--- /dev/null
+<!DOCTYPE html>
+
+<html xmlns="http://www.w3.org/1999/xhtml">
+
+<head>
+
+<meta charset="utf-8">
+<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
+<meta name="generator" content="pandoc" />
+
+<meta name="viewport" content="width=device-width, initial-scale=1">
+
+<meta name="author" content="Vignette Author" />
+
+<meta name="date" content="2017-03-01" />
+
+<title>Vignette Title</title>
+
+
+
+<style type="text/css">code{white-space: pre;}</style>
+<style type="text/css">
+div.sourceCode { overflow-x: auto; }
+table.sourceCode, tr.sourceCode, td.lineNumbers, td.sourceCode {
+ margin: 0; padding: 0; vertical-align: baseline; border: none; }
+table.sourceCode { width: 100%; line-height: 100%; }
+td.lineNumbers { text-align: right; padding-right: 4px; padding-left: 4px; color: #aaaaaa; border-right: 1px solid #aaaaaa; }
+td.sourceCode { padding-left: 5px; }
+code > span.kw { color: #007020; font-weight: bold; } /* Keyword */
+code > span.dt { color: #902000; } /* DataType */
+code > span.dv { color: #40a070; } /* DecVal */
+code > span.bn { color: #40a070; } /* BaseN */
+code > span.fl { color: #40a070; } /* Float */
+code > span.ch { color: #4070a0; } /* Char */
+code > span.st { color: #4070a0; } /* String */
+code > span.co { color: #60a0b0; font-style: italic; } /* Comment */
+code > span.ot { color: #007020; } /* Other */
+code > span.al { color: #ff0000; font-weight: bold; } /* Alert */
+code > span.fu { color: #06287e; } /* Function */
+code > span.er { color: #ff0000; font-weight: bold; } /* Error */
+code > span.wa { color: #60a0b0; font-weight: bold; font-style: italic; } /* Warning */
+code > span.cn { color: #880000; } /* Constant */
+code > span.sc { color: #4070a0; } /* SpecialChar */
+code > span.vs { color: #4070a0; } /* VerbatimString */
+code > span.ss { color: #bb6688; } /* SpecialString */
+code > span.im { } /* Import */
+code > span.va { color: #19177c; } /* Variable */
+code > span.cf { color: #007020; font-weight: bold; } /* ControlFlow */
+code > span.op { color: #666666; } /* Operator */
+code > span.bu { } /* BuiltIn */
+code > span.ex { } /* Extension */
+code > span.pp { color: #bc7a00; } /* Preprocessor */
+code > span.at { color: #7d9029; } /* Attribute */
+code > span.do { color: #ba2121; font-style: italic; } /* Documentation */
+code > span.an { color: #60a0b0; font-weight: bold; font-style: italic; } /* Annotation */
+code > span.cv { color: #60a0b0; font-weight: bold; font-style: italic; } /* CommentVar */
+code > span.in { color: #60a0b0; font-weight: bold; font-style: italic; } /* Information */
+</style>
+
+
+
+<link href="data:text/css;charset=utf-8,body%20%7B%0Abackground%2Dcolor%3A%20%23fff%3B%0Amargin%3A%201em%20auto%3B%0Amax%2Dwidth%3A%20700px%3B%0Aoverflow%3A%20visible%3B%0Apadding%2Dleft%3A%202em%3B%0Apadding%2Dright%3A%202em%3B%0Afont%2Dfamily%3A%20%22Open%20Sans%22%2C%20%22Helvetica%20Neue%22%2C%20Helvetica%2C%20Arial%2C%20sans%2Dserif%3B%0Afont%2Dsize%3A%2014px%3B%0Aline%2Dheight%3A%201%2E35%3B%0A%7D%0A%23header%20%7B%0Atext%2Dalign%3A%20center%3B%0A%7D%0A%23TOC%20%7B%0Aclear%3A%20both%3B%0Amargin%3A%200%200%2010px%2010px%3B%0Apadding%3A%204px%3B%0Awidth%3A%20400px%3B%0Aborder%3A%201px%20solid%20%23CCCCCC%3B%0Aborder%2Dradius%3A%205px%3B%0Abackground%2Dcolor%3A%20%23f6f6f6%3B%0Afont%2Dsize%3A%2013px%3B%0Aline%2Dheight%3A%201%2E3%3B%0A%7D%0A%23TOC%20%2Etoctitle%20%7B%0Afont%2Dweight%3A%20bold%3B%0Afont%2Dsize%3A%2015px%3B%0Amargin%2Dleft%3A%205px%3B%0A%7D%0A%23TOC%20ul%20%7B%0Apadding%2Dleft%3A%2040px%3B%0Amargin%2Dleft%3A%20%2D1%2E5em%3B%0Amargin%2Dtop%3A%205px%3B%0Amargin%2Dbottom%3A%205px%3B%0A%7D%0A%23TOC%20ul%20ul%20%7B%0Amargin%2Dleft%3A%20%2D2em%3B%0A%7D%0A%23TOC%20li%20%7B%0Aline%2Dheight%3A%2016px%3B%0A%7D%0Atable%20%7B%0Amargin%3A%201em%20auto%3B%0Aborder%2Dwidth%3A%201px%3B%0Aborder%2Dcolor%3A%20%23DDDDDD%3B%0Aborder%2Dstyle%3A%20outset%3B%0Aborder%2Dcollapse%3A%20collapse%3B%0A%7D%0Atable%20th%20%7B%0Aborder%2Dwidth%3A%202px%3B%0Apadding%3A%205px%3B%0Aborder%2Dstyle%3A%20inset%3B%0A%7D%0Atable%20td%20%7B%0Aborder%2Dwidth%3A%201px%3B%0Aborder%2Dstyle%3A%20inset%3B%0Aline%2Dheight%3A%2018px%3B%0Apadding%3A%205px%205px%3B%0A%7D%0Atable%2C%20table%20th%2C%20table%20td%20%7B%0Aborder%2Dleft%2Dstyle%3A%20none%3B%0Aborder%2Dright%2Dstyle%3A%20none%3B%0A%7D%0Atable%20thead%2C%20table%20tr%2Eeven%20%7B%0Abackground%2Dcolor%3A%20%23f7f7f7%3B%0A%7D%0Ap%20%7B%0Amargin%3A%200%2E5em%200%3B%0A%7D%0Ablockquote%20%7B%0Abackground%2Dcolor%3A%20%23f6f6f6%3B%0Apadding%3A%200%2E25em%200%2E75em%3B%0A%7D%0Ahr%20%7B%0Aborder%2Dstyle%3A%20solid%3B%0Aborder%3A%20none%3B%0Aborder%2Dtop%3A%201px%20solid%20%23777%3B%0Amargin%3A%2028px%200%3B%0A%7D%0Adl%20%7B%0Amargin%2Dleft%3A%200%3B%0A%7D%0Adl%20dd%20%7B%0Amargin%2Dbottom%3A%2013px%3B%0Amargin%2Dleft%3A%2013px%3B%0A%7D%0Adl%20dt%20%7B%0Afont%2Dweight%3A%20bold%3B%0A%7D%0Aul%20%7B%0Amargin%2Dtop%3A%200%3B%0A%7D%0Aul%20li%20%7B%0Alist%2Dstyle%3A%20circle%20outside%3B%0A%7D%0Aul%20ul%20%7B%0Amargin%2Dbottom%3A%200%3B%0A%7D%0Apre%2C%20code%20%7B%0Abackground%2Dcolor%3A%20%23f7f7f7%3B%0Aborder%2Dradius%3A%203px%3B%0Acolor%3A%20%23333%3B%0Awhite%2Dspace%3A%20pre%2Dwrap%3B%20%0A%7D%0Apre%20%7B%0Aborder%2Dradius%3A%203px%3B%0Amargin%3A%205px%200px%2010px%200px%3B%0Apadding%3A%2010px%3B%0A%7D%0Apre%3Anot%28%5Bclass%5D%29%20%7B%0Abackground%2Dcolor%3A%20%23f7f7f7%3B%0A%7D%0Acode%20%7B%0Afont%2Dfamily%3A%20Consolas%2C%20Monaco%2C%20%27Courier%20New%27%2C%20monospace%3B%0Afont%2Dsize%3A%2085%25%3B%0A%7D%0Ap%20%3E%20code%2C%20li%20%3E%20code%20%7B%0Apadding%3A%202px%200px%3B%0A%7D%0Adiv%2Efigure%20%7B%0Atext%2Dalign%3A%20center%3B%0A%7D%0Aimg%20%7B%0Abackground%2Dcolor%3A%20%23FFFFFF%3B%0Apadding%3A%202px%3B%0Aborder%3A%201px%20solid%20%23DDDDDD%3B%0Aborder%2Dradius%3A%203px%3B%0Aborder%3A%201px%20solid%20%23CCCCCC%3B%0Amargin%3A%200%205px%3B%0A%7D%0Ah1%20%7B%0Amargin%2Dtop%3A%200%3B%0Afont%2Dsize%3A%2035px%3B%0Aline%2Dheight%3A%2040px%3B%0A%7D%0Ah2%20%7B%0Aborder%2Dbottom%3A%204px%20solid%20%23f7f7f7%3B%0Apadding%2Dtop%3A%2010px%3B%0Apadding%2Dbottom%3A%202px%3B%0Afont%2Dsize%3A%20145%25%3B%0A%7D%0Ah3%20%7B%0Aborder%2Dbottom%3A%202px%20solid%20%23f7f7f7%3B%0Apadding%2Dtop%3A%2010px%3B%0Afont%2Dsize%3A%20120%25%3B%0A%7D%0Ah4%20%7B%0Aborder%2Dbottom%3A%201px%20solid%20%23f7f7f7%3B%0Amargin%2Dleft%3A%208px%3B%0Afont%2Dsize%3A%20105%25%3B%0A%7D%0Ah5%2C%20h6%20%7B%0Aborder%2Dbottom%3A%201px%20solid%20%23ccc%3B%0Afont%2Dsize%3A%20105%25%3B%0A%7D%0Aa%20%7B%0Acolor%3A%20%230033dd%3B%0Atext%2Ddecoration%3A%20none%3B%0A%7D%0Aa%3Ahover%20%7B%0Acolor%3A%20%236666ff%3B%20%7D%0Aa%3Avisited%20%7B%0Acolor%3A%20%23800080%3B%20%7D%0Aa%3Avisited%3Ahover%20%7B%0Acolor%3A%20%23BB00BB%3B%20%7D%0Aa%5Bhref%5E%3D%22http%3A%22%5D%20%7B%0Atext%2Ddecoration%3A%20underline%3B%20%7D%0Aa%5Bhref%5E%3D%22https%3A%22%5D%20%7B%0Atext%2Ddecoration%3A%20underline%3B%20%7D%0A%0Acode%20%3E%20span%2Ekw%20%7B%20color%3A%20%23555%3B%20font%2Dweight%3A%20bold%3B%20%7D%20%0Acode%20%3E%20span%2Edt%20%7B%20color%3A%20%23902000%3B%20%7D%20%0Acode%20%3E%20span%2Edv%20%7B%20color%3A%20%2340a070%3B%20%7D%20%0Acode%20%3E%20span%2Ebn%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Efl%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Ech%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Est%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Eco%20%7B%20color%3A%20%23888888%3B%20font%2Dstyle%3A%20italic%3B%20%7D%20%0Acode%20%3E%20span%2Eot%20%7B%20color%3A%20%23007020%3B%20%7D%20%0Acode%20%3E%20span%2Eal%20%7B%20color%3A%20%23ff0000%3B%20font%2Dweight%3A%20bold%3B%20%7D%20%0Acode%20%3E%20span%2Efu%20%7B%20color%3A%20%23900%3B%20font%2Dweight%3A%20bold%3B%20%7D%20%20code%20%3E%20span%2Eer%20%7B%20color%3A%20%23a61717%3B%20background%2Dcolor%3A%20%23e3d2d2%3B%20%7D%20%0A" rel="stylesheet" type="text/css" />
+
+</head>
+
+<body>
+
+
+
+
+<h1 class="title toc-ignore">Vignette Title</h1>
+<h4 class="author"><em>Vignette Author</em></h4>
+<h4 class="date"><em>2017-03-01</em></h4>
+
+
+
+<p>Vignettes are long form documentation commonly included in packages. Because they are part of the distribution of the package, they need to be as compact as possible. The <code>html_vignette</code> output type provides a custom style sheet (and tweaks some options) to ensure that the resulting html is as small as possible. The <code>html_vignette</code> format:</p>
+<ul>
+<li>Never uses retina figures</li>
+<li>Has a smaller default figure size</li>
+<li>Uses a custom CSS stylesheet instead of the default Twitter Bootstrap style</li>
+</ul>
+<div id="vignette-info" class="section level2">
+<h2>Vignette Info</h2>
+<p>Note the various macros within the <code>vignette</code> section of the metadata block above. These are required in order to instruct R how to build the vignette. Note that you should change the <code>title</code> field and the <code>\VignetteIndexEntry</code> to match the title of your vignette.</p>
+</div>
+<div id="styles" class="section level2">
+<h2>Styles</h2>
+<p>The <code>html_vignette</code> template includes a basic CSS theme. To override this theme you can specify your own CSS in the document metadata as follows:</p>
+<pre><code>output:
+ rmarkdown::html_vignette:
+ css: mystyles.css</code></pre>
+</div>
+<div id="figures" class="section level2">
+<h2>Figures</h2>
+<p>The figure sizes have been customised so that you can easily put two images side-by-side.</p>
+<div class="sourceCode"><pre class="sourceCode r"><code class="sourceCode r"><span class="kw">plot</span>(<span class="dv">1</span><span class="op">:</span><span class="dv">10</span>)
+<span class="kw">plot</span>(<span class="dv">10</span><span class="op">:</span><span class="dv">1</span>)</code></pre></div>
+<p><img src="data:image/png;base64,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" /><img src="data:image/png;base64,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" /></p>
+<p>You can enable figure captions by <code>fig_caption: yes</code> in YAML:</p>
+<pre><code>output:
+ rmarkdown::html_vignette:
+ fig_caption: yes</code></pre>
+<p>Then you can use the chunk option <code>fig.cap = "Your figure caption."</code> in <strong>knitr</strong>.</p>
+</div>
+<div id="more-examples" class="section level2">
+<h2>More Examples</h2>
+<p>You can write math expressions, e.g. <span class="math inline">\(Y = X\beta + \epsilon\)</span>, footnotes<a href="#fn1" class="footnoteRef" id="fnref1"><sup>1</sup></a>, and tables, e.g. using <code>knitr::kable()</code>.</p>
+<table>
+<thead>
+<tr class="header">
+<th></th>
+<th align="right">mpg</th>
+<th align="right">cyl</th>
+<th align="right">disp</th>
+<th align="right">hp</th>
+<th align="right">drat</th>
+<th align="right">wt</th>
+<th align="right">qsec</th>
+<th align="right">vs</th>
+<th align="right">am</th>
+<th align="right">gear</th>
+<th align="right">carb</th>
+</tr>
+</thead>
+<tbody>
+<tr class="odd">
+<td>Mazda RX4</td>
+<td align="right">21.0</td>
+<td align="right">6</td>
+<td align="right">160.0</td>
+<td align="right">110</td>
+<td align="right">3.90</td>
+<td align="right">2.620</td>
+<td align="right">16.46</td>
+<td align="right">0</td>
+<td align="right">1</td>
+<td align="right">4</td>
+<td align="right">4</td>
+</tr>
+<tr class="even">
+<td>Mazda RX4 Wag</td>
+<td align="right">21.0</td>
+<td align="right">6</td>
+<td align="right">160.0</td>
+<td align="right">110</td>
+<td align="right">3.90</td>
+<td align="right">2.875</td>
+<td align="right">17.02</td>
+<td align="right">0</td>
+<td align="right">1</td>
+<td align="right">4</td>
+<td align="right">4</td>
+</tr>
+<tr class="odd">
+<td>Datsun 710</td>
+<td align="right">22.8</td>
+<td align="right">4</td>
+<td align="right">108.0</td>
+<td align="right">93</td>
+<td align="right">3.85</td>
+<td align="right">2.320</td>
+<td align="right">18.61</td>
+<td align="right">1</td>
+<td align="right">1</td>
+<td align="right">4</td>
+<td align="right">1</td>
+</tr>
+<tr class="even">
+<td>Hornet 4 Drive</td>
+<td align="right">21.4</td>
+<td align="right">6</td>
+<td align="right">258.0</td>
+<td align="right">110</td>
+<td align="right">3.08</td>
+<td align="right">3.215</td>
+<td align="right">19.44</td>
+<td align="right">1</td>
+<td align="right">0</td>
+<td align="right">3</td>
+<td align="right">1</td>
+</tr>
+<tr class="odd">
+<td>Hornet Sportabout</td>
+<td align="right">18.7</td>
+<td align="right">8</td>
+<td align="right">360.0</td>
+<td align="right">175</td>
+<td align="right">3.15</td>
+<td align="right">3.440</td>
+<td align="right">17.02</td>
+<td align="right">0</td>
+<td align="right">0</td>
+<td align="right">3</td>
+<td align="right">2</td>
+</tr>
+<tr class="even">
+<td>Valiant</td>
+<td align="right">18.1</td>
+<td align="right">6</td>
+<td align="right">225.0</td>
+<td align="right">105</td>
+<td align="right">2.76</td>
+<td align="right">3.460</td>
+<td align="right">20.22</td>
+<td align="right">1</td>
+<td align="right">0</td>
+<td align="right">3</td>
+<td align="right">1</td>
+</tr>
+<tr class="odd">
+<td>Duster 360</td>
+<td align="right">14.3</td>
+<td align="right">8</td>
+<td align="right">360.0</td>
+<td align="right">245</td>
+<td align="right">3.21</td>
+<td align="right">3.570</td>
+<td align="right">15.84</td>
+<td align="right">0</td>
+<td align="right">0</td>
+<td align="right">3</td>
+<td align="right">4</td>
+</tr>
+<tr class="even">
+<td>Merc 240D</td>
+<td align="right">24.4</td>
+<td align="right">4</td>
+<td align="right">146.7</td>
+<td align="right">62</td>
+<td align="right">3.69</td>
+<td align="right">3.190</td>
+<td align="right">20.00</td>
+<td align="right">1</td>
+<td align="right">0</td>
+<td align="right">4</td>
+<td align="right">2</td>
+</tr>
+<tr class="odd">
+<td>Merc 230</td>
+<td align="right">22.8</td>
+<td align="right">4</td>
+<td align="right">140.8</td>
+<td align="right">95</td>
+<td align="right">3.92</td>
+<td align="right">3.150</td>
+<td align="right">22.90</td>
+<td align="right">1</td>
+<td align="right">0</td>
+<td align="right">4</td>
+<td align="right">2</td>
+</tr>
+<tr class="even">
+<td>Merc 280</td>
+<td align="right">19.2</td>
+<td align="right">6</td>
+<td align="right">167.6</td>
+<td align="right">123</td>
+<td align="right">3.92</td>
+<td align="right">3.440</td>
+<td align="right">18.30</td>
+<td align="right">1</td>
+<td align="right">0</td>
+<td align="right">4</td>
+<td align="right">4</td>
+</tr>
+</tbody>
+</table>
+<p>Also a quote using <code>></code>:</p>
+<blockquote>
+<p>“He who gives up [code] safety for [code] speed deserves neither.” (<a href="https://twitter.com/hadleywickham/status/504368538874703872">via</a>)</p>
+</blockquote>
+</div>
+<div class="footnotes">
+<hr />
+<ol>
+<li id="fn1"><p>A footnote here.<a href="#fnref1">↩</a></p></li>
+</ol>
+</div>
+
+
+
+<!-- dynamically load mathjax for compatibility with self-contained -->
+<script>
+ (function () {
+ var script = document.createElement("script");
+ script.type = "text/javascript";
+ script.src = "https://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS-MML_HTMLorMML";
+ document.getElementsByTagName("head")[0].appendChild(script);
+ })();
+</script>
+
+</body>
+</html>
--- /dev/null
+-----
+# Résultats numériques
+
+Cette partie montre les résultats obtenus avec des variantes de l'algorithme décrit au
+chapitre , en utilisant le package présenté à la section 3. 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 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").
+
+Concernant l'algorithme principal à voisins, trois variantes sont étudiées dans cette
+partie :
+
+ * avec simtype="mix" et raccordement "Neighbors" dans le cas "non local", i.e. on va
+chercher des voisins n'importe où du moment qu'ils correspondent au premier élément d'un
+couple de deux jours consécutifs sans valeurs manquantes.
+ * avec simtype="endo" + raccordement "Neighbors" puis simtype="none" + raccordement
+"Zero" (sans ajustement) dans le cas "local" : voisins de même niveau de pollution et
+même saison.
+
+Pour chaque période retenue $-$ chauffage, épandage, semaine non polluée $-$ les erreurs
+de prédiction sont d'abord affichées, puis quelques graphes de courbes réalisées/prévues
+(sur le jour "en moyenne le plus facile" à gauche, et "en moyenne le plus difficile" à
+droite). Ensuite plusieurs types de graphes apportant des précisions sur la nature et la
+difficulté du problème viennent compléter ces premières courbes. 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)
+
+P = ${P} #instant de prévision
+H = ${H} #horizon (en heures)
+
+ts_data = read.csv(system.file("extdata","pm10_mesures_H_loc_report.csv",
+ package="talweg"))
+exo_data = read.csv(system.file("extdata","meteo_extra_noNAs.csv",
+ package="talweg"))
+# NOTE: 'GMT' because DST gaps are filled and multiple values merged in
+# above dataset. Prediction from P+1 to P+H included.
+data = getData(ts_data, exo_data, input_tz = "GMT", working_tz="GMT",
+ predict_at=P)
+
+indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days")
+indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days")
+indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days")
+% for i in range(3):
+-----
+##<h2 style="color:blue;font-size:2em">${list_titles[i]}</h2>
+${"##"} ${list_titles[i]}
+-----r
+p1 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", horizon=H,
+ simtype="mix", local=FALSE)
+p2 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", horizon=H,
+ simtype="endo", local=TRUE)
+p3 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Zero", horizon=H,
+ simtype="none", local=TRUE)
+p4 = computeForecast(data, ${list_indices[i]}, "Average", "Zero", horizon=H)
+p5 = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", horizon=H,
+ same_day=${'TRUE' if loop.index < 2 else 'FALSE'})
+-----r
+e1 = computeError(data, p1, H)
+e2 = computeError(data, p2, H)
+e3 = computeError(data, p3, H)
+e4 = computeError(data, p4, H)
+e5 = computeError(data, p5, H)
+options(repr.plot.width=9, repr.plot.height=7)
+plotError(list(e1, e5, e4, e2, e3), cols=c(1,2,colors()[258],4,6))
+
+# noir: Neighbors non-local (p1), bleu: Neighbors local endo (p2),
+# mauve: Neighbors local none (p3), vert: moyenne (p4),
+# rouge: persistence (p5)
+
+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). 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 gauche).
+% elif i == 1:
+Il est difficile dans ce cas de déterminer une méthode meilleure que les autres : elles
+donnent toutes de plutôt mauvais résultats, avec une erreur absolue moyennée sur la
+journée dépassant presque toujours 15 (graphe en haut à droite).
+% else:
+Dans ce cas plus favorable les intensité des erreurs absolues ont clairement diminué :
+elles restent souvent en dessous de 5. En revanche le MAPE moyen reste au-delà de 20%, et
+même souvent plus de 30%. Comme dans le cas de l'épandage on constate une croissance
+globale de la courbe journalière d'erreur absolue moyenne (en haut à gauche) ; ceci peut
+être dû au fait que l'on ajuste le niveau du jour à prédire en le recollant sur la
+dernière valeur observée.
+% endif
+-----r
+options(repr.plot.width=9, repr.plot.height=4)
+par(mfrow=c(1,2))
+
+plotPredReal(data, p1, i_np); title(paste("PredReal p1 day",i_np))
+plotPredReal(data, p1, i_p); title(paste("PredReal p1 day",i_p))
+
+plotPredReal(data, p2, i_np); title(paste("PredReal p2 day",i_np))
+plotPredReal(data, p2, i_p); title(paste("PredReal p2 day",i_p))
+
+plotPredReal(data, p3, i_np); title(paste("PredReal p3 day",i_np))
+plotPredReal(data, p3, i_p); title(paste("PredReal p3 day",i_p))
+
+# Bleu : prévue ; noir : réalisée
+-----
+% if i == 0:
+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" (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
+retrouvée, mais le niveau moyen est trop bas (courbe en bleu). Concernant le jour
+"difficile" à droite, non seulement la forme n'est pas anticipée mais surtout le niveau
+prédit est très inférieur au niveau de pollution observé. Comme on le voit ci-dessous
+cela découle d'un manque de voisins au comportement similaire.
+% else:
+La forme est raisonnablement retrouvée pour les méthodes "locales", l'autre version
+lissant trop les prédictions. Le biais reste cependant important, surtout en fin de
+journée sur la courbes "difficile à prévoir".
+% endif
+-----r
+par(mfrow=c(1,2))
+f_np1 = computeFilaments(data, p1, i_np, plot=TRUE)
+ title(paste("Filaments p1 day",i_np))
+f_p1 = computeFilaments(data, p1, i_p, plot=TRUE)
+ title(paste("Filaments p1 day",i_p))
+
+f_np2 = computeFilaments(data, p2, i_np, plot=TRUE)
+ title(paste("Filaments p2 day",i_np))
+f_p2 = computeFilaments(data, p2, i_p, plot=TRUE)
+ title(paste("Filaments p2 day",i_p))
+-----
+% if i == 0:
+Les voisins du jour courant (période de 24h allant de 8h à 7h le lendemain) sont affichés
+avec un trait d'autant plus sombre qu'ils sont proches. On constate dans le cas non
+contraint (en haut) une grande variabilité des lendemains, très nette sur le graphe en
+haut à droite. Ceci indique une faible corrélation entre la forme d'une courbe sur une
+période de 24h et la forme sur les 24h suivantes ; **cette observation est la source des
+difficultés rencontrées par l'algorithme sur ce jeu de données.**
+% elif i == 1:
+Les observations sont les mêmes qu'au paragraphe précédent : trop de variabilité des
+lendemains (et même des voisins du jour courant).
+% else:
+Les graphes de filaments ont encore la même allure, avec une assez grande variabilité
+observée. Cette observation est cependant trompeuse, comme l'indique plus bas le graphe
+de variabilité relative.
+% endif
+-----r
+par(mfrow=c(1,2))
+plotFilamentsBox(data, f_np1); title(paste("FilBox p1 day",i_np))
+plotFilamentsBox(data, f_p1); title(paste("FilBox p1 day",i_p))
+
+# 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") 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
+des voisins sont trop éloignés de la forme à prédire et forcent ainsi un aplatissement de
+la prédiction.
+% elif i == 1:
+On constate la présence d'un voisin au lendemain complètement atypique avec un pic en
+début de journée (courbe en vert à gauche), et d'un autre phénomène semblable avec la
+courbe rouge sur le graphe de droite. Ajouté au fait que le lendemain à prévoir est
+lui-même un jour "hors norme", cela montre l'impossibilité de bien prévoir une courbe en
+utilisant l'algorithme à voisins.
+% else:
+On peut réappliquer les mêmes remarques qu'auparavant sur les boxplots fonctionnels :
+lendemains de voisins atypiques, courbe à prévoir elle-même légèrement "hors norme".
+% endif
+-----r
+par(mfrow=c(1,2))
+plotRelVar(data, f_np1); title(paste("StdDev p1 day",i_np))
+plotRelVar(data, f_p1); title(paste("StdDev p1 day",i_p))
+
+plotRelVar(data, f_np2); title(paste("StdDev p2 day",i_np))
+plotRelVar(data, f_p2); title(paste("StdDev p2 day",i_p))
+
+# Variabilité globale en rouge ; sur les voisins (+ lendemains) en noir
+-----
+% if i == 0:
+Ces graphes viennent confirmer l'impression visuelle après observation des filaments. En
+effet, la variabilité globale en rouge (écart-type heure par heure sur l'ensemble des
+couples "aujourd'hui/lendemain"du passé) devrait rester nettement au-dessus de la
+variabilité locale, calculée respectivement sur un voisinage d'une soixantaine de jours
+(pour p1) et d'une dizaine de jours (pour p2). Or on constate que ce n'est pas du tout le
+cas sur la période "lendemain", sauf en partie pour p2 le jour 4 $-$ mais ce n'est pas
+suffisant.
+% elif i == 1:
+Comme précédemment les variabilités locales et globales sont confondues dans les parties
+droites des graphes $-$ sauf pour la version "locale" sur le jour "facile"; mais cette
+bonne propriété n'est pas suffisante si l'on ne trouve pas les bons poids à appliquer.
+% else:
+Cette fois la situation idéale est observée : la variabilité globale est nettement
+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
+-----r
+par(mfrow=c(1,2))
+plotSimils(p1, i_np); title(paste("Weights p1 day",i_np))
+plotSimils(p1, i_p); title(paste("Weights p1 day",i_p))
+
+plotSimils(p2, i_np); title(paste("Weights p2 day",i_np))
+plotSimils(p2, i_p); title(paste("Weights p2 day",i_p))
+-----
+% if i == 0:
+Les poids se concentrent près de 0 dans le cas "non local" (p1), et se répartissent assez
+uniformément dans [ 0, 0.2 ] dans le cas "local" (p2). C'est ce que l'on souhaite
+observer pour éviter d'effectuer une simple moyenne.
+% elif i == 1:
+En comparaison avec le pragraphe précédent on retrouve le même (bon) comportement des
+poids pour la version "non locale". En revanche la fenêtre optimisée est trop grande sur
+le jour "facile" pour la méthode "locale" (voir affichage ci-dessous) : il en résulte des
+poids tous semblables autour de 0.084, l'algorithme effectue donc une moyenne simple $-$
+expliquant pourquoi les courbes mauve et bleue sont très proches sur le graphe d'erreurs.
+% else:
+Concernant les poids en revanche, deux cas a priori mauvais se cumulent :
+
+ * les poids dans le cas "non local" ne sont pas assez concentrés autour de 0, menant à
+un lissage trop fort $-$ comme observé sur les graphes des courbes réalisées/prévues ;
+ * les poids dans le cas "local" sont trop semblables (à cause de la trop grande fenêtre
+optimisée par validation croisée, cf. ci-dessous), résultant encore en une moyenne simple
+$-$ mais sur moins de jours, plus proches du jour courant.
+% endif
+-----r
+# Fenêtres sélectionnées dans ]0,7] :
+# "non-local" 2 premières lignes, "local" ensuite
+p1$getParams(i_np)$window
+p1$getParams(i_p)$window
+
+p2$getParams(i_np)$window
+p2$getParams(i_p)$window
+% endfor
+-----
+${"##"} 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. 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).
-----
-# 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.
--- /dev/null
+-----
+# Package R "talweg"
+
+Le package $-$ Time-series sAmpLes forecasted With ExoGenous variables $-$ contient le
+code permettant de lancer les expériences numériques décrites dans le chapitre suivant.
+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)
+-----
+${"##"} Graphiques
+
+Voir ?plotError : les autres fonctions graphiques sont dans la section 'seealso' :
+
+ ‘plotCurves’, ‘plotPredReal’, ‘plotSimils’, ‘plotFbox’,
+ ‘computeFilaments’, ‘plotFilamentsBox’, ‘plotRelVar’
+
+?plotXXX, etc.
+++ /dev/null
-#$# git-fat 4a0e88af47c14a7cdb4d00b268517eefec453d90 2747183
#!/bin/sh
-# Usage: ./run.sh P H
+# Usage: ./run.sh file[no_suffix] P H
-./ipynb_generator.py report.gj - P=$1 H=$2
+./ipynb_generator.py $1.gj - P=$2 H=$3
-#htmlfile=report_P$1_H$2.html
-nbfile=report_P$1_H$2.ipynb
jupyter-nbconvert \
--ExecutePreprocessor.kernel_name='ir' \
--ExecutePreprocessor.timeout=1800 \
- --execute report.ipynb \
- --to notebook --output $nbfile
-# --to html --output=$htmlfile
+ --execute $1.ipynb \
+ --to notebook --output $1.out.ipynb
+# --to html --output=$1.html
projects / talweg.git / commitdiff