refactor reports.gj, prepare also 13h report

[talweg.git] / reports / PackageR.gj

-----
# 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.