reports/report.gj

   1 -----
   2 <h2>Introduction</h2>
   3
   4 J'ai fait quelques essais dans différentes configurations pour la méthode "Neighbors"
   5 (la seule dont on a parlé).<br>Il semble que le mieux soit
   6
   7  * simtype="exo" ou "mix" : similarités exogènes avec/sans endogènes (fenêtre optimisée par VC)
   8  * same_season=FALSE : les indices pour la validation croisée ne tiennent pas compte des saisons
   9  * mix_strategy="mult" : on multiplie les poids (au lieu d'en éteindre)
  10
  11 J'ai systématiquement comparé à une approche naïve : la moyennes des lendemains des jours
  12 "similaires" dans tout le passé ; à chaque fois sans prédiction du saut (sauf pour Neighbors :
  13 prédiction basée sur les poids calculés).
  14
  15 Ensuite j'affiche les erreurs, quelques courbes prévues/mesurées, quelques filaments puis les
  16 histogrammes de quelques poids. Concernant les graphes de filaments, la moitié gauche du graphe
  17 correspond aux jours similaires au jour courant, tandis que la moitié droite affiche les
  18 lendemains : ce sont donc les voisinages tels qu'utilisés dans l'algorithme.
  19
  20 <%
  21 list_titles = ['Pollution par chauffage', 'Pollution par épandage', 'Semaine non polluée']
  22 list_indices = ['indices_ch', 'indices_ep', 'indices_np']
  23 %>
  24 -----r
  25 library(talweg)
  26
  27 ts_data = read.csv(system.file("extdata","pm10_mesures_H_loc_report.csv",package="talweg"))
  28 exo_data = read.csv(system.file("extdata","meteo_extra_noNAs.csv",package="talweg"))
  29 data = getData(ts_data, exo_data, input_tz = "Europe/Paris", working_tz="Europe/Paris", predict_at=13)
  30
  31 indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days")
  32 indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days")
  33 indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days")
  34 % for i in range(3):
  35 -----
  36 <h2 style="color:blue;font-size:2em">${list_titles[i]}</h2>
  37 -----r
  38 p_nn_exo = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", simtype="exo", horizon=H)
  39 p_nn_mix = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", simtype="mix", horizon=H)
  40 p_az = computeForecast(data, ${list_indices[i]}, "Average", "Zero", horizon=H) #, memory=183)
  41 p_pz = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", horizon=H, same_day=TRUE)
  42 -----r
  43 e_nn_exo = computeError(data, p_nn_exo)
  44 e_nn_mix = computeError(data, p_nn_mix)
  45 e_az = computeError(data, p_az)
  46 e_pz = computeError(data, p_pz)
  47 options(repr.plot.width=9, repr.plot.height=7)
  48 plotError(list(e_nn_mix, e_pz, e_az, e_nn_exo), cols=c(1,2,colors()[258], 4))
  49
  50 # Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence
  51
  52 i_np = which.min(e_nn_exo$abs$indices)
  53 i_p = which.max(e_nn_exo$abs$indices)
  54 -----r
  55 options(repr.plot.width=9, repr.plot.height=4)
  56 par(mfrow=c(1,2))
  57
  58 plotPredReal(data, p_nn_exo, i_np); title(paste("PredReal nn exo day",i_np))
  59 plotPredReal(data, p_nn_exo, i_p); title(paste("PredReal nn exo day",i_p))
  60
  61 plotPredReal(data, p_nn_mix, i_np); title(paste("PredReal nn mix day",i_np))
  62 plotPredReal(data, p_nn_mix, i_p); title(paste("PredReal nn mix day",i_p))
  63
  64 plotPredReal(data, p_az, i_np); title(paste("PredReal az day",i_np))
  65 plotPredReal(data, p_az, i_p); title(paste("PredReal az day",i_p))
  66
  67 # Bleu: prévue, noir: réalisée
  68 -----r
  69 par(mfrow=c(1,2))
  70 f_np_exo = computeFilaments(data, p_nn_exo, i_np, plot=TRUE); title(paste("Filaments nn exo day",i_np))
  71 f_p_exo = computeFilaments(data, p_nn_exo, i_p, plot=TRUE); title(paste("Filaments nn exo day",i_p))
  72
  73 f_np_mix = computeFilaments(data, p_nn_mix, i_np, plot=TRUE); title(paste("Filaments nn mix day",i_np))
  74 f_p_mix = computeFilaments(data, p_nn_mix, i_p, plot=TRUE); title(paste("Filaments nn mix day",i_p))
  75 -----r
  76 par(mfrow=c(1,2))
  77 plotFilamentsBox(data, f_np_exo); title(paste("FilBox nn exo day",i_np))
  78 plotFilamentsBox(data, f_p_exo); title(paste("FilBox nn exo day",i_p))
  79
  80 plotFilamentsBox(data, f_np_mix); title(paste("FilBox nn mix day",i_np))
  81 plotFilamentsBox(data, f_p_mix); title(paste("FilBox nn mix day",i_p))
  82 -----r
  83 par(mfrow=c(1,2))
  84 plotRelVar(data, f_np_exo); title(paste("StdDev nn exo day",i_np))
  85 plotRelVar(data, f_p_exo); title(paste("StdDev nn exo day",i_p))
  86
  87 plotRelVar(data, f_np_mix); title(paste("StdDev nn mix day",i_np))
  88 plotRelVar(data, f_p_mix); title(paste("StdDev nn mix day",i_p))
  89
  90 # Variabilité globale en rouge ; sur les 60 voisins (+ lendemains) en noir
  91 -----r
  92 par(mfrow=c(1,2))
  93 plotSimils(p_nn_exo, i_np); title(paste("Weights nn exo day",i_np))
  94 plotSimils(p_nn_exo, i_p); title(paste("Weights nn exo day",i_p))
  95
  96 plotSimils(p_nn_mix, i_np); title(paste("Weights nn mix day",i_np))
  97 plotSimils(p_nn_mix, i_p); title(paste("Weights nn mix day",i_p)
  98
  99 # - pollué à gauche, + pollué à droite
 100 -----r
 101 # Fenêtres sélectionnées dans ]0,10] / endo à gauche, exo à droite
 102 p_nn_exo$getParams(i_np)$window
 103 p_nn_exo$getParams(i_p)$window
 104
 105 p_nn_mix$getParams(i_np)$window
 106 p_nn_mix$getParams(i_p)$window
 107 % endfor
 108 -----
 109 <h2>Bilan</h2>
 110
 111 Problème difficile : on ne fait guère mieux qu'une naïve moyenne des lendemains des jours
 112 similaires dans le passé, ce qui n'est pas loin de prédire une série constante égale à la
 113 dernière valeur observée (méthode "zéro"). La persistence donne parfois de bons résultats
 114 mais est trop instable (sensibilité à l'argument <code>same_day</code>).
 115
 116 Comment améliorer la méthode ?