all by-col except M in F_Neighbors.R
[talweg.git] / reports / report.gj
CommitLineData
63ff1ecb 1-----
ff5df8e3 2<h2>Introduction</h2>
63ff1ecb
BA
3
4J'ai fait quelques essais dans différentes configurations pour la méthode "Neighbors"
5(la seule dont on a parlé).<br>Il semble que le mieux soit
6
7 * simtype="exo" ou "mix" : similarités exogènes avec/sans endogènes (fenêtre optimisée par VC)
8 * same_season=FALSE : les indices pour la validation croisée ne tiennent pas compte des saisons
9 * mix_strategy="mult" : on multiplie les poids (au lieu d'en éteindre)
10
11J'ai systématiquement comparé à une approche naïve : la moyennes des lendemains des jours
12"similaires" dans tout le passé ; à chaque fois sans prédiction du saut (sauf pour Neighbors :
13prédiction basée sur les poids calculés).
14
15Ensuite j'affiche les erreurs, quelques courbes prévues/mesurées, quelques filaments puis les
16histogrammes de quelques poids. Concernant les graphes de filaments, la moitié gauche du graphe
17correspond aux jours similaires au jour courant, tandis que la moitié droite affiche les
18lendemains : ce sont donc les voisinages tels qu'utilisés dans l'algorithme.
19
20<%
21list_titles = ['Pollution par chauffage', 'Pollution par épandage', 'Semaine non polluée']
22list_indices = ['indices_ch', 'indices_ep', 'indices_np']
23%>
63ff1ecb 24-----r
63ff1ecb
BA
25library(talweg)
26
27ts_data = read.csv(system.file("extdata","pm10_mesures_H_loc_report.csv",package="talweg"))
28exo_data = read.csv(system.file("extdata","meteo_extra_noNAs.csv",package="talweg"))
29data = getData(ts_data, exo_data, input_tz = "Europe/Paris", working_tz="Europe/Paris", predict_at=13)
30
31indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days")
32indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days")
33indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days")
ff5df8e3 34% for i in range(3):
63ff1ecb 35-----
ff5df8e3 36<h2 style="color:blue;font-size:2em">${list_titles[i]}</h2>
63ff1ecb 37-----r
ff5df8e3
BA
38p_nn_exo = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", simtype="exo", horizon=H)
39p_nn_mix = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", simtype="mix", horizon=H)
40p_az = computeForecast(data, ${list_indices[i]}, "Average", "Zero", horizon=H) #, memory=183)
41p_pz = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", horizon=H, same_day=TRUE)
63ff1ecb
BA
42-----r
43e_nn_exo = computeError(data, p_nn_exo)
44e_nn_mix = computeError(data, p_nn_mix)
45e_az = computeError(data, p_az)
46e_pz = computeError(data, p_pz)
47options(repr.plot.width=9, repr.plot.height=7)
48plotError(list(e_nn_mix, e_pz, e_az, e_nn_exo), cols=c(1,2,colors()[258], 4))
49
ff5df8e3 50# Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence
63ff1ecb
BA
51
52i_np = which.min(e_nn_exo$abs$indices)
53i_p = which.max(e_nn_exo$abs$indices)
63ff1ecb
BA
54-----r
55options(repr.plot.width=9, repr.plot.height=4)
56par(mfrow=c(1,2))
57
58plotPredReal(data, p_nn_exo, i_np); title(paste("PredReal nn exo day",i_np))
59plotPredReal(data, p_nn_exo, i_p); title(paste("PredReal nn exo day",i_p))
60
61plotPredReal(data, p_nn_mix, i_np); title(paste("PredReal nn mix day",i_np))
62plotPredReal(data, p_nn_mix, i_p); title(paste("PredReal nn mix day",i_p))
63
64plotPredReal(data, p_az, i_np); title(paste("PredReal az day",i_np))
65plotPredReal(data, p_az, i_p); title(paste("PredReal az day",i_p))
66
ff5df8e3 67# Bleu: prévue, noir: réalisée
63ff1ecb
BA
68-----r
69par(mfrow=c(1,2))
70f_np_exo = computeFilaments(data, p_nn_exo, i_np, plot=TRUE); title(paste("Filaments nn exo day",i_np))
71f_p_exo = computeFilaments(data, p_nn_exo, i_p, plot=TRUE); title(paste("Filaments nn exo day",i_p))
72
73f_np_mix = computeFilaments(data, p_nn_mix, i_np, plot=TRUE); title(paste("Filaments nn mix day",i_np))
74f_p_mix = computeFilaments(data, p_nn_mix, i_p, plot=TRUE); title(paste("Filaments nn mix day",i_p))
63ff1ecb
BA
75-----r
76par(mfrow=c(1,2))
77plotFilamentsBox(data, f_np_exo); title(paste("FilBox nn exo day",i_np))
78plotFilamentsBox(data, f_p_exo); title(paste("FilBox nn exo day",i_p))
79
80plotFilamentsBox(data, f_np_mix); title(paste("FilBox nn mix day",i_np))
81plotFilamentsBox(data, f_p_mix); title(paste("FilBox nn mix day",i_p))
63ff1ecb
BA
82-----r
83par(mfrow=c(1,2))
84plotRelVar(data, f_np_exo); title(paste("StdDev nn exo day",i_np))
85plotRelVar(data, f_p_exo); title(paste("StdDev nn exo day",i_p))
86
87plotRelVar(data, f_np_mix); title(paste("StdDev nn mix day",i_np))
88plotRelVar(data, f_p_mix); title(paste("StdDev nn mix day",i_p))
89
ff5df8e3 90# Variabilité globale en rouge ; sur les 60 voisins (+ lendemains) en noir
63ff1ecb
BA
91-----r
92par(mfrow=c(1,2))
93plotSimils(p_nn_exo, i_np); title(paste("Weights nn exo day",i_np))
94plotSimils(p_nn_exo, i_p); title(paste("Weights nn exo day",i_p))
95
96plotSimils(p_nn_mix, i_np); title(paste("Weights nn mix day",i_np))
97plotSimils(p_nn_mix, i_p); title(paste("Weights nn mix day",i_p)
98
ff5df8e3 99# - pollué à gauche, + pollué à droite
63ff1ecb 100-----r
ff5df8e3 101# Fenêtres sélectionnées dans ]0,10] / endo à gauche, exo à droite
63ff1ecb
BA
102p_nn_exo$getParams(i_np)$window
103p_nn_exo$getParams(i_p)$window
104
105p_nn_mix$getParams(i_np)$window
106p_nn_mix$getParams(i_p)$window
63ff1ecb 107% endfor
63ff1ecb 108-----
ff5df8e3 109<h2>Bilan</h2>
63ff1ecb
BA
110
111Problème difficile : on ne fait guère mieux qu'une naïve moyenne des lendemains des jours
112similaires dans le passé, ce qui n'est pas loin de prédire une série constante égale à la
113dernière valeur observée (méthode "zéro"). La persistence donne parfois de bons résultats
114mais est trop instable (sensibilité à l'argument <code>same_day</code>).
115
116Comment améliorer la méthode ?