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",
  30     predict_at=${P}) #predict from P+1 to P+H included
  31
  32 indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days")
  33 indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days")
  34 indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days")
  35
  36 % for i in range(3):
  37 -----
  38 <h2 style="color:blue;font-size:2em">${list_titles[i]}</h2>
  39 -----r
  40 p_nn_exo = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors",
  41     horizon=${H}, simtype="exo")
  42 p_nn_mix = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors",
  43     horizon=${H}, simtype="mix")
  44 p_az = computeForecast(data, ${list_indices[i]}, "Average", "Zero",
  45     horizon=${H})
  46 p_pz = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero",
  47     horizon=${H}, same_day=TRUE)
  48 -----r
  49 e_nn_exo = computeError(data, p_nn_exo, ${H})
  50 e_nn_mix = computeError(data, p_nn_mix, ${H})
  51 e_az = computeError(data, p_az, ${H})
  52 e_pz = computeError(data, p_pz, ${H})
  53 options(repr.plot.width=9, repr.plot.height=7)
  54 plotError(list(e_nn_mix, e_pz, e_az, e_nn_exo), cols=c(1,2,colors()[258], 4))
  55
  56 # Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence
  57
  58 i_np = which.min(e_nn_exo$abs$indices)
  59 i_p = which.max(e_nn_exo$abs$indices)
  60 -----r
  61 options(repr.plot.width=9, repr.plot.height=4)
  62 par(mfrow=c(1,2))
  63
  64 plotPredReal(data, p_nn_exo, i_np); title(paste("PredReal nn exo day",i_np))
  65 plotPredReal(data, p_nn_exo, i_p); title(paste("PredReal nn exo day",i_p))
  66
  67 plotPredReal(data, p_nn_mix, i_np); title(paste("PredReal nn mix day",i_np))
  68 plotPredReal(data, p_nn_mix, i_p); title(paste("PredReal nn mix day",i_p))
  69
  70 plotPredReal(data, p_az, i_np); title(paste("PredReal az day",i_np))
  71 plotPredReal(data, p_az, i_p); title(paste("PredReal az day",i_p))
  72
  73 # Bleu: prévue, noir: réalisée
  74 -----r
  75 par(mfrow=c(1,2))
  76 f_np_exo = computeFilaments(data, p_nn_exo, i_np, plot=TRUE); title(paste("Filaments nn exo day",i_np))
  77 f_p_exo = computeFilaments(data, p_nn_exo, i_p, plot=TRUE); title(paste("Filaments nn exo day",i_p))
  78
  79 f_np_mix = computeFilaments(data, p_nn_mix, i_np, plot=TRUE); title(paste("Filaments nn mix day",i_np))
  80 f_p_mix = computeFilaments(data, p_nn_mix, i_p, plot=TRUE); title(paste("Filaments nn mix day",i_p))
  81 -----r
  82 par(mfrow=c(1,2))
  83 plotFilamentsBox(data, f_np_exo); title(paste("FilBox nn exo day",i_np))
  84 plotFilamentsBox(data, f_p_exo); title(paste("FilBox nn exo day",i_p))
  85
  86 plotFilamentsBox(data, f_np_mix); title(paste("FilBox nn mix day",i_np))
  87 plotFilamentsBox(data, f_p_mix); title(paste("FilBox nn mix day",i_p))
  88 -----r
  89 par(mfrow=c(1,2))
  90 plotRelVar(data, f_np_exo); title(paste("StdDev nn exo day",i_np))
  91 plotRelVar(data, f_p_exo); title(paste("StdDev nn exo day",i_p))
  92
  93 plotRelVar(data, f_np_mix); title(paste("StdDev nn mix day",i_np))
  94 plotRelVar(data, f_p_mix); title(paste("StdDev nn mix day",i_p))
  95
  96 # Variabilité globale en rouge ; sur les 60 voisins (+ lendemains) en noir
  97 -----r
  98 par(mfrow=c(1,2))
  99 plotSimils(p_nn_exo, i_np); title(paste("Weights nn exo day",i_np))
 100 plotSimils(p_nn_exo, i_p); title(paste("Weights nn exo day",i_p))
 101
 102 plotSimils(p_nn_mix, i_np); title(paste("Weights nn mix day",i_np))
 103 plotSimils(p_nn_mix, i_p); title(paste("Weights nn mix day",i_p))
 104
 105 # - pollué à gauche, + pollué à droite
 106 -----r
 107 # Fenêtres sélectionnées dans ]0,10] / endo à gauche, exo à droite
 108 p_nn_exo$getParams(i_np)$window
 109 p_nn_exo$getParams(i_p)$window
 110
 111 p_nn_mix$getParams(i_np)$window
 112 p_nn_mix$getParams(i_p)$window
 113 % endfor
 114 -----
 115 <h2>Bilan</h2>
 116
 117 Problème difficile : on ne fait guère mieux qu'une naïve moyenne des lendemains des jours
 118 similaires dans le passé, ce qui n'est pas loin de prédire une série constante égale à la
 119 dernière valeur observée (méthode "zéro"). La persistence donne parfois de bons résultats
 120 mais est trop instable (sensibilité à l'argument <code>same_day</code>).
 121
 122 Comment améliorer la méthode ?