Etude_En_Cours_R_E_bis.R

   1 #setwd("/Users/bp/Desktop/CONTRATS_AirNormand/2016/RapportFinalBruno")
   2 rm(list=ls())
   3
   4 # Lecture des données: pm = dataframe 2 colonnes, date-time puis PM10 horaire
   5 pm  =  read.table("DATA/mesures_horaires_hloc_pm10_a_filer.csv",sep=",",dec=".",header=T)
   6 #n = dim(pm)[1]
   7 #datedebut = "10/12/2008"
   8
   9 # Chargement des données météo et indicateurs: VarExp matrice des données météo,
  10 # première colonne = date, première rangée = second jour
  11 VarExp <- read.table("DATA/meteo_extra_jourMois.csv",sep=",",dec=".",header=T)
  12 VarExp <- VarExp[-1,]
  13
  14 # Lecture des dates: ??? sans doute liste des jours de 10/12/2008 à 06/2016...
  15 #dates = read.table("DATA/Dates_jours.csv",header=F,as.is=T)
  16 dates = VarExp[,1] #dates[,1]
  17
  18 # Contruction des matrices de données: pm.h = matrice des séries en ligne
  19 pm.h   <- matrix(pm[,2],ncol=24,byrow=TRUE)
  20 Nlignes = nrow(pm.h)
  21
  22 # Data = matrice des couples de jours (séries de 48 PM10),
  23 # première ligne = jour 1,2, dernière = jour N-1,N
  24 Data = cbind(pm.h[1:(Nlignes -1), ], pm.h[2:Nlignes, ])
  25
  26 # dates2 = dates du 2eme jour au dernier
  27 dates2 = dates[2:Nlignes]
  28
  29 rownames(Data) = dates2
  30 # df contient l'ensemble des données.
  31 #df <- cbind(Data,varexp[,-1])
  32 df <- Data
  33
  34 # Complétion des variables exogènes (du 2eme jour) par les PM10 moyen ce même jour
  35 PMjour <- apply(df[,25:48],1,mean,na.rm=T)
  36 dfexp <- cbind(VarExp,PMjour)
  37
  38 Dates = c( #Month/Day/Year, as in meteo file
  39 "3/16/2015",
  40 "1/19/2015",
  41 "4/27/2015")
  42
  43 Categorie = c("Epandage", "Chauffage", "Non Polluée")
  44
  45 RepFig = "FIGURES_Etude"
  46
  47 ResDates = NULL
  48
  49 nbvois=10
  50 j=1 # numéro de semaine
  51 ij=6 # numéro du jour (0 = lundi)
  52
  53 Err24 = NULL
  54 ErrPrev = NULL
  55 Kvois = NULL
  56
  57 #for (Hc in 5:24)
  58 #{
  59     Hc = 7 #predict at 7:00, from 8:00
  60     H=24+Hc #Hc: dernier PM10 connu avant prédiction des 24-Hc restants, le jour 2
  61     L = 1:H
  62
  63     # Premier conditionnement : mois
  64     indcond <- dfexp[,"Mois"] == 2 | dfexp[,"Mois"] == 3 | dfexp[,"Mois"] == 4 | dfexp[,"Mois"] == 9 | dfexp[,"Mois"] == 10
  65     data = df[indcond,] #restriction aux couples dont le mois du 2eme jour est 2,3,4,9 ou 10
  66     varexp = dfexp[indcond,] #de même sur les exogènes (+ PM10 moyens)
  67
  68     nl = (1:nrow(data))[rownames(data)==Dates[j]] #numéro de ligne où 2eme jour == 16/03/2015
  69     dateJPrev = rownames(data)[nl+ij] # translation : date du jour à prévoir (2eme colonne)
  70     dataj = as.numeric(data[nl+ij, 1:48]) #extraction de cette série dans dataj
  71     data = data[-(nl + ij), ] #suppression de cette série dans data
  72     varexp = varexp[-(nl + ij), ] #idem dans les variables exogènes
  73     indNA = attr(na.omit(data[, 1:48]),"na.action")
  74 #   print(indNA)
  75     data = data[-indNA,] #remove all pairs of days with NAs
  76     varexp = varexp[-indNA,] #and remove corresponding exogenous variables
  77
  78     # Second conditionnement : les jours avec PMjour +/- large
  79     large = 1
  80     bornes = mean(dataj[25:48]) + c(-large,large)
  81     indcond = varexp[,"PMjour"]>=bornes[1] & varexp[,"PMjour"]<=bornes[2]
  82     data = data[indcond,] #pollution du 2eme jour == pollution du jour courant +/- 1
  83     varexp = varexp[indcond,]
  84
  85     D = rep(0,nrow(data))
  86     for (k in 1:nrow(data))
  87     {
  88         #D[k] = sqrt(sum((1:H)*(dataj[L] - data[k,L])^2))
  89         D[k] = sqrt(sum((dataj[L] - data[k,L])^2))
  90     }
  91     ind = order(D)[1:nbvois]
  92 #   w = 1/(D[ind]^2)
  93 #   w = w/sum(w)
  94 #   W = w %o% rep(1,48)
  95     JourMoy = apply(data[ind, 1:48], 2, mean)
  96     #JourMoy = apply(W*data[ind, 1:48], 2, sum)
  97     NomFile = paste("Voisins_Epandage_PMjour_Hc_",Hc,".png",sep="")
  98     Titre = paste("Jour à prévoir : ",dateJPrev," - ", length(ind)," voisins",sep="")
  99     #erreur = sqrt(sum((dataj[25:48] - JourMoy[25:48])^2))
 100     if(Hc==24) {
 101         erreurPrev = NA
 102     } else {
 103         erreurPrev = mean(abs(dataj[(H+1):48] - JourMoy[(H+1):48]))
 104     }
 105 #   erreur24 = mean(abs(dataj[25:48] - JourMoy[25:48]))
 106 #   #png(NomFile)
 107 #   matplot(t(data[ind, 1:48]), type = "l", lwd=1.4, lty=1, col=1:length(ind),
 108 #       cex.axis=1.4, cex.main = 1.7, cex.lab=1.5,
 109 #       xlab="Heures locales", ylab=paste0("PM10 - Erreurs = ",round(erreur24,1),
 110 #           " / ",round(erreurPrev,1)), main=Titre)
 111 #   legend("top",rownames(data)[ind],ncol=2,lwd=1.4, lty=1, col=1:length(ind))
 112 #   lines(1:48, dataj, lwd=2.5)
 113 #   lines(JourMoy, lty = 2, lwd=2)
 114 #   abline(v=c(24.5,H+0.5), lty = 2, lwd=1.2)
 115 #   #xx=dev.off()
 116 #
 117 #   Err24 = c(Err24, erreur24)
 118 #   ErrPrev = c(ErrPrev, erreurPrev)
 119 #   ResDates = cbind(ResDates, rownames(data)[ind])
 120 #}
 121
 122 #rownames(ResDates) = 1:10
 123 #
 124 #Kvois = NULL
 125 #for (Col in ncol(ResDates):1)
 126 #{
 127 #   K = 0
 128 #   for (I in 1:10)
 129 #   {
 130 #       for (J in 1:10)
 131 #       {
 132 #           if (ResDates[I,1] == ResDates[J,Col])
 133 #               K = K +1
 134 #       }
 135 #   }
 136 #   Kvois = c(Kvois, K)
 137 #}
 138 #
 139 ## pdf("Erreur_Epandage_PMjour.pdf")
 140 #ymin = min(na.omit(ErrPrev), Err24)
 141 #ymin = min(ymin, Kvois)
 142 #ymax = max(na.omit(ErrPrev), Err24)
 143 #ymax = max(ymax, Kvois)
 144 #plot(5:24,Err24, type = "l", lwd = 2, cex.axis=1.4, cex.lab = 1.5,
 145 #  ylab = "MAE",xlab = "Heures de prévision", ylim= c(ymin,ymax))
 146 #lines(5:24,ErrPrev, lwd=2, lty = 2)
 147 #legend("topright", legend=c("Erreur 24h", "Erreur prévision"), lty = c(1,2), lwd=2, cex=1.5)
 148 #points(5:24, Kvois, cex=1.8, pch = 19)
 149 ## xx = dev.off()
 150 #
 151 ##length(D)