+++ /dev/null
-\documentclass[a4paper,12pt]{article}
-\usepackage[utf8]{inputenc}
-\usepackage[T1]{fontenc}
-
-\renewcommand*\familydefault{\sfdefault}
-
-\marginparwidth 0pt
-\oddsidemargin 0pt
-\evensidemargin 0pt
-\marginparsep 0pt
-\topmargin 0pt
-\textwidth 16cm
-\textheight 23cm
-\parindent 5mm
-
-\begin{document}
-
-\section{Package R "ppmfun"}
-
-Le package $-$ Predict PM10 with FUNctional methods $-$ contient le code permettant de (re)lancer
-les expériences numériques décrites dans ce document. La fonction principale \emph{predictPM10}
-se divise en trois parties, décrites successivement au cours des trois paragraphes suivants.\\
-
-<<setup, out.width='7cm', out.height='7cm'>>=
-#Chargement de la librairie (après compilation, "R CMD INSTALL ppmfun/")
-library(ppmfun)
-@
-
-Note : sur la base de nos dernières expériences, on considère que
-\begin{itemize}
- \item on ne touche pas à la fenêtre obtenue par optim() ;}
- \item on oublie la méthode consistant à prédire forme et niveau de manière complètement
- déconnectée : il faut relier les deux.
-\end{itemize}
-
-\subsection{Acquisition des données}
-
-Compte-tenu de la nature hétérogène des données utilisées $-$ fonctionnelles pour les PM10,
-vectorielles pour les variables exogènes $-$, celles-ci sont organisées sous forme d'une liste
-\emph{data}, la $i^{eme}$ cellule correspondant aux données disponibles au $i^{eme}$ jour à
-l'heure $H$ de prédiction choisie (1h00, 8h00 ou 14h00) : c'est-à-dire les valeurs des PM10 de
-$H-24h$ à $H-1H$, ainsi que les variables météo prédites pour la période de $1h00$ à $0h$ du
-jour courant (sauf si on prédit à 0h : on prend alors les valeurs mesurées de la veille).\\
-
-Exemple :\\
-<<data>>=
-#Le premier argument indique la zone horaire souhaitée ; "GMT" ou "local"
-#pour l'heure française, ou tout autre fuseau horaire.
-data = getData("local", "7h")
-@
-
-\subsection{Prédiction}
-
-Deux types de prévisions du prochain bloc de $24h$ sont à distinguer :
-\begin{itemize}
- \item prévision de la forme (centrée) ;
- \item prévision du saut d'une fin de série au début de la suivante.
-\end{itemize}
-
-\noindent Il faut ainsi préciser à la fois une méthode de prévision de forme ("Persistence" et
-"Neighbors" implémentées), et une méthode de prédiction de saut ("Zero", "Persistence" ou
-"Neighbors"). On détaille surtout la méthode à voisins ci-après.\\
-
-\begin{enumerate}
- \item \textbf{Préparation des données} : calcul des niveaux sur 24h, fenêtrage si demandé
- (paramètre "memory").
- \item \textbf{Optimisation des paramètres d'échelle} : via la fonction \emph{optim()}
- minimisant la somme des 45 dernières erreurs jounalières L2.
- \item \textbf{Prédiction finale} : une fois le (ou les, si "simtype" vaut "mix") paramètre
- d'échelle $h$ déterminé, les similarités sont évaluées sur les variables exogènes et/ou
- endogènes, sous la forme $s(i,j) = \mbox{exp}\left(-\frac{\mbox{dist}^2(i,j)}{h^2}\right)$.
- La formule indiquée plus haut dans le rapport est alors appliquée.
-\end{enumerate}
-
-\subsection{Calcul des erreurs}
-
-Pour chacun des instants à prévoir jusqu'à minuit du jour courant, on calcule l'erreur moyenne
-sur tous les instants similaires du passé (sur la plage prédite). Trois
-types d'erreurs sont considérées :
-\begin{itemize}
- \item l'erreur "abs" égale à la valeur absolue moyenne entre la mesure et la prédiction ;
- \item l'erreur "MAPE" égale à l'erreur absolue normalisée par la mesure.
- \item l'erreur "RMSE" égale à la racine carrée de l'erreur quadratique moyenne.
-\end{itemize}
-
-\subsection{Expériences numériques}
-
-%, fig.show='hold'>>=
-<<xp1, out.width='18cm', out.height='6cm'>>=
-p_endo = predictPM10(data, 2200, 2230, 0,0, "Neighbors", "Neighbors", simtype="endo")
-p_exo = predictPM10(data, 2200, 2230, 0,0, "Neighbors", "Neighbors", simtype="exo")
-p_mix = predictPM10(data, 2200, 2230, 0,0, "Neighbors", "Neighbors", simtype="mix")
-p = c(p_endo, p_exo, p_mix)
-yrange_MAPE = range(p_mix$errors$MAPE, p_endo$errors$MAPE, p_exo$errors$MAPE)
-yrange_abs = range(p_mix$errors$abs, p_endo$errors$abs, p_exo$errors$abs)
-yrange_RMSE = range(p_mix$errors$RMSE, p_endo$errors$RMSE, p_exo$errors$RMSE)
-ranges = c(yrange_MAPE,yrange_abs,yrange_RMSE)
-par(mfrow=c(1,3))
-titles = paste("Erreur",c("MAPE","abs","RMSE"))
-for (i in 1:3) #error type (MAPE,abs,RMSE)
-{
- for (j in 1:3) #model (mix,endo,exo)
- {
- plot(p[j]$errors[[i]], type="l", col=j, main=titles[i], xlab="Temps",
- ylab="Erreur", ylim=ranges[i])
- par(new=TRUE)
- }
-}
-
-#Ne tenir compte que des similarités sur les variables exogènes semble
-#conduire à l'erreur la plus faible.
-@
-
-<<xp2, out.width='18cm', out.height='6cm'>>=
-p_nn = predictPM10(data, 2200, 2230, 0, 0, "Neighbors", "Neighbors", sameSeaon=TRUE)
-p_np = predictPM10(data, 2200, 2230, 0, 0, "Neighbors", "Persistence", sameSeaon=TRUE)
-p_nz = predictPM10(data, 2200, 2230, 0, 0, "Neighbors", "Zero", sameSeaon=TRUE)
-p_pp = predictPM10(data, 2200, 2230, 0, 0, "Persistence", "Persistence")
-p_pz = predictPM10(data, 2200, 2230, 0, 0, "Persistence", "Zero")
-p = c(p_nn, p_np, p_nz, p_pp, p_pz)
-yrange_MAPE = range(p_nn$errors$MAPE, p_nz$errors$MAPE, p_np$errors$MAPE, p_pp$errors$MAPE, p_pz$errors$MAPE)
-yrange_abs = range(p_nn$errors$abs, p_nz$errors$abs, p_np$errors$abs, p_pp$errors$abs, p_pz$errors$abs)
-yrange_RMSE = range(p_nn$errors$RMSE, p_nz$errors$RMSE, p_np$errors$RMSE, p_pp$errors$RMSE, p_pz$errors$RMSE)
-ranges = c(yrange_MAPE,yrange_abs,yrange_RMSE)
-par(mfrow=c(1,3))
-for (i in 1:3) #error type (MAPE,abs,RMSE)
-{
- for (j in 1:5) #model (nn,np,nz,pp,pz)
- {
- plot(p[j]$errors[[i]], type="l", col=j, main=titles[i], xlab="Temps",
- ylab="Erreur", ylim=ranges[i])
- if (j<5)
- par(new=TRUE)
- }
-}
-
-#Meilleurs results: nn et nz (np moins bon)
-@
-
-%%TODO: analyse sur les trois périodes indiquées par Michel ; simtype=="exo" par defaut
-16/03/2015
-p_nn_epandage = predictPM10(data, 2200, 2200, 0, 0, "Neighbors", "Neighbors", sameSeaon=FALSE)
-19/01/2015
-p_nn_chauffage = predictPM10(data, 2200, 2200, 0, 0, "Neighbors", "Neighbors", sameSeaon=FALSE)
-23/02/2015
-p_nn_nonpollue = predictPM10(data, 2200, 2200, 0, 0, "Neighbors", "Neighbors", sameSeaon=FALSE)
-
-\subsection{Suite du travail}
-
-Le type de jour n'est pas pris en compte dans la recherche de voisins ; cela diminuerait
-nettement le nombre de similarités retenues, mais pourrait significativement améliorer les
-prévisions. \textcolor{blue}{OK : on le prend désormais en compte}\\
-
-\noindent Il serait intéressant également de disposer de plusieurs méthodes de prédiction, pour
-par exemple les agréger à l'aide de méthodes similaires à celles du précédent contrat.
-\textcolor{blue}{OK : on commence à en avoir quelques-unes}
-
-\end{document}
projects / talweg.git / blobdiff