reports/report.gj

   1 -----
   2
   3 ## Introduction
   4
   5 J'ai fait quelques essais dans différentes configurations pour la méthode "Neighbors"
   6 (la seule dont on a parlé).<br>Il semble que le mieux soit
   7
   8  * simtype="exo" ou "mix" : similarités exogènes avec/sans endogènes (fenêtre optimisée par VC)
   9  * same_season=FALSE : les indices pour la validation croisée ne tiennent pas compte des saisons
  10  * mix_strategy="mult" : on multiplie les poids (au lieu d'en éteindre)
  11
  12 J'ai systématiquement comparé à une approche naïve : la moyennes des lendemains des jours
  13 "similaires" dans tout le passé ; à chaque fois sans prédiction du saut (sauf pour Neighbors :
  14 prédiction basée sur les poids calculés).
  15
  16 Ensuite j'affiche les erreurs, quelques courbes prévues/mesurées, quelques filaments puis les
  17 histogrammes de quelques poids. Concernant les graphes de filaments, la moitié gauche du graphe
  18 correspond aux jours similaires au jour courant, tandis que la moitié droite affiche les
  19 lendemains : ce sont donc les voisinages tels qu'utilisés dans l'algorithme.
  20
  21 <%
  22 list_titles = ['Pollution par chauffage', 'Pollution par épandage', 'Semaine non polluée']
  23 list_indices = ['indices_ch', 'indices_ep', 'indices_np']
  24 %>
  25
  26 -----r
  27
  28 library(talweg)
  29
  30 ts_data = read.csv(system.file("extdata","pm10_mesures_H_loc_report.csv",package="talweg"))
  31 exo_data = read.csv(system.file("extdata","meteo_extra_noNAs.csv",package="talweg"))
  32 data = getData(ts_data, exo_data, input_tz = "Europe/Paris", working_tz="Europe/Paris", predict_at=13)
  33
  34 indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days")
  35 indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days")
  36 indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days")
  37
  38 % for loop in range(3):
  39
  40 -----
  41
  42 <h2 style="color:blue;font-size:2em">${list_titles[loop]}</h2>
  43
  44 -----r
  45 p_nn_exo = computeForecast(data, ${list_indices[loop]}, "Neighbors", "Neighbors", simtype="exo", horizon=H)
  46 p_nn_mix = computeForecast(data, ${list_indices[loop]}, "Neighbors", "Neighbors", simtype="mix", horizon=H)
  47 p_az = computeForecast(data, ${list_indices[loop]}, "Average", "Zero", horizon=H) #, memory=183)
  48 p_pz = computeForecast(data, ${list_indices[loop]}, "Persistence", "Zero", horizon=H, same_day=TRUE)
  49
  50 -----r
  51 e_nn_exo = computeError(data, p_nn_exo)
  52 e_nn_mix = computeError(data, p_nn_mix)
  53 e_az = computeError(data, p_az)
  54 e_pz = computeError(data, p_pz)
  55 options(repr.plot.width=9, repr.plot.height=7)
  56 plotError(list(e_nn_mix, e_pz, e_az, e_nn_exo), cols=c(1,2,colors()[258], 4))
  57
  58 #Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence
  59
  60 i_np = which.min(e_nn_exo$abs$indices)
  61 i_p = which.max(e_nn_exo$abs$indices)
  62
  63 -----r
  64 options(repr.plot.width=9, repr.plot.height=4)
  65 par(mfrow=c(1,2))
  66
  67 plotPredReal(data, p_nn_exo, i_np); title(paste("PredReal nn exo day",i_np))
  68 plotPredReal(data, p_nn_exo, i_p); title(paste("PredReal nn exo day",i_p))
  69
  70 plotPredReal(data, p_nn_mix, i_np); title(paste("PredReal nn mix day",i_np))
  71 plotPredReal(data, p_nn_mix, i_p); title(paste("PredReal nn mix day",i_p))
  72
  73 plotPredReal(data, p_az, i_np); title(paste("PredReal az day",i_np))
  74 plotPredReal(data, p_az, i_p); title(paste("PredReal az day",i_p))
  75
  76 #Bleu: prévue, noir: réalisée
  77
  78 -----r
  79 par(mfrow=c(1,2))
  80 f_np_exo = computeFilaments(data, p_nn_exo, i_np, plot=TRUE); title(paste("Filaments nn exo day",i_np))
  81 f_p_exo = computeFilaments(data, p_nn_exo, i_p, plot=TRUE); title(paste("Filaments nn exo day",i_p))
  82
  83 f_np_mix = computeFilaments(data, p_nn_mix, i_np, plot=TRUE); title(paste("Filaments nn mix day",i_np))
  84 f_p_mix = computeFilaments(data, p_nn_mix, i_p, plot=TRUE); title(paste("Filaments nn mix day",i_p))
  85
  86 -----r
  87 par(mfrow=c(1,2))
  88 plotFilamentsBox(data, f_np_exo); title(paste("FilBox nn exo day",i_np))
  89 plotFilamentsBox(data, f_p_exo); title(paste("FilBox nn exo day",i_p))
  90
  91 plotFilamentsBox(data, f_np_mix); title(paste("FilBox nn mix day",i_np))
  92 plotFilamentsBox(data, f_p_mix); title(paste("FilBox nn mix day",i_p))
  93
  94 -----r
  95 par(mfrow=c(1,2))
  96 plotRelVar(data, f_np_exo); title(paste("StdDev nn exo day",i_np))
  97 plotRelVar(data, f_p_exo); title(paste("StdDev nn exo day",i_p))
  98
  99 plotRelVar(data, f_np_mix); title(paste("StdDev nn mix day",i_np))
 100 plotRelVar(data, f_p_mix); title(paste("StdDev nn mix day",i_p))
 101
 102 #Variabilité globale en rouge ; sur les 60 voisins (+ lendemains) en noir
 103
 104 -----r
 105 par(mfrow=c(1,2))
 106 plotSimils(p_nn_exo, i_np); title(paste("Weights nn exo day",i_np))
 107 plotSimils(p_nn_exo, i_p); title(paste("Weights nn exo day",i_p))
 108
 109 plotSimils(p_nn_mix, i_np); title(paste("Weights nn mix day",i_np))
 110 plotSimils(p_nn_mix, i_p); title(paste("Weights nn mix day",i_p)
 111
 112 #- pollué à gauche, + pollué à droite
 113
 114 -----r
 115 #Fenêtres sélectionnées dans ]0,10] / endo à gauche, exo à droite
 116 p_nn_exo$getParams(i_np)$window
 117 p_nn_exo$getParams(i_p)$window
 118
 119 p_nn_mix$getParams(i_np)$window
 120 p_nn_mix$getParams(i_p)$window
 121
 122 % endfor
 123
 124 -----
 125 ## Bilan
 126
 127 Problème difficile : on ne fait guère mieux qu'une naïve moyenne des lendemains des jours
 128 similaires dans le passé, ce qui n'est pas loin de prédire une série constante égale à la
 129 dernière valeur observée (méthode "zéro"). La persistence donne parfois de bons résultats
 130 mais est trop instable (sensibilité à l'argument <code>same_day</code>).
 131
 132 Comment améliorer la méthode ?