-p1 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", predict_from=P,
+p1_7 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", predict_from=P,
horizon=H, simtype="mix", local=FALSE)
p2 = computeForecast(data, ${list_indices[i]}, "Neighbors", NULL, predict_from=P,
horizon=H, simtype="none", local=TRUE)
horizon=H, simtype="mix", local=FALSE)
p2 = computeForecast(data, ${list_indices[i]}, "Neighbors", NULL, predict_from=P,
horizon=H, simtype="none", local=TRUE)
(variantes à voisins), ne dépassant 10 que deux jours. Les deux modèles naïfs ont des
erreurs similaires sauf sur la période "difficile" (jours 4 à 6), sur laquelle on gagne
(variantes à voisins), ne dépassant 10 que deux jours. Les deux modèles naïfs ont des
erreurs similaires sauf sur la période "difficile" (jours 4 à 6), sur laquelle on gagne
Le MAPE reste en général inférieur à 35% pour les meilleurs méthodes.
% elif i == 1:
Le modèle à voisins avec contrainte de localité obtient ici les meilleurs résultats, son
Le MAPE reste en général inférieur à 35% pour les meilleurs méthodes.
% elif i == 1:
Le modèle à voisins avec contrainte de localité obtient ici les meilleurs résultats, son
Dans ce cas plus favorable les intensité des erreurs absolues ont clairement diminué :
elles sont souvent en dessous de 5. En revanche le MAPE moyen reste en général au-delà de
20%. Comme dans le cas de l'épandage on constate une croissance globale de la courbe
Dans ce cas plus favorable les intensité des erreurs absolues ont clairement diminué :
elles sont souvent en dessous de 5. En revanche le MAPE moyen reste en général au-delà de
20%. Comme dans le cas de l'épandage on constate une croissance globale de la courbe
-journalière d'erreur absolue moyenne (en haut à gauche) -- sauf pour la méthode à voisins
-"locale" ; ceci peut être dû au fait que l'on ajuste le niveau du jour à prédire en le
-recollant sur la dernière valeur observée (sauf pour "Neighbors local").
+journalière d'erreur absolue moyenne (en haut à gauche) $-$ sauf pour la méthode à
+voisins "locale" ; ceci peut être dû au fait que l'on ajuste le niveau du jour à prédire
+en le recollant sur la dernière valeur observée (sauf pour "Neighbors local").
retrouvée, ainsi que le niveau moyen pour la méthode sans contrainte de localité
(dans l'autre, l'algorithme a probablement écarté trop de voisins potentiels).
Concernant le jour "difficile" à droite, non seulement la forme n'est pas anticipée mais
retrouvée, ainsi que le niveau moyen pour la méthode sans contrainte de localité
(dans l'autre, l'algorithme a probablement écarté trop de voisins potentiels).
Concernant le jour "difficile" à droite, non seulement la forme n'est pas anticipée mais
une moindre mesure toutefois pour la variante "locale".
% else:
L'impression visuelle est plutôt mauvaise dans ce cas, mais les écart étant minimes les
une moindre mesure toutefois pour la variante "locale".
% else:
L'impression visuelle est plutôt mauvaise dans ce cas, mais les écart étant minimes les
Les poids se concentrent près de 0 : c'est ce que l'on souhaite observer pour éviter
d'effectuer une simple moyenne.
% elif i == 1:
Les poids se concentrent près de 0 : c'est ce que l'on souhaite observer pour éviter
d'effectuer une simple moyenne.
% elif i == 1:
-En comparaison avec le paragraphe précédent on retrouve le même (bon) comportement des
-poids pour la version "non locale".
+On retrouve le même (bon) comportement des poids : concentration vers 0, quelques poids
+non négligeables (presque trop peu pour le jour "difficile").