X-Git-Url: https://git.auder.net/app_dev.php/current/gitweb.js?a=blobdiff_plain;f=reports%2FOLD%2Freport_OLD.gj;fp=reports%2FOLD%2Freport_OLD.gj;h=0000000000000000000000000000000000000000;hb=096e9798a4241f14d12c3663f8035d8def43d7e3;hp=b8b9233e6b2c2f76cab3d08a03ad685ec6086e69;hpb=f71b975b140342f7ea80275359b7f4f9aa75153a;p=talweg.git
diff --git a/reports/OLD/report_OLD.gj b/reports/OLD/report_OLD.gj
deleted file mode 100644
index b8b9233..0000000
--- a/reports/OLD/report_OLD.gj
+++ /dev/null
@@ -1,283 +0,0 @@
------
-# Résultats numériques
-
-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 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 de même type (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" Ã gauche, et "en moyenne le plus difficile" Ã
-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):
------
-##
${list_titles[i]}
-${"##"} ${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)
-
-##############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 deÌpasse 20 sur 1 aÌ 2 jours suivant les modeÌles (graphe en haut aÌ
-droite). ##C'est au-delaÌ de ce que l'on aimerait voir (disons +/- 5 environ).
-Sur cet
-exemple le modeÌle aÌ voisins "contraint" (local=TRUE) utilisant des pondeÌrations baseÌes
-sur les similariteÌs de forme (simtype="endo") obtient en moyenne les meilleurs reÌsultats,
-avec un MAPE restant en geÌneÌral infeÌrieur aÌ 30% de 8h aÌ 19h (7+1 aÌ 7+12 : graphe en bas aÌ
-gauche).
-% elif i == 1:
-Il est difficile dans ce cas de deÌterminer une meÌthode meilleure que les autres : elles
-donnent toutes de plutoÌt mauvais reÌsultats, avec une erreur absolue moyenneÌe sur la
-journeÌe deÌpassant presque toujours 15 (graphe en haut aÌ droite).
-% else:
-Dans ce cas plus favorable les intensiteÌ des erreurs absolues ont clairement diminueÌ :
-elles restent souvent en dessous de 5. En revanche le MAPE moyen reste au-delaÌ de 20%, et
-meÌme souvent plus de 30%. Comme dans le cas de l'eÌpandage on constate une croissance
-globale de la courbe journalieÌre d'erreur absolue moyenne (en haut aÌ gauche) ; ceci peut
-eÌtre duÌ au fait que l'on ajuste le niveau du jour aÌ preÌdire en le recollant sur la
-dernieÌre valeur observeÌe.
-% 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:
-La courbe non centrée du jour facile à prévoir (en noir),
-##Le jour "facile aÌ preÌvoir",
-aÌ gauche, se deÌcompose en deux modes : un leÌger vers 10h
-(7+3), puis un beaucoup plus marqueÌ vers 19h (7+12). Ces deux modes sont retrouveÌs par
-les trois variantes de l'algorithme aÌ voisins, bien que l'amplitude soit mal preÌdite.
-Concernant le jour "difficile aÌ preÌvoir" (Ã droite) il y a deux pics en tout deÌbut et toute fin de
-journeÌe (aÌ 9h et 23h), qui ne sont pas du tout anticipés par les méthodes ; la grande
-amplitude de ces pics explique alors l'intensiteÌ de l'erreur observeÌe.
-% elif i == 1:
-Dans le cas d'un jour "facile" aÌ preÌdire $-$ aÌ gauche $-$ la forme est plus ou moins
-retrouveÌe, mais le niveau moyen est trop bas (courbe en bleu). Concernant le jour
-"difficile" aÌ droite, non seulement la forme n'est pas anticipeÌe mais surtout le niveau
-preÌdit est treÌs infeÌrieur au niveau de pollution observeÌ. Comme on le voit ci-dessous
-cela deÌcoule d'un manque de voisins au comportement similaire.
-% else:
-La forme est raisonnablement retrouveÌe pour les meÌthodes "locales", l'autre version
-lissant trop les preÌdictions. Le biais reste cependant important, surtout en fin de
-journeÌe sur le jour "difficile".
-% 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 (peÌriode de 24h allant de 8h aÌ 7h le lendemain) sont afficheÌs
-avec un trait d'autant plus sombre qu'ils sont proches. On constate dans le cas non
-contraint (en haut) une grande variabiliteÌ des lendemains, treÌs nette sur le graphe en
-haut aÌ droite. Ceci indique une faible correÌlation entre la forme d'une courbe sur une
-peÌriode de 24h et la forme sur les 24h suivantes ; **cette observation est la source des
-difficulteÌs rencontreÌes par l'algorithme sur ce jeu de donneÌes.**
-% elif i == 1:
-Les observations sont les meÌmes qu'au paragraphe preÌceÌdent : trop de variabiliteÌ des
-lendemains (et meÌme des voisins du jour courant).
-% else:
-Les graphes de filaments ont encore la meÌme allure, avec une assez grande variabiliteÌ
-observeÌe. Cette observation est cependant trompeuse, comme l'indique plus bas le graphe
-de variabiliteÌ 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))
-
-## 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 pointilleÌs la courbe du jour courant + lendemain (aÌ preÌdire)
------
-% 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 reÌveÌler
-eÌtre une courbe atypique, fort eÌloigneÌe de ce que l'on souhaite preÌdire (courbes bleue et
-rouge aÌ gauche) ; et, dans le cas d'une courbe aÌ preÌdire atypique (aÌ droite) la plupart
-des voisins sont trop eÌloigneÌs de la forme aÌ preÌdire et forcent ainsi un aplatissement de
-la preÌdiction.
-% elif i == 1:
-On constate la preÌsence d'un voisin au lendemain compleÌtement atypique avec un pic en
-deÌbut de journeÌe (courbe en vert aÌ gauche), et d'un autre pheÌnomeÌne semblable avec la
-courbe rouge sur le graphe de droite. AjouteÌ au fait que le lendemain aÌ preÌvoir est
-lui-meÌme un jour "hors norme", cela montre l'impossibiliteÌ de bien preÌvoir une courbe en
-utilisant l'algorithme aÌ voisins.
-% else:
-On peut reÌappliquer les meÌmes remarques qu'auparavant sur les boxplots fonctionnels :
-lendemains de voisins atypiques, courbe aÌ preÌvoir elle-meÌme leÌgeÌrement "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 apreÌs observation des filaments. En
-effet, la variabiliteÌ globale en rouge (eÌcart-type heure par heure sur l'ensemble des
-couples "aujourd'hui/lendemain"du passeÌ) devrait rester nettement au-dessus de la
-variabiliteÌ locale, calculeÌe 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 peÌriode "lendemain", sauf en partie pour p2 le jour 4 $-$ mais ce n'est pas
-suffisant.
-% elif i == 1:
-Comme preÌceÌdemment les variabiliteÌs locales et globales sont confondues dans les parties
-droites des graphes $-$ sauf pour la version "locale" sur le jour "facile"; mais cette
-bonne proprieÌteÌ n'est pas suffisante si l'on ne trouve pas les bons poids aÌ appliquer.
-% else:
-Cette fois la situation ideÌale est observeÌe : la variabiliteÌ globale est nettement
-au-dessus de la variabiliteÌ locale. Bien que cela ne suffise pas aÌ obtenir de bonnes
-preÌdictions de forme, on constate au moins l'ameÌlioration dans la preÌdiction 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 preÌs de 0 dans le cas "non local" (p1), et se reÌpartissent assez
-uniformeÌment dans [ 0, 0.2 ] dans le cas "local" (p2). C'est ce que l'on souhaite
-observer pour eÌviter d'effectuer une simple moyenne.
-% elif i == 1:
-En comparaison avec le pragraphe preÌceÌdent on retrouve le meÌme (bon) comportement des
-poids pour la version "non locale". En revanche la feneÌtre optimiseÌe est trop grande sur
-le jour "facile" pour la meÌthode "locale" (voir affichage ci-dessous) : il en reÌsulte des
-poids tous semblables autour de 0.084, l'algorithme effectue donc une moyenne simple $-$
-expliquant pourquoi les courbes mauve et bleue sont treÌs 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 concentreÌs autour de 0, menant aÌ
-un lissage trop fort $-$ comme observeÌ sur les graphes des courbes reÌaliseÌes/preÌvues ;
- * les poids dans le cas "local" sont trop semblables (aÌ cause de la trop grande feneÌtre
-optimiseÌe par validation croiseÌe, cf. ci-dessous), reÌsultant 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 aÌ voisins ne sont pas adapteÌs aÌ ce jeu de donneÌes ouÌ la forme varie
-consideÌrablement d'un jour aÌ l'autre.
-Toutefois, un espoir reste permis par exemple en aggreÌgeant les courbes spatialement (sur
-plusieurs stations situeÌes dans la meÌme agglomeÌration ou dans une meÌme zone).
-##Plus geÌneÌralement cette deÌcorreÌlation de forme rend
-##ardue la taÌche de preÌvision pour toute autre meÌthode $-$ du moins, nous ne savons pas
-##comment proceÌder pour parvenir aÌ une bonne preÌcision.