simulateur : complètement aléatoire ? from Irish dataset ?
wmtsa : wavBootstrap
wavelets methods in statistics with R - p180

Essayer distance wdist du package biwavelet ?

geometric structure of high dim data and dim reduction 2011

https://docs.docker.com/engine/getstarted/step_one/

A faire:
 - finir les experiences (sur nb de classes, nb de curves / chunk, nb de procs)
   et sur d'autres architectures

Piste à explorer pour les comparaisons: H20

renvoyer nombre d'individues par classe ? (+ somme ?)
hypothèse : données déjà ordonnées 48 1/2H sur 365j
utiliser du mixmod avec modèles allongés
doit tourner sur machine plutôt standard, utilisateur "lambda"
utiliser Rcpp ?

#point avec Jairo:
#rentrer dans code C cwt continue Rwave
#passer partie sowas à C
#fct qui pour deux series (ID, medoides) renvoie distance WER (Rwave ou à moi)
#transformee croisee , smoothing lissage 3 composantes , + calcul pour WER
#determiner nvoice noctave (entre octave + petit et + grand)

#TODO: load some dataset ASCII CSV
#data_bin_file <<- "/tmp/epclust_test.bin"
#unlink(data_bin_file)

#https://stat.ethz.ch/pipermail/r-help/2011-June/280133.html
#randCov = function(d)
#{
#	x <- matrix(rnorm(d*d), nrow=d)
#	x <- x / sqrt(rowSums(x^2))
#	x %*% t(x)
#}

#TODO: soften condition clustering.R line 37 ?
#regarder mapply et mcmapply pour le // (pas OK pour Windows ou GUI... mais ?)
#TODO: map-reduce more appropriate R/clustering.R ligne 88
#Alternative: use bigmemory to share series when CSV or matrix(...)

#' @importFrom synchronicity boost.mutex lock unlock

subtree: epclust, shared. This root folder should remain private

#TODO: use dbs(),
		#https://www.r-bloggers.com/debugging-parallel-code-with-dbs/
		#http://gforge.se/2015/02/how-to-go-parallel-in-r-basics-tips/

synchrones --> somme, pas moyenne

PLOT:
plot manifold 2D distances WER /
fenetre tempo forme des courbes /
medoids /
gain en prevision: clust puis full --> enercast

réduire taille 17519 trop long ?

synchrone : sum
cwt : trim R part
// : clever by rows retenir cwt...

Stockage matrices : en colonnes systématiquement ?

TODO: revoir les arguments, simplifier (dans les clustering...),
  permettre algos de clustering quelconques, args: medoids (curves puis dists), K

Plutôt ça que hack auto notebook generation:
	https://mail.scipy.org/pipermail/ipython-dev/2014-March/013550.html

#si pas lissage --> on doit trouver 1 : TOCHECK
#regarder biwavelets smooth.wavelet : c'est comme ça qu'il faut coder
#Options : smooth_lvl + filtre gaussien (smooth_method ?)
(this file :
https://github.com/tgouhier/biwavelet/blob/master/R/smooth.wavelet.R )

=====

Voici le code :

library(epclust)

n <- 5
N <- 128
M <- matrix(runif(n * N), nrow = n) #séries en lignes
M <- t(apply(M, 1, cumsum)) / sqrt(n * N)
matplot(t(M), type = 'l', lty = 1)

dists3a <- computeWerDists(1:n, function(inds) M[,inds], n)

# je passe de distance Wer à corrélations : moralement tout est à 0
summary((1 - dists3a[lower.tri(dists3a)]^2) / N / n)

# or, les courbes sont très similaires, nous devrions être proche de 1 !
corM <- cor(t(M))
summary(corM[lower.tri(corM)])

---------> à checker

meilleur task scheduling pour les runs parallel dans computeWerDists
(voir arg de parLapply, makeCLuster...)