--- /dev/null
+-----
+
+## Introduction
+
+J'ai fait quelques essais dans différentes configurations pour la méthode "Neighbors"
+(la seule dont on a parlé).<br>Il semble que le mieux soit
+
+ * simtype="exo" ou "mix" : similarités exogènes avec/sans endogènes (fenêtre optimisée par VC)
+ * same_season=FALSE : les indices pour la validation croisée ne tiennent pas compte des saisons
+ * mix_strategy="mult" : on multiplie les poids (au lieu d'en éteindre)
+
+J'ai systématiquement comparé à une approche naïve : la moyennes des lendemains des jours
+"similaires" dans tout le passé ; à chaque fois sans prédiction du saut (sauf pour Neighbors :
+prédiction basée sur les poids calculés).
+
+Ensuite j'affiche les erreurs, quelques courbes prévues/mesurées, quelques filaments puis les
+histogrammes de quelques poids. Concernant les graphes de filaments, la moitié gauche du graphe
+correspond aux jours similaires au jour courant, tandis que la moitié droite affiche les
+lendemains : ce sont donc les voisinages tels qu'utilisés dans l'algorithme.
+
+<%
+list_titles = ['Pollution par chauffage', 'Pollution par épandage', 'Semaine non polluée']
+list_indices = ['indices_ch', 'indices_ep', 'indices_np']
+%>
+
+-----r
+
+library(talweg)
+
+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"))
+data = getData(ts_data, exo_data, input_tz = "Europe/Paris", working_tz="Europe/Paris", predict_at=13)
+
+indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days")
+indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days")
+indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days")
+
+% for loop in range(3):
+
+-----
+
+<h2 style="color:blue;font-size:2em">${list_titles[loop]}</h2>
+
+-----r
+p_nn_exo = computeForecast(data, ${list_indices[loop]}, "Neighbors", "Neighbors", simtype="exo", horizon=H)
+p_nn_mix = computeForecast(data, ${list_indices[loop]}, "Neighbors", "Neighbors", simtype="mix", horizon=H)
+p_az = computeForecast(data, ${list_indices[loop]}, "Average", "Zero", horizon=H) #, memory=183)
+p_pz = computeForecast(data, ${list_indices[loop]}, "Persistence", "Zero", horizon=H, same_day=TRUE)
+
+-----r
+e_nn_exo = computeError(data, p_nn_exo)
+e_nn_mix = computeError(data, p_nn_mix)
+e_az = computeError(data, p_az)
+e_pz = computeError(data, p_pz)
+options(repr.plot.width=9, repr.plot.height=7)
+plotError(list(e_nn_mix, e_pz, e_az, e_nn_exo), cols=c(1,2,colors()[258], 4))
+
+#Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence
+
+i_np = which.min(e_nn_exo$abs$indices)
+i_p = which.max(e_nn_exo$abs$indices)
+
+-----r
+options(repr.plot.width=9, repr.plot.height=4)
+par(mfrow=c(1,2))
+
+plotPredReal(data, p_nn_exo, i_np); title(paste("PredReal nn exo day",i_np))
+plotPredReal(data, p_nn_exo, i_p); title(paste("PredReal nn exo day",i_p))
+
+plotPredReal(data, p_nn_mix, i_np); title(paste("PredReal nn mix day",i_np))
+plotPredReal(data, p_nn_mix, i_p); title(paste("PredReal nn mix day",i_p))
+
+plotPredReal(data, p_az, i_np); title(paste("PredReal az day",i_np))
+plotPredReal(data, p_az, i_p); title(paste("PredReal az day",i_p))
+
+#Bleu: prévue, noir: réalisée
+
+-----r
+par(mfrow=c(1,2))
+f_np_exo = computeFilaments(data, p_nn_exo, i_np, plot=TRUE); title(paste("Filaments nn exo day",i_np))
+f_p_exo = computeFilaments(data, p_nn_exo, i_p, plot=TRUE); title(paste("Filaments nn exo day",i_p))
+
+f_np_mix = computeFilaments(data, p_nn_mix, i_np, plot=TRUE); title(paste("Filaments nn mix day",i_np))
+f_p_mix = computeFilaments(data, p_nn_mix, i_p, plot=TRUE); title(paste("Filaments nn mix day",i_p))
+
+-----r
+par(mfrow=c(1,2))
+plotFilamentsBox(data, f_np_exo); title(paste("FilBox nn exo day",i_np))
+plotFilamentsBox(data, f_p_exo); title(paste("FilBox nn exo day",i_p))
+
+plotFilamentsBox(data, f_np_mix); title(paste("FilBox nn mix day",i_np))
+plotFilamentsBox(data, f_p_mix); title(paste("FilBox nn mix day",i_p))
+
+-----r
+par(mfrow=c(1,2))
+plotRelVar(data, f_np_exo); title(paste("StdDev nn exo day",i_np))
+plotRelVar(data, f_p_exo); title(paste("StdDev nn exo day",i_p))
+
+plotRelVar(data, f_np_mix); title(paste("StdDev nn mix day",i_np))
+plotRelVar(data, f_p_mix); title(paste("StdDev nn mix day",i_p))
+
+#Variabilité globale en rouge ; sur les 60 voisins (+ lendemains) en noir
+
+-----r
+par(mfrow=c(1,2))
+plotSimils(p_nn_exo, i_np); title(paste("Weights nn exo day",i_np))
+plotSimils(p_nn_exo, i_p); title(paste("Weights nn exo day",i_p))
+
+plotSimils(p_nn_mix, i_np); title(paste("Weights nn mix day",i_np))
+plotSimils(p_nn_mix, i_p); title(paste("Weights nn mix day",i_p)
+
+#- pollué à gauche, + pollué à droite
+
+-----r
+#Fenêtres sélectionnées dans ]0,10] / endo à gauche, exo à droite
+p_nn_exo$getParams(i_np)$window
+p_nn_exo$getParams(i_p)$window
+
+p_nn_mix$getParams(i_np)$window
+p_nn_mix$getParams(i_p)$window
+
+% endfor
+
+-----
+## Bilan
+
+Problème difficile : on ne fait guère mieux qu'une naïve moyenne des lendemains des jours
+similaires dans le passé, ce qui n'est pas loin de prédire une série constante égale à la
+dernière valeur observée (méthode "zéro"). La persistence donne parfois de bons résultats
+mais est trop instable (sensibilité à l'argument <code>same_day</code>).
+
+Comment améliorer la méthode ?
projects / talweg.git / blobdiff