| 1 | #setwd("/Users/bp/Desktop/CONTRATS_AirNormand/2016/RapportFinalBruno") |
| 2 | rm(list=ls()) |
| 3 | |
| 4 | # Lecture des données: pm = dataframe 2 colonnes, date-time puis PM10 horaire |
| 5 | pm = read.table("DATA/mesures_horaires_hloc_pm10_a_filer.csv",sep=";",dec=".",header=T) |
| 6 | #n = dim(pm)[1] |
| 7 | #datedebut = "10/12/2008" |
| 8 | |
| 9 | # Chargement des données météo et indicateurs: VarExp matrice des données météo, |
| 10 | # première colonne = date, première rangée = second jour |
| 11 | VarExp <- read.table("DATA/meteo_extra_jourMois.csv",sep=";",dec=".",header=T) |
| 12 | VarExp <- VarExp[-1,] |
| 13 | |
| 14 | # Lecture des dates: ??? sans doute liste des jours de 10/12/2008 à 06/2016... |
| 15 | dates = read.table("DATA/Dates_jours.csv",header=F,as.is=T) |
| 16 | dates = dates[,1] |
| 17 | |
| 18 | # Contruction des matrices de données: pm.h = matrice des séries en ligne |
| 19 | pm.h <- matrix(pm[,2],ncol=24,byrow=TRUE) |
| 20 | Nlignes = nrow(pm.h) |
| 21 | |
| 22 | # Data = matrice des couples de jours (séries de 48 PM10), |
| 23 | # première ligne = jour 1/2, dernière = jour N-1/N |
| 24 | Data = cbind(pm.h[1:(Nlignes -1), ], pm.h[2:Nlignes, ]) |
| 25 | |
| 26 | # dates2 = dates du 2eme jour au dernier |
| 27 | dates2 = dates[2:Nlignes] |
| 28 | |
| 29 | rownames(Data) = dates2 |
| 30 | # df contient l'ensemble des données. |
| 31 | #df <- cbind(Data,varexp[,-1]) |
| 32 | df <- Data |
| 33 | |
| 34 | # Complétion des variables exogènes (du 2eme jour) par les PM10 moyen ce même jour |
| 35 | PMjour <- apply(df[,25:48],1,mean,na.rm=T) |
| 36 | dfexp <- cbind(VarExp,PMjour) |
| 37 | |
| 38 | Dates = c( |
| 39 | "16/03/2015", |
| 40 | "19/01/2015", |
| 41 | "27/04/2015") |
| 42 | |
| 43 | Categorie = c("Epandage", "Chauffage", "Non Polluée") |
| 44 | |
| 45 | RepFig = "FIGURES_Etude" |
| 46 | |
| 47 | ResDates = NULL |
| 48 | |
| 49 | nbvois=10 |
| 50 | j=1 # numéro de semaine |
| 51 | ij=6 # numéro du jour (0 = lundi) |
| 52 | |
| 53 | Err24 = NULL |
| 54 | ErrPrev = NULL |
| 55 | Kvois = NULL |
| 56 | |
| 57 | for (Hc in 5:24) |
| 58 | { |
| 59 | H=24+Hc #Hc: dernier PM10 connu avant prédiction des 24-Hc restants, le jour 2 |
| 60 | L = 1:H |
| 61 | |
| 62 | # Premier conditionnement : mois |
| 63 | indcond <- dfexp[,"Mois"] == 2 | dfexp[,"Mois"] == 3 | dfexp[,"Mois"] == 4 |
| 64 | | dfexp[,"Mois"] == 9 | dfexp[,"Mois"] == 10 |
| 65 | data = df[indcond,] #restriction aux couples dont le mois du 2eme jour est 2,3,4,9 ou 10 |
| 66 | varexp = dfexp[indcond,] #de même sur les exogènes (+ PM10 moyens) |
| 67 | |
| 68 | nl = (1:nrow(data))[rownames(data)==Dates[j]] #numéro de ligne où 2eme jour == 16/03/2015 |
| 69 | dateJPrev = rownames(data)[nl+ij] # ??? la date du 1er jour du couple de jours pile une semaine après le couple 'nl' |
| 70 | dataj = as.numeric(data[nl+ij, 1:48]) #extraction de cette série dans dataj |
| 71 | data = data[-(nl + ij), ] #suppression de cette série dans data (????) |
| 72 | varexp = varexp[-(nl + ij), ] #idem dans les variables exogènes (date 16/03/2015 + 6 jours |
| 73 | indNA = attr(na.omit(data[, 1:48]),"na.action") |
| 74 | data = data[-indNA,] |
| 75 | varexp = varexp[-indNA,] |
| 76 | |
| 77 | # Conditionnement : les jours avec PMjour +/- large |
| 78 | large = 1 |
| 79 | bornes = mean(dataj[25:48])+c(-large,large) |
| 80 | indcond = varexp[,"PMjour"]>=bornes[1] & varexp[,"PMjour"]<=bornes[2] |
| 81 | data = data[indcond,] |
| 82 | varexp = varexp[indcond,] |
| 83 | |
| 84 | D = rep(0,nrow(data)) |
| 85 | for (k in 1:nrow(data)) |
| 86 | { |
| 87 | #D[k] = sqrt(sum((1:H)*(dataj[L] - data[k,L])^2)) |
| 88 | D[k] = sqrt(sum((dataj[L] - data[k,L])^2)) |
| 89 | } |
| 90 | ind = order(D)[1:nbvois] |
| 91 | w = 1/(D[ind]^2) |
| 92 | w = w/sum(w) |
| 93 | W = w %o% rep(1,48) |
| 94 | JourMoy = apply(data[ind, 1:48], 2, mean) |
| 95 | #JourMoy = apply(W*data[ind, 1:48], 2, sum) |
| 96 | NomFile = paste("Voisins_Epandage_PMjour_Hc_",Hc,".png",sep="") |
| 97 | Titre = paste("Jour à prévoir : ",dateJPrev," - ", length(ind)," voisins",sep="") |
| 98 | #erreur = sqrt(sum((dataj[25:48] - JourMoy[25:48])^2)) |
| 99 | if(Hc==24) |
| 100 | erreurPrev=NA |
| 101 | else |
| 102 | erreurPrev = mean(abs(dataj[(H+1):48] - JourMoy[(H+1):48])) |
| 103 | erreur24 = mean(abs(dataj[25:48] - JourMoy[25:48])) |
| 104 | #png(NomFile) |
| 105 | matplot(t(data[ind, 1:48]), type = "l", lwd=1.4, lty=1, col=1:length(ind), |
| 106 | cex.axis=1.4, cex.main = 1.7, cex.lab=1.5, |
| 107 | xlab="Heures locales", ylab=paste0("PM10 - Erreurs = ",round(erreur24,1), |
| 108 | " / ",round(erreurPrev,1)), main=Titre) |
| 109 | legend("top",rownames(data)[ind],ncol=2,lwd=1.4, lty=1, col=1:length(ind)) |
| 110 | lines(1:48, dataj, lwd=2.5) |
| 111 | lines(JourMoy, lty = 2, lwd=2) |
| 112 | abline(v=c(24.5,H+0.5), lty = 2, lwd=1.2) |
| 113 | #xx=dev.off() |
| 114 | |
| 115 | Err24 = c(Err24, erreur24) |
| 116 | ErrPrev = c(ErrPrev, erreurPrev) |
| 117 | ResDates = cbind(ResDates, rownames(data)[ind]) |
| 118 | } |
| 119 | |
| 120 | rownames(ResDates) = 1:10 |
| 121 | |
| 122 | Kvois = NULL |
| 123 | for (Col in ncol(ResDates):1) |
| 124 | { |
| 125 | K = 0 |
| 126 | for (I in 1:10) |
| 127 | { |
| 128 | for (J in 1:10) |
| 129 | { |
| 130 | if (ResDates[I,1] == ResDates[J,Col]) |
| 131 | K = K +1 |
| 132 | } |
| 133 | } |
| 134 | Kvois = c(Kvois, K) |
| 135 | } |
| 136 | |
| 137 | # pdf("Erreur_Epandage_PMjour.pdf") |
| 138 | ymin = min(na.omit(ErrPrev), Err24) |
| 139 | ymin = min(ymin, Kvois) |
| 140 | ymax = max(na.omit(ErrPrev), Err24) |
| 141 | ymax = max(ymax, Kvois) |
| 142 | plot(5:24,Err24, type = "l", lwd = 2, cex.axis=1.4, cex.lab = 1.5, |
| 143 | ylab = "MAE",xlab = "Heures de prévision", ylim= c(ymin,ymax)) |
| 144 | lines(5:24,ErrPrev, lwd=2, lty = 2) |
| 145 | legend("topright", legend=c("Erreur 24h", "Erreur prévision"), lty = c(1,2), lwd=2, cex=1.5) |
| 146 | points(5:24, Kvois, cex=1.8, pch = 19) |
| 147 | # xx = dev.off() |
| 148 | |
| 149 | #length(D) |