 2200, 2230, 0, 0, "Persistence", "Zero")
120p = c(p_nn, p_np, p_nz, p_pp, p_pz)
121yrange_MAPE = range(p_nn$errors$MAPE, p_nz$errors$MAPE, p_np$errors$MAPE, p_pp$errors$MAPE, p_pz$errors$MAPE)
122yrange_abs = range(p_nn$errors$abs, p_nz$errors$abs, p_np$errors$abs, p_pp$errors$abs, p_pz$errors$abs)
123yrange_RMSE = range(p_nn$errors$RMSE, p_nz$errors$RMSE, p_np$errors$RMSE, p_pp$errors$RMSE, p_pz$errors$RMSE)
124ranges = c(yrange_MAPE,yrange_abs,yrange_RMSE)
125par(mfrow=c(1,3))
126for (i in 1:3) #error type (MAPE,abs,RMSE)
127{
128 for (j in 1:5) #model (nn,np,nz,pp,pz)
129 {
130 plot(p[j]$errors[[i]], type="l", col=j, main=titles[i], xlab="Temps",
131 ylab="Erreur", ylim=ranges[i])
132 if (j<5)
133 par(new=TRUE)
134 }
135}
136
137#Meilleurs results: nn et nz (np moins bon)
138@
139
140%%TODO: analyse sur les trois périodes indiquées par Michel ; simtype=="exo" par defaut
14116/03/2015
142p_nn_epandage = predictPM10(data, 2200, 2200, 0, 0, "Neighbors", "Neighbors", sameSeaon=FALSE)
14319/01/2015
144p_nn_chauffage = predictPM10(data, 2200, 2200, 0, 0, "Neighbors", "Neighbors", sameSeaon=FALSE)
14523/02/2015
146p_nn_nonpollue = predictPM10(data, 2200, 2200, 0, 0, "Neighbors", "Neighbors", sameSeaon=FALSE)
147
148\subsection{Suite du travail}
149
150Le type de jour n'est pas pris en compte dans la recherche de voisins ; cela diminuerait
151nettement le nombre de similarités retenues, mais pourrait significativement améliorer les
152prévisions. \textcolor{blue}{OK : on le prend désormais en compte}\\
153
154\noindent Il serait intéressant également de disposer de plusieurs méthodes de prédiction, pour
155par exemple les agréger à l'aide de méthodes similaires à celles du précédent contrat.
156\textcolor{blue}{OK : on commence à en avoir quelques-unes}
157
158\end{document}