after merg

[talweg.git] / reports / Experiments.gj

diff --git a/reports/Experiments.gj b/reports/Experiments.gj
index aef72e6..a13b40e 100644 (file)
--- a/reports/Experiments.gj
+++ b/reports/Experiments.gj
@@ -1,6 +1,7 @@
 -----
 # Résultats numériques
 
+% if P == 8:
 Cette partie montre les résultats obtenus avec des variantes de l'algorithme décrit à la
 section 4, en utilisant le package présenté au chapitre précédent. Cet algorithme est
 systématiquement comparé à deux approches naïves :
@@ -28,6 +29,7 @@ difficulté du problème viennent compléter ces premières courbes. Concernant
 de filaments, la moitié droite du graphe correspond aux jours similaires au jour courant,
 tandis que la moitié gauche affiche les jours précédents : ce sont donc les voisinages
 tels qu'utilisés dans l'algorithme.
+% endif
 <%
 list_titles = ['Pollution par chauffage','Pollution par épandage','Semaine non polluée']
 list_indices = ['indices_ch', 'indices_ep', 'indices_np']
@@ -42,8 +44,6 @@ ts_data = read.csv(system.file("extdata","pm10_mesures_H_loc_report.csv",
        package="talweg"))
 exo_data = read.csv(system.file("extdata","meteo_extra_noNAs.csv",
        package="talweg"))
-# NOTE: 'GMT' because DST gaps are filled and multiple values merged in
-# above dataset. Prediction from P+1 to P+H included.
 data = getData(ts_data, exo_data)
 
 indices_ch = seq(as.Date("2015-01-19"),as.Date("2015-01-25"),"days")
@@ -54,14 +54,14 @@ indices_np = seq(as.Date("2015-04-27"),as.Date("2015-05-03"),"days")
 ##<h2 style="color:blue;font-size:2em">${list_titles[i]}</h2>
 ${"##"} ${list_titles[i]}
 -----r
-p1_7 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", predict_from=P,
-       horizon=H, simtype="mix", local=FALSE)
-p2 = computeForecast(data, ${list_indices[i]}, "Neighbors", NULL, predict_from=P,
-       horizon=H, simtype="none", local=TRUE)
-p3 = computeForecast(data, ${list_indices[i]}, "Average", "Zero", predict_from=P,
-       horizon=H)
-p4 = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", predict_from=P,
-       horizon=H, same_day=${'TRUE' if loop.index < 2 else 'FALSE'})
+p1 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors",
+       predict_from=P, horizon=H, simtype="mix", local=FALSE)
+p2 = computeForecast(data, ${list_indices[i]}, "Neighbors", NULL,
+       predict_from=P, horizon=H, simtype="none", local=TRUE)
+p3 = computeForecast(data, ${list_indices[i]}, "Average", "Zero",
+       predict_from=P, horizon=H)
+p4 = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero",
+       predict_from=P, horizon=H, same_day=${'TRUE' if loop.index < 2 else 'FALSE'})
 -----r
 e1 = computeError(data, p1, P, H)
 e2 = computeError(data, p2, P, H)
@@ -76,6 +76,7 @@ plotError(list(e1, e4, e3, e2), cols=c(1,2,colors()[258],4))
 sum_p23 = e2$abs$indices + e3$abs$indices
 i_np = which.min(sum_p23) #indice de jour "facile"
 i_p = which.max(sum_p23) #indice de jour "difficile"
+% if P == 8:
 -----
 % if i == 0:
 L'erreur absolue $-$ en haut à droite $-$ reste modérée pour les meilleurs modèles
@@ -96,6 +97,7 @@ journalière d'erreur absolue moyenne (en haut à gauche) $-$ sauf pour la mé
 voisins "locale" ; ceci peut être dû au fait que l'on ajuste le niveau du jour à prédire
 en le recollant sur la dernière valeur observée (sauf pour "Neighbors local").
 % endif
+% endif
 -----r
 options(repr.plot.width=9, repr.plot.height=4)
 par(mfrow=c(1,2))
@@ -107,14 +109,25 @@ plotPredReal(data, p2, i_np); title(paste("PredReal p2 day",i_np))
 plotPredReal(data, p2, i_p); title(paste("PredReal p2 day",i_p))
 
 # Bleu : prévue ; noir : réalisée (confondues jusqu'à predict_from-1)
+% if P == 8:
 -----
 % if i == 0:
+<<<<<<< HEAD
+La courbe du jour "facile à prévoir", à gauche, se décompose en deux modes : un léger
+vers 10h (7+3), puis un beaucoup plus marqué vers 19h (7+12). Ces deux modes sont
+retrouvés par les trois variantes de l'algorithme à voisins, bien que l'amplitude soit
+mal prédite. Concernant le jour "difficile à prévoir" (à droite) il y a deux pics en tout
+début et toute fin de journée (à 9h et 23h), qui ne sont pas du tout anticipés par les
+méthodes ; la grande amplitude de ces pics explique alors l'intensité de l'erreur
+observée.
+=======
 Le jour "facile à prévoir", à gauche, se décompose en deux modes : un léger vers 10h
 (7+3), puis un beaucoup plus marqué vers 19h (7+12). Ces deux modes sont retrouvés par
 les deux variantes de l'algorithme à voisins, bien que l'amplitude soit mal prédite.
 Concernant le jour "difficile à prévoir" (à droite) il y a deux pics en tout début et
 toute fin de journée (à 9h et 23h), qui ne sont pas du tout anticipés par les méthodes ;
 la grande amplitude de ces pics explique alors l'intensité de l'erreur observée.
+>>>>>>> 7c4b2952874de1d40a742e72efe51999b99050f5
 % elif i == 1:
 Dans le cas d'un jour "facile" à prédire $-$ à gauche $-$ la forme est plutôt bien
 retrouvée, ainsi que le niveau moyen pour la méthode sans contrainte de localité
@@ -127,6 +140,7 @@ L'impression visuelle est plutôt mauvaise dans ce cas, mais les écart étant m
 erreurs au final ne sont pas très importantes. De plus deux des quatres graphes sont
 satisfaisants (en haut à droite et en bas à gauche : forme + niveau acceptables.
 % endif
+% endif
 -----r
 par(mfrow=c(1,2))
 
@@ -141,6 +155,7 @@ title(paste("Filaments p2 day",i_np))
 
 f_p2 = computeFilaments(data, p2, i_p, plot=TRUE)
 title(paste("Filaments p2 day",i_p))
+% if P == 8:
 -----
 % if i == 0:
 Les voisins du jour courant (période de 24h allant de 8h à 7h le lendemain) sont affichés
@@ -157,6 +172,7 @@ Les graphes de filaments ont encore la même allure, avec une assez grande vari
 observée. Cette observation est cependant trompeuse, comme l'indique plus bas le graphe
 de variabilité relative.
 % endif
+% endif
 -----r
 par(mfrow=c(1,2))
 
@@ -167,6 +183,7 @@ plotFilamentsBox(data, f_p1, predict_from=P)
 title(paste("FilBox p1 day",i_p))
 
 # En pointillés la courbe du jour courant (à prédire) + précédent
+% if P == 8:
 -----
 % if i == 0:
 Sur cette boxplot fonctionnelle (voir la fonction fboxplot() du package R "rainbow") on
@@ -184,6 +201,7 @@ l'impossibilité de bien prévoir une courbe en utilisant l'algorithme à voi
 On peut réappliquer les mêmes remarques qu'auparavant sur les boxplots fonctionnels :
 voisins atypiques, courbe à prévoir elle-même légèrement "hors norme".
 % endif
+% endif
 -----r
 par(mfrow=c(1,2))
 
@@ -200,6 +218,7 @@ plotRelVar(data, f_p2, predict_from=P)
 title(paste("StdDev p2 day",i_p))
 
 # Variabilité globale en rouge ; sur les voisins en noir
+% if P == 8:
 -----
 % if i == 0:
 Ces graphes viennent confirmer l'impression visuelle après observation des filaments. En
@@ -217,6 +236,7 @@ Cette fois la situation idéale est observée : la variabilité globale est n
 au-dessus de la variabilité locale. Bien que cela ne suffise pas à obtenir de bonnes
 prédictions de forme, on constate au moins l'amélioration dans la prédiction du niveau.
 % endif
+% endif
 -----r
 plotSimils(p1, i_np)
 title(paste("Weights p1 day",i_np))
@@ -225,6 +245,7 @@ plotSimils(p1, i_p)
 title(paste("Weights p1 day",i_p))
 
 # Poids < 1/N à gauche, >= 1/N à droite ; jour facile en haut, difficile en bas
+% if P == 8:
 -----
 % if i == 0:
 Les poids se concentrent près de 0 : c'est ce que l'on souhaite observer pour éviter
@@ -236,14 +257,16 @@ non négligeables (presque trop peu pour le jour "difficile").
 Les poids sont répartis comme souhaité : concentrés vers 0 avec quelques valeurs non
 négligeables.
 % endif
+% endif
 -----r
 options(digits=2)
 
-p1$getParams(i_np)$window
-p1$getParams(i_p)$window
+print(p1$getParams(i_np)$window)
+print(p1$getParams(i_p)$window)
 
 # Fenêtres sélectionnées dans ]0,7]
 % endfor
+% if P == 8:
 -----
 ${"##"} Bilan
 
@@ -252,3 +275,4 @@ Nos algorithmes à voisins donnent de meilleurs résultats que les approches na
 élevées, notamment en terme de MAPE. Une possible poste d'amélioration consisterait à
 aggréger les courbes spatialement (sur plusieurs stations situées dans la même
 agglomération ou dans une même zone).
+% endif