-----
-# Package R "talweg"
+# Résultats numériques
-Le package $-$ Time-series sAmpLes forecasted With ExoGenous variables $-$ contient le
-code permettant de (re)lancer les expériences numériques décrites dans cette partie et la
-suivante. Les fonctions principales sont respectivement
-
- * **getData()** pour construire un objet R contenant les données à partir de fichiers
-CSV (extraits de bases de données). Le format choisi en R est une classe R6 (du package
-du même nom) exposant en particulier les méthodes *getSerie(i)* et *getExo(i)* qui
-renvoient respectivement la $i^{eme}$ série de 24h et les variables exogènes (mesurées)
-correspondantes. Voir ?Data pour plus d'information, une fois le package chargé.
- * **computeForecast()** pour calculer des prédictions sur une certaine plage temporelle
-contenue dans *data <- getData(...)*
- * **computeError()** pour évaluer les erreurs commises par différentes méthodes.
-
-Le package contient en outre diverses fonctions graphiques *plotXXX()*, utilisées dans la
-partie suivante.
------r
-# Chargement de la librairie (après compilation, "R CMD INSTALL .")
-library(talweg)
-
-# Acquisition des données (depuis les fichiers CSV)
-ts_data <- read.csv(system.file("extdata","pm10_mesures_H_loc.csv",
- package="talweg"))
-exo_data <- read.csv(system.file("extdata","meteo_extra_noNAs.csv",
- package="talweg"))
-data <- getData(ts_data, exo_data, input_tz="GMT",
- date_format="%d/%m/%Y %H:%M", working_tz="GMT",
- predict_at=7, limit=120)
-# Plus de détails à la section 1 ci-après.
-
-# Prédiction de 10 courbes (jours 102 à 111)
-pred <- computeForecast(data, 101:110, "Persistence", "Zero", memory=50,
- horizon=12, ncores=1)
-# Plus de détails à la section 2 ci-après.
-
-# Calcul des erreurs (sur un horizon arbitraire <= horizon de prédiction)
-err <- computeError(data, pred, horizon=6)
-# Plus de détails à la section 3 ci-après.
-
-# Puis voir ?plotError et les autres plot dans le paragraphe 'seealso'
------
-${"##"} getData()
-
-Les arguments de cette fonction sont, dans l'ordre :
-
- 1. **ts_data** : séries temporelles (fichier CSV avec entête ou data.frame) ; la
-première colonne contient les heures, la seconde les valeurs.
- 2. **exo_data** : variables exogènes (fichier CSV avec entête ou data.frame) ; la
-première colonne contient les jours, les $m$ suivantes les variables mesurées pour ce
-jour, et les $m$ dernières les variables prédites pour ce même jour. Dans notre cas $m=4$
-: pression, température, gradient de température, vitesse du vent.
- 3. **input_tz** : zone horaire pour ts_data (défaut : "GMT").
- 4. **date_format** : format des heures dans ts_data (défaut : "%d/%m/%Y %H:%M", format
-du fichier transmis par Michel).
- 5. **working_tz** : zone horaire dans laquelle on souhaite travailler avec les données
-(défaut : "GMT").
- 6. **predict_at** : heure à laquelle s'effectue la prévision $-$ et donc dernière heure
-d'un bloc de 24h, relativement à working_tz. data`$`getSerie(3) renvoit ainsi les 24
-valeurs de 8h à 7h pour le $3^{eme}$ bloc de 24h présent dans le jeu de données.
------r
-print(data)
-#?Data
------
-${"##"} computeForecast()
-
-Les arguments de cette fonction sont, dans l'ordre :
-
- 1. **data** : le jeu de données renvoyé par getData()
- 2. **indices** : l'ensemble de jours dont on veut prévoir les "lendemains" (prochains
-blocs de 24h) ; peut être donnée sous forme d'un vecteur de dates ou d'entiers
-(correspondants aux numéros des jours).
- 3. **forecaster** : le nom du prédicteur principal à utiliser ; voir ?computeForecast
- 4. **pjump** : le nom du prédicteur de saut d'une série à l'autre ; voir
-?computeForecast
- 5. **memory** : le nombre de jours à prendre en compte dans le passé pour chaque
-prévision (par défaut : Inf, c'est-à-dire tout l'historique pris en compte).
- 6. **horizon** : le nombre d'heures à prédire ; par défaut "data`$`getStdHorizon()",
-c'est-à-dire le nombre d'heures restantes à partir de l'instant de prévision + 1 jusqu'à
-minuit (17 pour predict_at=7 par exemple).
- 7. **ncores** : le nombre de processus parallèles (utiliser 1 pour une exécution
-séquentielle)
------r
-print(pred)
-#?computeForecast
------
-${"##"} computeError()
-
-Les arguments de cette fonction sont, dans l'ordre :
-
- 1. **data** : le jeu de données renvoyé par getData()
- 2. **pred** : les prédictions renvoyées par computeForecast()
- 3. **horizon** : le nombre d'heures à considérer pour le calcul de l'erreur ; doit être
-inférieur ou égal à l'horizon utilisé pour la prédiction (même valeur par défaut :
-"data`$`getStdHorizon()")
------r
-summary(err)
-summary(err$abs)
-summary(err$MAPE)
------
-${"##"} Graphiques
-
-Voir ?plotError : les autres fonctions graphiques sont dans la section 'seealso' :
-
- ‘plotCurves’, ‘plotPredReal’, ‘plotSimils’, ‘plotFbox’,
- ‘computeFilaments’, ‘plotFilamentsBox’, ‘plotRelVar’
-
-?plotXXX, etc.
-## $\clearpage$ How to do that?
------
-# Expérimentations
-
-Cette partie montre les résultats obtenus via des variantes de l'algorithme décrit à la
-section 2, en utilisant le package présenté à la section 3. Cet algorithme est
+Cette partie montre les résultats obtenus avec des variantes de l'algorithme décrit au
+chapitre 5, en utilisant le package présenté au chapitre 6.
+Les ........... options ...........
+Cet algorithme est
systématiquement comparé à deux approches naïves :
- * la moyenne des lendemains des jours "similaires" dans tout le passé, c'est-à-dire
-prédiction = moyenne de tous les mardis passé si le jour courant est un lundi par
-exemple.
+ * la moyenne des lendemains des jours de même type dans tout le passé, c'est-à-dire
+prédiction = moyenne de tous les mardis passés si le jour courant est un lundi.
* la persistence, reproduisant le jour courant ou allant chercher le lendemain de la
-dernière journée "similaire" (même principe que ci-dessus ; argument "same\_day").
+dernière journée de même type (même principe que ci-dessus ; argument "same\_day").
Concernant l'algorithme principal à voisins, trois variantes sont étudiées dans cette
partie :
# mauve: Neighbors local none (p3), vert: moyenne (p4),
# rouge: persistence (p5)
+##############TODO: expliquer "endo" "none"......etc
+## ajouter fenêtres essais dans rapport. --> dans chapitre actuel.
+## re-ajouter annexe sur ancienne méthode exo/endo/mix
+## ---------> fenetres comment elles sont optimisées
+#--------> ajouter à la fin quelques graphes montrant/comparant autres méthodes
+#chapitre résumé avec différents essais conclusions. ---> synthèse des essais réalisés,
+#avec sous-paragraphes avec conclusions H3/H17 sans surprises on améliore les choses,
+#mais il y a des situations où c'est pas mieux.
+#---------> fichier tex réinsérer synthèse de l'ensemble des essais réalisés.
+#++++++++ ajouter à 13h
+
sum_p123 = e1$abs$indices + e2$abs$indices + e3$abs$indices
i_np = which.min(sum_p123) #indice de (veille de) jour "facile"
i_p = which.max(sum_p123) #indice de (veille de) jour "difficile"
-----
% if i == 0:
L'erreur absolue dépasse 20 sur 1 à 2 jours suivant les modèles (graphe en haut à
-droite). C'est au-delà de ce que l'on aimerait voir (disons +/- 5 environ). Sur cet
+droite). ##C'est au-delà de ce que l'on aimerait voir (disons +/- 5 environ).
+Sur cet
exemple le modèle à voisins "contraint" (local=TRUE) utilisant des pondérations basées
sur les similarités de forme (simtype="endo") obtient en moyenne les meilleurs résultats,
avec un MAPE restant en général inférieur à 30% de 8h à 19h (7+1 à 7+12 : graphe en bas à
# Bleu : prévue ; noir : réalisée
-----
% if i == 0:
-Le jour "facile à prévoir", à gauche, se décompose en deux modes : un léger vers 10h
+La courbe non centrée du jour facile à prévoir (en noir),
+##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 trois variantes de l'algorithme à voisins, bien que l'amplitude soit mal prédite.
-Concernant le jour "difficile à prévoir" 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 le programme ; la grande
+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.
% elif i == 1:
Dans le cas d'un jour "facile" à prédire $-$ à gauche $-$ la forme est plus ou moins
plotFilamentsBox(data, f_np1); title(paste("FilBox p1 day",i_np))
plotFilamentsBox(data, f_p1); title(paste("FilBox p1 day",i_p))
+## Questions :
+#7h VS 13h
+#est-ce que prévoir 24h ou 13 ou 3 facilite.
+#amplitude erreur raisonnable ? probleme facile difficile ?
+#place des exogènes ?
+#H = ?
+#épandage > chauffage > np
+
# En pointillés la courbe du jour courant + lendemain (à prédire)
-----
% if i == 0:
-Sur cette boxplot fonctionnelle (voir la fonction fboxplot() du package R "rainbow") l'on
+Sur cette boxplot fonctionnelle (voir la fonction fboxplot() du package R "rainbow") on
constate essentiellement deux choses : le lendemain d'un voisin "normal" peut se révéler
être une courbe atypique, fort éloignée de ce que l'on souhaite prédire (courbes bleue et
rouge à gauche) ; et, dans le cas d'une courbe à prédire atypique (à droite) la plupart
${"##"} Bilan
Nos algorithmes à voisins ne sont pas adaptés à ce jeu de données où la forme varie
-considérablement d'un jour à l'autre. Plus généralement cette décorrélation de forme rend
-ardue la tâche de prévision pour toute autre méthode $-$ du moins, nous ne savons pas
-comment procéder pour parvenir à une bonne précision.
-
-Toutefois, un espoir reste permis par exemple en aggréger les courbes spatialement (sur
+considérablement d'un jour à l'autre.
+Toutefois, un espoir reste permis par exemple en aggrégeant les courbes spatialement (sur
plusieurs stations situées dans la même agglomération ou dans une même zone).
+##Plus généralement cette décorrélation de forme rend
+##ardue la tâche de prévision pour toute autre méthode $-$ du moins, nous ne savons pas
+##comment procéder pour parvenir à une bonne précision.
projects / talweg.git / blobdiff