X-Git-Url: https://git.auder.net/variants/Dynamo/complete_rules.html?a=blobdiff_plain;f=reports%2Freport.gj;h=b9010758b0f3989b572124139919f418b5a65bac;hb=ff5df8e310b73883565761ab4b1aa5a0672e9f27;hp=a9f10d0e4d54630df60cad52e5e026ddb257e2bd;hpb=63ff1ecbd80adfe347faa0d954f526d15f033c22;p=talweg.git
diff --git a/reports/report.gj b/reports/report.gj
index a9f10d0..b901075 100644
--- a/reports/report.gj
+++ b/reports/report.gj
@@ -1,6 +1,5 @@
-----
-
-## Introduction
+
Introduction
J'ai fait quelques essais dans différentes configurations pour la méthode "Neighbors"
(la seule dont on a parlé).
Il semble que le mieux soit
@@ -22,9 +21,7 @@ lendemains : ce sont donc les voisinages tels qu'utilisés dans l'algorithme.
list_titles = ['Pollution par chauffage', 'Pollution par épandage', 'Semaine non polluée']
list_indices = ['indices_ch', 'indices_ep', 'indices_np']
%>
-
-----r
-
library(talweg)
ts_data = read.csv(system.file("extdata","pm10_mesures_H_loc_report.csv",package="talweg"))
@@ -34,19 +31,14 @@ data = getData(ts_data, exo_data, input_tz = "Europe/Paris", working_tz="Europe/
indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days")
indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days")
indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days")
-
-% for loop in range(3):
-
+% for i in range(3):
-----
-
-${list_titles[loop]}
-
+${list_titles[i]}
-----r
-p_nn_exo = computeForecast(data, ${list_indices[loop]}, "Neighbors", "Neighbors", simtype="exo", horizon=H)
-p_nn_mix = computeForecast(data, ${list_indices[loop]}, "Neighbors", "Neighbors", simtype="mix", horizon=H)
-p_az = computeForecast(data, ${list_indices[loop]}, "Average", "Zero", horizon=H) #, memory=183)
-p_pz = computeForecast(data, ${list_indices[loop]}, "Persistence", "Zero", horizon=H, same_day=TRUE)
-
+p_nn_exo = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", simtype="exo", horizon=H)
+p_nn_mix = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", simtype="mix", horizon=H)
+p_az = computeForecast(data, ${list_indices[i]}, "Average", "Zero", horizon=H) #, memory=183)
+p_pz = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", horizon=H, same_day=TRUE)
-----r
e_nn_exo = computeError(data, p_nn_exo)
e_nn_mix = computeError(data, p_nn_mix)
@@ -55,11 +47,10 @@ e_pz = computeError(data, p_pz)
options(repr.plot.width=9, repr.plot.height=7)
plotError(list(e_nn_mix, e_pz, e_az, e_nn_exo), cols=c(1,2,colors()[258], 4))
-#Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence
+# Noir: neighbors_mix, bleu: neighbors_exo, vert: moyenne, rouge: persistence
i_np = which.min(e_nn_exo$abs$indices)
i_p = which.max(e_nn_exo$abs$indices)
-
-----r
options(repr.plot.width=9, repr.plot.height=4)
par(mfrow=c(1,2))
@@ -73,8 +64,7 @@ plotPredReal(data, p_nn_mix, i_p); title(paste("PredReal nn mix day",i_p))
plotPredReal(data, p_az, i_np); title(paste("PredReal az day",i_np))
plotPredReal(data, p_az, i_p); title(paste("PredReal az day",i_p))
-#Bleu: prévue, noir: réalisée
-
+# Bleu: prévue, noir: réalisée
-----r
par(mfrow=c(1,2))
f_np_exo = computeFilaments(data, p_nn_exo, i_np, plot=TRUE); title(paste("Filaments nn exo day",i_np))
@@ -82,7 +72,6 @@ f_p_exo = computeFilaments(data, p_nn_exo, i_p, plot=TRUE); title(paste("Filamen
f_np_mix = computeFilaments(data, p_nn_mix, i_np, plot=TRUE); title(paste("Filaments nn mix day",i_np))
f_p_mix = computeFilaments(data, p_nn_mix, i_p, plot=TRUE); title(paste("Filaments nn mix day",i_p))
-
-----r
par(mfrow=c(1,2))
plotFilamentsBox(data, f_np_exo); title(paste("FilBox nn exo day",i_np))
@@ -90,7 +79,6 @@ plotFilamentsBox(data, f_p_exo); title(paste("FilBox nn exo day",i_p))
plotFilamentsBox(data, f_np_mix); title(paste("FilBox nn mix day",i_np))
plotFilamentsBox(data, f_p_mix); title(paste("FilBox nn mix day",i_p))
-
-----r
par(mfrow=c(1,2))
plotRelVar(data, f_np_exo); title(paste("StdDev nn exo day",i_np))
@@ -99,8 +87,7 @@ plotRelVar(data, f_p_exo); title(paste("StdDev nn exo day",i_p))
plotRelVar(data, f_np_mix); title(paste("StdDev nn mix day",i_np))
plotRelVar(data, f_p_mix); title(paste("StdDev nn mix day",i_p))
-#Variabilité globale en rouge ; sur les 60 voisins (+ lendemains) en noir
-
+# Variabilité globale en rouge ; sur les 60 voisins (+ lendemains) en noir
-----r
par(mfrow=c(1,2))
plotSimils(p_nn_exo, i_np); title(paste("Weights nn exo day",i_np))
@@ -109,20 +96,17 @@ plotSimils(p_nn_exo, i_p); title(paste("Weights nn exo day",i_p))
plotSimils(p_nn_mix, i_np); title(paste("Weights nn mix day",i_np))
plotSimils(p_nn_mix, i_p); title(paste("Weights nn mix day",i_p)
-#- pollué à gauche, + pollué à droite
-
+# - pollué à gauche, + pollué à droite
-----r
-#Fenêtres sélectionnées dans ]0,10] / endo à gauche, exo à droite
+# Fenêtres sélectionnées dans ]0,10] / endo à gauche, exo à droite
p_nn_exo$getParams(i_np)$window
p_nn_exo$getParams(i_p)$window
p_nn_mix$getParams(i_np)$window
p_nn_mix$getParams(i_p)$window
-
% endfor
-
-----
-## Bilan
+Bilan
Problème difficile : on ne fait guère mieux qu'une naïve moyenne des lendemains des jours
similaires dans le passé, ce qui n'est pas loin de prédire une série constante égale à la