X-Git-Url: https://git.auder.net/?p=talweg.git;a=blobdiff_plain;f=reports%2Freport.gj;h=657b1d72adb6aa9b968c79c2826720b76713b9e3;hp=aee6ad45598ac2c63489469651be28f3164ea752;hb=ee8b1b4e3c13f8dcf13a2c8da6a3bef1520c8252;hpb=a866acb3c0ae138b22df9dae9ec576b866794417 diff --git a/reports/report.gj b/reports/report.gj index aee6ad4..657b1d7 100644 --- a/reports/report.gj +++ b/reports/report.gj @@ -2,15 +2,14 @@

Introduction

J'ai fait quelques essais dans différentes configurations pour la méthode "Neighbors" -(la seule dont on a parlé) et sa variante récente appelée pour l'instant "Neighbors2".
+(la seule dont on a parlé) et sa variante récente appelée pour l'instant "Neighbors2", +avec simtype="mix" : deux types de similarités prises en compte, puis multiplication des poids. +Pour Neighbors on prédit le saut (par la moyenne pondérée des sauts passés), et pour Neighbors2 +on n'effectue aucun raccordement (prévision directe). - * simtype="exo", "endo" ou "mix" : type de similarités (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). +J'ai systématiquement comparé à une approche naïve : la moyenne des lendemains des jours +"similaires" dans tout le passé, ainsi qu'à la persistence -- reproduisant le jour courant ou +allant chercher le futur similaire une semaine avant. 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 @@ -29,8 +28,9 @@ H = ${H} #horizon (en heures) 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=P) #predict from P+1 to P+H included +# 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, input_tz = "GMT", working_tz="GMT", predict_at=P) 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") @@ -40,35 +40,31 @@ indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days") -----

${list_titles[i]}

-----r -p_nn_exo = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", - horizon=H, simtype="exo") -p_nn_mix = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", - horizon=H, simtype="mix") -p_az = computeForecast(data, ${list_indices[i]}, "Average", "Zero", - horizon=H) -p_pz = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", - horizon=${H}, same_day=${'TRUE' if loop.index < 2 else 'FALSE'}) +p_nn = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", horizon=H) +p_nn2 = computeForecast(data, ${list_indices[i]}, "Neighbors2", "Zero", horizon=H) +p_az = computeForecast(data, ${list_indices[i]}, "Average", "Zero", horizon=H) +p_pz = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", horizon=H, same_day=${'TRUE' if loop.index < 2 else 'FALSE'}) -----r -e_nn_exo = computeError(data, p_nn_exo, H) -e_nn_mix = computeError(data, p_nn_mix, H) +e_nn = computeError(data, p_nn, H) +e_nn2 = computeError(data, p_nn2, H) e_az = computeError(data, p_az, H) e_pz = computeError(data, p_pz, H) 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)) +plotError(list(e_nn, e_pz, e_az, e_nn2), cols=c(1,2,colors()[258], 4)) -# Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence +# Noir: Neighbors, bleu: Neighbors2, vert: moyenne, rouge: persistence -i_np = which.min(e_nn_exo$abs$indices) -i_p = which.max(e_nn_exo$abs$indices) +i_np = which.min(e_nn$abs$indices) +i_p = which.max(e_nn$abs$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, i_np); title(paste("PredReal nn day",i_np)) +plotPredReal(data, p_nn2, i_p); title(paste("PredReal nn 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_nn2, i_np); title(paste("PredReal nn2 day",i_np)) +plotPredReal(data, p_nn2, i_p); title(paste("PredReal nn2 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)) @@ -76,50 +72,41 @@ 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 = computeFilaments(data, p_nn, i_np, plot=TRUE); title(paste("Filaments nn day",i_np)) +f_p = computeFilaments(data, p_nn, i_p, plot=TRUE); title(paste("Filaments nn 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)) +f_np2 = computeFilaments(data, p_nn2, i_np, plot=TRUE); title(paste("Filaments nn2 day",i_np)) +f_p2 = computeFilaments(data, p_nn2, i_p, plot=TRUE); title(paste("Filaments nn2 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); title(paste("FilBox nn day",i_np)) +plotFilamentsBox(data, f_p); title(paste("FilBox nn 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)) +plotFilamentsBox(data, f_np2); title(paste("FilBox nn2 day",i_np)) +plotFilamentsBox(data, f_p2); title(paste("FilBox nn2 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); title(paste("StdDev nn day",i_np)) +plotRelVar(data, f_p); title(paste("StdDev nn 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)) +plotRelVar(data, f_np2); title(paste("StdDev nn2 day",i_np)) +plotRelVar(data, f_p2); title(paste("StdDev nn2 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, i_np); title(paste("Weights nn day",i_np)) +plotSimils(p_nn, i_p); title(paste("Weights nn 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)) +plotSimils(p_nn2, i_np); title(paste("Weights nn2 day",i_np)) +plotSimils(p_nn2, i_p); title(paste("Weights nn2 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 +# Fenêtres sélectionnées dans ]0,7] / nn à gauche, nn2 à droite +p_nn$getParams(i_np)$window +p_nn$getParams(i_p)$window -p_nn_mix$getParams(i_np)$window -p_nn_mix$getParams(i_p)$window +p_nn2$getParams(i_np)$window +p_nn2$getParams(i_p)$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 same_day). - -Comment améliorer la méthode ?