From 4d376294a6286ca1548d978055731dac175ffa3a Mon Sep 17 00:00:00 2001 From: Benjamin Auder <benjamin.auder@somewhere> Date: Tue, 18 Apr 2017 16:18:18 +0200 Subject: [PATCH] refactor reports.gj, prepare also 13h report --- pkg/vignettes/talweg.html | 294 +++++++++++++++++++++++ reports/Experiments.gj | 255 ++++++++++++++++++++ reports/{report.gj => OLD/report_OLD.gj} | 167 +++---------- reports/PackageR.gj | 109 +++++++++ reports/report_P7_H17.zip | 1 - reports/run.sh | 12 +- 6 files changed, 703 insertions(+), 135 deletions(-) create mode 100644 pkg/vignettes/talweg.html create mode 100644 reports/Experiments.gj rename reports/{report.gj => OLD/report_OLD.gj} (66%) create mode 100644 reports/PackageR.gj delete mode 100644 reports/report_P7_H17.zip diff --git a/pkg/vignettes/talweg.html b/pkg/vignettes/talweg.html new file mode 100644 index 0000000..aa9cf1c --- /dev/null +++ b/pkg/vignettes/talweg.html @@ -0,0 +1,294 @@ +<!DOCTYPE html> + +<html xmlns="http://www.w3.org/1999/xhtml"> + +<head> + +<meta charset="utf-8"> +<meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> +<meta name="generator" content="pandoc" /> + +<meta name="viewport" content="width=device-width, initial-scale=1"> + +<meta name="author" content="Vignette Author" /> + +<meta name="date" content="2017-03-01" /> + +<title>Vignette Title</title> + + + +<style type="text/css">code{white-space: pre;}</style> +<style type="text/css"> +div.sourceCode { overflow-x: auto; } +table.sourceCode, tr.sourceCode, td.lineNumbers, td.sourceCode { + margin: 0; padding: 0; vertical-align: baseline; border: none; } +table.sourceCode { width: 100%; line-height: 100%; } +td.lineNumbers { text-align: right; padding-right: 4px; padding-left: 4px; color: #aaaaaa; border-right: 1px solid #aaaaaa; } +td.sourceCode { padding-left: 5px; } +code > span.kw { color: #007020; font-weight: bold; } /* Keyword */ +code > span.dt { color: #902000; } /* DataType */ +code > span.dv { color: #40a070; } /* DecVal */ +code > span.bn { color: #40a070; } /* BaseN */ +code > span.fl { color: #40a070; } /* Float */ +code > span.ch { color: #4070a0; } /* Char */ +code > span.st { color: #4070a0; } /* String */ +code > span.co { color: #60a0b0; font-style: italic; } /* Comment */ +code > span.ot { color: #007020; } /* Other */ +code > span.al { color: #ff0000; font-weight: bold; } /* Alert */ +code > span.fu { color: #06287e; } /* Function */ +code > span.er { color: #ff0000; font-weight: bold; } /* Error */ +code > span.wa { color: #60a0b0; font-weight: bold; font-style: italic; } /* Warning */ +code > span.cn { color: #880000; } /* Constant */ +code > span.sc { color: #4070a0; } /* SpecialChar */ +code > span.vs { color: #4070a0; } /* VerbatimString */ +code > span.ss { color: #bb6688; } /* SpecialString */ +code > span.im { } /* Import */ +code > span.va { color: #19177c; } /* Variable */ +code > span.cf { color: #007020; font-weight: bold; } /* ControlFlow */ +code > span.op { color: #666666; } /* Operator */ +code > span.bu { } /* BuiltIn */ +code > span.ex { } /* Extension */ +code > span.pp { color: #bc7a00; } /* Preprocessor */ +code > span.at { color: #7d9029; } /* Attribute */ +code > span.do { color: #ba2121; font-style: italic; } /* Documentation */ +code > span.an { color: #60a0b0; font-weight: bold; font-style: italic; } /* Annotation */ +code > span.cv { color: #60a0b0; font-weight: bold; font-style: italic; } /* CommentVar */ +code > span.in { color: #60a0b0; font-weight: bold; font-style: italic; } /* Information */ +</style> + + + +<link href="data:text/css;charset=utf-8,body%20%7B%0Abackground%2Dcolor%3A%20%23fff%3B%0Amargin%3A%201em%20auto%3B%0Amax%2Dwidth%3A%20700px%3B%0Aoverflow%3A%20visible%3B%0Apadding%2Dleft%3A%202em%3B%0Apadding%2Dright%3A%202em%3B%0Afont%2Dfamily%3A%20%22Open%20Sans%22%2C%20%22Helvetica%20Neue%22%2C%20Helvetica%2C%20Arial%2C%20sans%2Dserif%3B%0Afont%2Dsize%3A%2014px%3B%0Aline%2Dheight%3A%201%2E35%3B%0A%7D%0A%23header%20%7B%0Atext%2Dalign%3A%20center%3B%0A%7D%0A%23TOC%20%7B%0Aclear%3A%20both%3B%0Amargin%3A%200%200%2010px%2010px%3B%0Apadding%3A%204px%3B%0Awidth%3A%20400px%3B%0Aborder%3A%201px%20solid%20%23CCCCCC%3B%0Aborder%2Dradius%3A%205px%3B%0Abackground%2Dcolor%3A%20%23f6f6f6%3B%0Afont%2Dsize%3A%2013px%3B%0Aline%2Dheight%3A%201%2E3%3B%0A%7D%0A%23TOC%20%2Etoctitle%20%7B%0Afont%2Dweight%3A%20bold%3B%0Afont%2Dsize%3A%2015px%3B%0Amargin%2Dleft%3A%205px%3B%0A%7D%0A%23TOC%20ul%20%7B%0Apadding%2Dleft%3A%2040px%3B%0Amargin%2Dleft%3A%20%2D1%2E5em%3B%0Amargin%2Dtop%3A%205px%3B%0Amargin%2Dbottom%3A%205px%3B%0A%7D%0A%23TOC%20ul%20ul%20%7B%0Amargin%2Dleft%3A%20%2D2em%3B%0A%7D%0A%23TOC%20li%20%7B%0Aline%2Dheight%3A%2016px%3B%0A%7D%0Atable%20%7B%0Amargin%3A%201em%20auto%3B%0Aborder%2Dwidth%3A%201px%3B%0Aborder%2Dcolor%3A%20%23DDDDDD%3B%0Aborder%2Dstyle%3A%20outset%3B%0Aborder%2Dcollapse%3A%20collapse%3B%0A%7D%0Atable%20th%20%7B%0Aborder%2Dwidth%3A%202px%3B%0Apadding%3A%205px%3B%0Aborder%2Dstyle%3A%20inset%3B%0A%7D%0Atable%20td%20%7B%0Aborder%2Dwidth%3A%201px%3B%0Aborder%2Dstyle%3A%20inset%3B%0Aline%2Dheight%3A%2018px%3B%0Apadding%3A%205px%205px%3B%0A%7D%0Atable%2C%20table%20th%2C%20table%20td%20%7B%0Aborder%2Dleft%2Dstyle%3A%20none%3B%0Aborder%2Dright%2Dstyle%3A%20none%3B%0A%7D%0Atable%20thead%2C%20table%20tr%2Eeven%20%7B%0Abackground%2Dcolor%3A%20%23f7f7f7%3B%0A%7D%0Ap%20%7B%0Amargin%3A%200%2E5em%200%3B%0A%7D%0Ablockquote%20%7B%0Abackground%2Dcolor%3A%20%23f6f6f6%3B%0Apadding%3A%200%2E25em%200%2E75em%3B%0A%7D%0Ahr%20%7B%0Aborder%2Dstyle%3A%20solid%3B%0Aborder%3A%20none%3B%0Aborder%2Dtop%3A%201px%20solid%20%23777%3B%0Amargin%3A%2028px%200%3B%0A%7D%0Adl%20%7B%0Amargin%2Dleft%3A%200%3B%0A%7D%0Adl%20dd%20%7B%0Amargin%2Dbottom%3A%2013px%3B%0Amargin%2Dleft%3A%2013px%3B%0A%7D%0Adl%20dt%20%7B%0Afont%2Dweight%3A%20bold%3B%0A%7D%0Aul%20%7B%0Amargin%2Dtop%3A%200%3B%0A%7D%0Aul%20li%20%7B%0Alist%2Dstyle%3A%20circle%20outside%3B%0A%7D%0Aul%20ul%20%7B%0Amargin%2Dbottom%3A%200%3B%0A%7D%0Apre%2C%20code%20%7B%0Abackground%2Dcolor%3A%20%23f7f7f7%3B%0Aborder%2Dradius%3A%203px%3B%0Acolor%3A%20%23333%3B%0Awhite%2Dspace%3A%20pre%2Dwrap%3B%20%0A%7D%0Apre%20%7B%0Aborder%2Dradius%3A%203px%3B%0Amargin%3A%205px%200px%2010px%200px%3B%0Apadding%3A%2010px%3B%0A%7D%0Apre%3Anot%28%5Bclass%5D%29%20%7B%0Abackground%2Dcolor%3A%20%23f7f7f7%3B%0A%7D%0Acode%20%7B%0Afont%2Dfamily%3A%20Consolas%2C%20Monaco%2C%20%27Courier%20New%27%2C%20monospace%3B%0Afont%2Dsize%3A%2085%25%3B%0A%7D%0Ap%20%3E%20code%2C%20li%20%3E%20code%20%7B%0Apadding%3A%202px%200px%3B%0A%7D%0Adiv%2Efigure%20%7B%0Atext%2Dalign%3A%20center%3B%0A%7D%0Aimg%20%7B%0Abackground%2Dcolor%3A%20%23FFFFFF%3B%0Apadding%3A%202px%3B%0Aborder%3A%201px%20solid%20%23DDDDDD%3B%0Aborder%2Dradius%3A%203px%3B%0Aborder%3A%201px%20solid%20%23CCCCCC%3B%0Amargin%3A%200%205px%3B%0A%7D%0Ah1%20%7B%0Amargin%2Dtop%3A%200%3B%0Afont%2Dsize%3A%2035px%3B%0Aline%2Dheight%3A%2040px%3B%0A%7D%0Ah2%20%7B%0Aborder%2Dbottom%3A%204px%20solid%20%23f7f7f7%3B%0Apadding%2Dtop%3A%2010px%3B%0Apadding%2Dbottom%3A%202px%3B%0Afont%2Dsize%3A%20145%25%3B%0A%7D%0Ah3%20%7B%0Aborder%2Dbottom%3A%202px%20solid%20%23f7f7f7%3B%0Apadding%2Dtop%3A%2010px%3B%0Afont%2Dsize%3A%20120%25%3B%0A%7D%0Ah4%20%7B%0Aborder%2Dbottom%3A%201px%20solid%20%23f7f7f7%3B%0Amargin%2Dleft%3A%208px%3B%0Afont%2Dsize%3A%20105%25%3B%0A%7D%0Ah5%2C%20h6%20%7B%0Aborder%2Dbottom%3A%201px%20solid%20%23ccc%3B%0Afont%2Dsize%3A%20105%25%3B%0A%7D%0Aa%20%7B%0Acolor%3A%20%230033dd%3B%0Atext%2Ddecoration%3A%20none%3B%0A%7D%0Aa%3Ahover%20%7B%0Acolor%3A%20%236666ff%3B%20%7D%0Aa%3Avisited%20%7B%0Acolor%3A%20%23800080%3B%20%7D%0Aa%3Avisited%3Ahover%20%7B%0Acolor%3A%20%23BB00BB%3B%20%7D%0Aa%5Bhref%5E%3D%22http%3A%22%5D%20%7B%0Atext%2Ddecoration%3A%20underline%3B%20%7D%0Aa%5Bhref%5E%3D%22https%3A%22%5D%20%7B%0Atext%2Ddecoration%3A%20underline%3B%20%7D%0A%0Acode%20%3E%20span%2Ekw%20%7B%20color%3A%20%23555%3B%20font%2Dweight%3A%20bold%3B%20%7D%20%0Acode%20%3E%20span%2Edt%20%7B%20color%3A%20%23902000%3B%20%7D%20%0Acode%20%3E%20span%2Edv%20%7B%20color%3A%20%2340a070%3B%20%7D%20%0Acode%20%3E%20span%2Ebn%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Efl%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Ech%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Est%20%7B%20color%3A%20%23d14%3B%20%7D%20%0Acode%20%3E%20span%2Eco%20%7B%20color%3A%20%23888888%3B%20font%2Dstyle%3A%20italic%3B%20%7D%20%0Acode%20%3E%20span%2Eot%20%7B%20color%3A%20%23007020%3B%20%7D%20%0Acode%20%3E%20span%2Eal%20%7B%20color%3A%20%23ff0000%3B%20font%2Dweight%3A%20bold%3B%20%7D%20%0Acode%20%3E%20span%2Efu%20%7B%20color%3A%20%23900%3B%20font%2Dweight%3A%20bold%3B%20%7D%20%20code%20%3E%20span%2Eer%20%7B%20color%3A%20%23a61717%3B%20background%2Dcolor%3A%20%23e3d2d2%3B%20%7D%20%0A" rel="stylesheet" type="text/css" /> + +</head> + +<body> + + + + +<h1 class="title toc-ignore">Vignette Title</h1> +<h4 class="author"><em>Vignette Author</em></h4> +<h4 class="date"><em>2017-03-01</em></h4> + + + +<p>Vignettes are long form documentation commonly included in packages. Because they are part of the distribution of the package, they need to be as compact as possible. The <code>html_vignette</code> output type provides a custom style sheet (and tweaks some options) to ensure that the resulting html is as small as possible. The <code>html_vignette</code> format:</p> +<ul> +<li>Never uses retina figures</li> +<li>Has a smaller default figure size</li> +<li>Uses a custom CSS stylesheet instead of the default Twitter Bootstrap style</li> +</ul> +<div id="vignette-info" class="section level2"> +<h2>Vignette Info</h2> +<p>Note the various macros within the <code>vignette</code> section of the metadata block above. These are required in order to instruct R how to build the vignette. Note that you should change the <code>title</code> field and the <code>\VignetteIndexEntry</code> to match the title of your vignette.</p> +</div> +<div id="styles" class="section level2"> +<h2>Styles</h2> +<p>The <code>html_vignette</code> template includes a basic CSS theme. To override this theme you can specify your own CSS in the document metadata as follows:</p> +<pre><code>output: + rmarkdown::html_vignette: + css: mystyles.css</code></pre> +</div> +<div id="figures" class="section level2"> +<h2>Figures</h2> +<p>The figure sizes have been customised so that you can easily put two images side-by-side.</p> +<div class="sourceCode"><pre class="sourceCode r"><code class="sourceCode r"><span class="kw">plot</span>(<span class="dv">1</span><span class="op">:</span><span class="dv">10</span>) +<span class="kw">plot</span>(<span class="dv">10</span><span class="op">:</span><span class="dv">1</span>)</code></pre></div> +<p><img src="data:image/png;base64,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" /><img src="data:image/png;base64,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" /></p> +<p>You can enable figure captions by <code>fig_caption: yes</code> in YAML:</p> +<pre><code>output: + rmarkdown::html_vignette: + fig_caption: yes</code></pre> +<p>Then you can use the chunk option <code>fig.cap = "Your figure caption."</code> in <strong>knitr</strong>.</p> +</div> +<div id="more-examples" class="section level2"> +<h2>More Examples</h2> +<p>You can write math expressions, e.g. <span class="math inline">\(Y = X\beta + \epsilon\)</span>, footnotes<a href="#fn1" class="footnoteRef" id="fnref1"><sup>1</sup></a>, and tables, e.g. using <code>knitr::kable()</code>.</p> +<table> +<thead> +<tr class="header"> +<th></th> +<th align="right">mpg</th> +<th align="right">cyl</th> +<th align="right">disp</th> +<th align="right">hp</th> +<th align="right">drat</th> +<th align="right">wt</th> +<th align="right">qsec</th> +<th align="right">vs</th> +<th align="right">am</th> +<th align="right">gear</th> +<th align="right">carb</th> +</tr> +</thead> +<tbody> +<tr class="odd"> +<td>Mazda RX4</td> +<td align="right">21.0</td> +<td align="right">6</td> +<td align="right">160.0</td> +<td align="right">110</td> +<td align="right">3.90</td> +<td align="right">2.620</td> +<td align="right">16.46</td> +<td align="right">0</td> +<td align="right">1</td> +<td align="right">4</td> +<td align="right">4</td> +</tr> +<tr class="even"> +<td>Mazda RX4 Wag</td> +<td align="right">21.0</td> +<td align="right">6</td> +<td align="right">160.0</td> +<td align="right">110</td> +<td align="right">3.90</td> +<td align="right">2.875</td> +<td align="right">17.02</td> +<td align="right">0</td> +<td align="right">1</td> +<td align="right">4</td> +<td align="right">4</td> +</tr> +<tr class="odd"> +<td>Datsun 710</td> +<td align="right">22.8</td> +<td align="right">4</td> +<td align="right">108.0</td> +<td align="right">93</td> +<td align="right">3.85</td> +<td align="right">2.320</td> +<td align="right">18.61</td> +<td align="right">1</td> +<td align="right">1</td> +<td align="right">4</td> +<td align="right">1</td> +</tr> +<tr class="even"> +<td>Hornet 4 Drive</td> +<td align="right">21.4</td> +<td align="right">6</td> +<td align="right">258.0</td> +<td align="right">110</td> +<td align="right">3.08</td> +<td align="right">3.215</td> +<td align="right">19.44</td> +<td align="right">1</td> +<td align="right">0</td> +<td align="right">3</td> +<td align="right">1</td> +</tr> +<tr class="odd"> +<td>Hornet Sportabout</td> +<td align="right">18.7</td> +<td align="right">8</td> +<td align="right">360.0</td> +<td align="right">175</td> +<td align="right">3.15</td> +<td align="right">3.440</td> +<td align="right">17.02</td> +<td align="right">0</td> +<td align="right">0</td> +<td align="right">3</td> +<td align="right">2</td> +</tr> +<tr class="even"> +<td>Valiant</td> +<td align="right">18.1</td> +<td align="right">6</td> +<td align="right">225.0</td> +<td align="right">105</td> +<td align="right">2.76</td> +<td align="right">3.460</td> +<td align="right">20.22</td> +<td align="right">1</td> +<td align="right">0</td> +<td align="right">3</td> +<td align="right">1</td> +</tr> +<tr class="odd"> +<td>Duster 360</td> +<td align="right">14.3</td> +<td align="right">8</td> +<td align="right">360.0</td> +<td align="right">245</td> +<td align="right">3.21</td> +<td align="right">3.570</td> +<td align="right">15.84</td> +<td align="right">0</td> +<td align="right">0</td> +<td align="right">3</td> +<td align="right">4</td> +</tr> +<tr class="even"> +<td>Merc 240D</td> +<td align="right">24.4</td> +<td align="right">4</td> +<td align="right">146.7</td> +<td align="right">62</td> +<td align="right">3.69</td> +<td align="right">3.190</td> +<td align="right">20.00</td> +<td align="right">1</td> +<td align="right">0</td> +<td align="right">4</td> +<td align="right">2</td> +</tr> +<tr class="odd"> +<td>Merc 230</td> +<td align="right">22.8</td> +<td align="right">4</td> +<td align="right">140.8</td> +<td align="right">95</td> +<td align="right">3.92</td> +<td align="right">3.150</td> +<td align="right">22.90</td> +<td align="right">1</td> +<td align="right">0</td> +<td align="right">4</td> +<td align="right">2</td> +</tr> +<tr class="even"> +<td>Merc 280</td> +<td align="right">19.2</td> +<td align="right">6</td> +<td align="right">167.6</td> +<td align="right">123</td> +<td align="right">3.92</td> +<td align="right">3.440</td> +<td align="right">18.30</td> +<td align="right">1</td> +<td align="right">0</td> +<td align="right">4</td> +<td align="right">4</td> +</tr> +</tbody> +</table> +<p>Also a quote using <code>></code>:</p> +<blockquote> +<p>âHe who gives up [code] safety for [code] speed deserves neither.â (<a href="https://twitter.com/hadleywickham/status/504368538874703872">via</a>)</p> +</blockquote> +</div> +<div class="footnotes"> +<hr /> +<ol> +<li id="fn1"><p>A footnote here.<a href="#fnref1">â©</a></p></li> +</ol> +</div> + + + +<!-- dynamically load mathjax for compatibility with self-contained --> +<script> + (function () { + var script = document.createElement("script"); + script.type = "text/javascript"; + script.src = "https://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS-MML_HTMLorMML"; + document.getElementsByTagName("head")[0].appendChild(script); + })(); +</script> + +</body> +</html> diff --git a/reports/Experiments.gj b/reports/Experiments.gj new file mode 100644 index 0000000..0f102ad --- /dev/null +++ b/reports/Experiments.gj @@ -0,0 +1,255 @@ +----- +# Résultats numériques + +Cette partie montre les résultats obtenus avec des variantes de l'algorithme décrit au +chapitre , en utilisant le package présenté à la section 3. Cet algorithme est +systématiquement comparé à deux approches naïves : + + * la moyenne des lendemains des jours "similaires" dans tout le passé, c'est-à -dire +prédiction = moyenne de tous les mardis passés si le jour courant est un lundi. + * la persistence, reproduisant le jour courant ou allant chercher le lendemain de la +dernière journée "similaire" (même principe que ci-dessus ; argument "same\_day"). + +Concernant l'algorithme principal à voisins, trois variantes sont étudiées dans cette +partie : + + * avec simtype="mix" et raccordement "Neighbors" dans le cas "non local", i.e. on va +chercher des voisins n'importe où du moment qu'ils correspondent au premier élément d'un +couple de deux jours consécutifs sans valeurs manquantes. + * avec simtype="endo" + raccordement "Neighbors" puis simtype="none" + raccordement +"Zero" (sans ajustement) dans le cas "local" : voisins de même niveau de pollution et +même saison. + +Pour chaque période retenue $-$ chauffage, épandage, semaine non polluée $-$ les erreurs +de prédiction sont d'abord affichées, puis quelques graphes de courbes réalisées/prévues +(sur le jour "en moyenne le plus facile" à gauche, et "en moyenne le plus difficile" à +droite). Ensuite plusieurs types de graphes apportant des précisions sur la nature et la +difficulté du problème viennent compléter ces premières courbes. Concernant les graphes +de filaments, la moitié gauche du graphe correspond aux jours similaires au jour courant, +tandis que la moitié droite affiche les 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) + +P = ${P} #instant de prévision +H = ${H} #horizon (en heures) + +ts_data = read.csv(system.file("extdata","pm10_mesures_H_loc_report.csv", + package="talweg")) +exo_data = read.csv(system.file("extdata","meteo_extra_noNAs.csv", + package="talweg")) +# NOTE: 'GMT' because DST gaps are filled and multiple values merged in +# above dataset. Prediction from P+1 to P+H included. +data = getData(ts_data, exo_data, input_tz = "GMT", working_tz="GMT", + predict_at=P) + +indices_ch = seq(as.Date("2015-01-18"),as.Date("2015-01-24"),"days") +indices_ep = seq(as.Date("2015-03-15"),as.Date("2015-03-21"),"days") +indices_np = seq(as.Date("2015-04-26"),as.Date("2015-05-02"),"days") +% for i in range(3): +----- +##<h2 style="color:blue;font-size:2em">${list_titles[i]}</h2> +${"##"} ${list_titles[i]} +-----r +p1 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", horizon=H, + simtype="mix", local=FALSE) +p2 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", horizon=H, + simtype="endo", local=TRUE) +p3 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Zero", horizon=H, + simtype="none", local=TRUE) +p4 = computeForecast(data, ${list_indices[i]}, "Average", "Zero", horizon=H) +p5 = computeForecast(data, ${list_indices[i]}, "Persistence", "Zero", horizon=H, + same_day=${'TRUE' if loop.index < 2 else 'FALSE'}) +-----r +e1 = computeError(data, p1, H) +e2 = computeError(data, p2, H) +e3 = computeError(data, p3, H) +e4 = computeError(data, p4, H) +e5 = computeError(data, p5, H) +options(repr.plot.width=9, repr.plot.height=7) +plotError(list(e1, e5, e4, e2, e3), cols=c(1,2,colors()[258],4,6)) + +# noir: Neighbors non-local (p1), bleu: Neighbors local endo (p2), +# mauve: Neighbors local none (p3), vert: moyenne (p4), +# rouge: persistence (p5) + +sum_p123 = e1$abs$indices + e2$abs$indices + e3$abs$indices +i_np = which.min(sum_p123) #indice de (veille de) jour "facile" +i_p = which.max(sum_p123) #indice de (veille de) jour "difficile" +----- +% if i == 0: +L'erreur absolue deÌpasse 20 sur 1 aÌ 2 jours suivant les modeÌles (graphe en haut aÌ +droite). Sur cet exemple le modeÌle aÌ voisins "contraint" (local=TRUE) utilisant des +pondeÌrations baseÌes sur les similariteÌs de forme (simtype="endo") obtient en moyenne les +meilleurs reÌsultats, avec un MAPE restant en geÌneÌral infeÌrieur aÌ 30% de 8h aÌ 19h (7+1 aÌ +7+12 : graphe en bas aÌ gauche). +% elif i == 1: +Il est difficile dans ce cas de deÌterminer une meÌthode meilleure que les autres : elles +donnent toutes de plutoÌt mauvais reÌsultats, avec une erreur absolue moyenneÌe sur la +journeÌe deÌpassant presque toujours 15 (graphe en haut aÌ droite). +% else: +Dans ce cas plus favorable les intensiteÌ des erreurs absolues ont clairement diminueÌ : +elles restent souvent en dessous de 5. En revanche le MAPE moyen reste au-delaÌ de 20%, et +meÌme souvent plus de 30%. Comme dans le cas de l'eÌpandage on constate une croissance +globale de la courbe journalieÌre d'erreur absolue moyenne (en haut aÌ gauche) ; ceci peut +eÌtre duÌ au fait que l'on ajuste le niveau du jour aÌ preÌdire en le recollant sur la +dernieÌre valeur observeÌe. +% endif +-----r +options(repr.plot.width=9, repr.plot.height=4) +par(mfrow=c(1,2)) + +plotPredReal(data, p1, i_np); title(paste("PredReal p1 day",i_np)) +plotPredReal(data, p1, i_p); title(paste("PredReal p1 day",i_p)) + +plotPredReal(data, p2, i_np); title(paste("PredReal p2 day",i_np)) +plotPredReal(data, p2, i_p); title(paste("PredReal p2 day",i_p)) + +plotPredReal(data, p3, i_np); title(paste("PredReal p3 day",i_np)) +plotPredReal(data, p3, i_p); title(paste("PredReal p3 day",i_p)) + +# Bleu : prévue ; noir : réalisée +----- +% if i == 0: +Le jour "facile aÌ preÌvoir", aÌ gauche, se deÌcompose en deux modes : un leÌger vers 10h +(7+3), puis un beaucoup plus marqueÌ vers 19h (7+12). Ces deux modes sont retrouveÌs par +les trois variantes de l'algorithme aÌ voisins, bien que l'amplitude soit mal preÌdite. +Concernant le jour "difficile aÌ preÌvoir" (à droite) il y a deux pics en tout deÌbut et +toute fin de journeÌe (aÌ 9h et 23h), qui ne sont pas du tout anticipeÌs par les méthodes ; +la grande amplitude de ces pics explique alors l'intensiteÌ de l'erreur observeÌe. +% elif i == 1: +Dans le cas d'un jour "facile" aÌ preÌdire $-$ aÌ gauche $-$ la forme est plus ou moins +retrouveÌe, mais le niveau moyen est trop bas (courbe en bleu). Concernant le jour +"difficile" aÌ droite, non seulement la forme n'est pas anticipeÌe mais surtout le niveau +preÌdit est treÌs infeÌrieur au niveau de pollution observeÌ. Comme on le voit ci-dessous +cela deÌcoule d'un manque de voisins au comportement similaire. +% else: +La forme est raisonnablement retrouveÌe pour les meÌthodes "locales", l'autre version +lissant trop les preÌdictions. Le biais reste cependant important, surtout en fin de +journeÌe sur la courbes "difficile à prévoir". +% endif +-----r +par(mfrow=c(1,2)) +f_np1 = computeFilaments(data, p1, i_np, plot=TRUE) + title(paste("Filaments p1 day",i_np)) +f_p1 = computeFilaments(data, p1, i_p, plot=TRUE) + title(paste("Filaments p1 day",i_p)) + +f_np2 = computeFilaments(data, p2, i_np, plot=TRUE) + title(paste("Filaments p2 day",i_np)) +f_p2 = computeFilaments(data, p2, i_p, plot=TRUE) + title(paste("Filaments p2 day",i_p)) +----- +% if i == 0: +Les voisins du jour courant (peÌriode de 24h allant de 8h aÌ 7h le lendemain) sont afficheÌs +avec un trait d'autant plus sombre qu'ils sont proches. On constate dans le cas non +contraint (en haut) une grande variabiliteÌ des lendemains, treÌs nette sur le graphe en +haut aÌ droite. Ceci indique une faible correÌlation entre la forme d'une courbe sur une +peÌriode de 24h et la forme sur les 24h suivantes ; **cette observation est la source des +difficulteÌs rencontreÌes par l'algorithme sur ce jeu de donneÌes.** +% elif i == 1: +Les observations sont les meÌmes qu'au paragraphe preÌceÌdent : trop de variabiliteÌ des +lendemains (et meÌme des voisins du jour courant). +% else: +Les graphes de filaments ont encore la meÌme allure, avec une assez grande variabiliteÌ +observeÌe. Cette observation est cependant trompeuse, comme l'indique plus bas le graphe +de variabiliteÌ relative. +% endif +-----r +par(mfrow=c(1,2)) +plotFilamentsBox(data, f_np1); title(paste("FilBox p1 day",i_np)) +plotFilamentsBox(data, f_p1); title(paste("FilBox p1 day",i_p)) + +# En pointilleÌs la courbe du jour courant + lendemain (aÌ preÌdire) +----- +% if i == 0: +Sur cette boxplot fonctionnelle (voir la fonction fboxplot() du package R "rainbow") on +constate essentiellement deux choses : le lendemain d'un voisin "normal" peut se reÌveÌler +eÌtre une courbe atypique, fort eÌloigneÌe de ce que l'on souhaite preÌdire (courbes bleue et +rouge aÌ gauche) ; et, dans le cas d'une courbe aÌ preÌdire atypique (aÌ droite) la plupart +des voisins sont trop eÌloigneÌs de la forme aÌ preÌdire et forcent ainsi un aplatissement de +la preÌdiction. +% elif i == 1: +On constate la preÌsence d'un voisin au lendemain compleÌtement atypique avec un pic en +deÌbut de journeÌe (courbe en vert aÌ gauche), et d'un autre pheÌnomeÌne semblable avec la +courbe rouge sur le graphe de droite. AjouteÌ au fait que le lendemain aÌ preÌvoir est +lui-meÌme un jour "hors norme", cela montre l'impossibiliteÌ de bien preÌvoir une courbe en +utilisant l'algorithme aÌ voisins. +% else: +On peut reÌappliquer les meÌmes remarques qu'auparavant sur les boxplots fonctionnels : +lendemains de voisins atypiques, courbe aÌ preÌvoir elle-meÌme leÌgeÌrement "hors norme". +% endif +-----r +par(mfrow=c(1,2)) +plotRelVar(data, f_np1); title(paste("StdDev p1 day",i_np)) +plotRelVar(data, f_p1); title(paste("StdDev p1 day",i_p)) + +plotRelVar(data, f_np2); title(paste("StdDev p2 day",i_np)) +plotRelVar(data, f_p2); title(paste("StdDev p2 day",i_p)) + +# Variabilité globale en rouge ; sur les voisins (+ lendemains) en noir +----- +% if i == 0: +Ces graphes viennent confirmer l'impression visuelle apreÌs observation des filaments. En +effet, la variabiliteÌ globale en rouge (eÌcart-type heure par heure sur l'ensemble des +couples "aujourd'hui/lendemain"du passeÌ) devrait rester nettement au-dessus de la +variabiliteÌ locale, calculeÌe respectivement sur un voisinage d'une soixantaine de jours +(pour p1) et d'une dizaine de jours (pour p2). Or on constate que ce n'est pas du tout le +cas sur la peÌriode "lendemain", sauf en partie pour p2 le jour 4 $-$ mais ce n'est pas +suffisant. +% elif i == 1: +Comme preÌceÌdemment les variabiliteÌs locales et globales sont confondues dans les parties +droites des graphes $-$ sauf pour la version "locale" sur le jour "facile"; mais cette +bonne proprieÌteÌ n'est pas suffisante si l'on ne trouve pas les bons poids aÌ appliquer. +% else: +Cette fois la situation ideÌale est observeÌe : la variabiliteÌ globale est nettement +au-dessus de la variabiliteÌ locale. Bien que cela ne suffise pas aÌ obtenir de bonnes +preÌdictions de forme, on constate au moins l'ameÌlioration dans la preÌdiction du niveau. +% endif +-----r +par(mfrow=c(1,2)) +plotSimils(p1, i_np); title(paste("Weights p1 day",i_np)) +plotSimils(p1, i_p); title(paste("Weights p1 day",i_p)) + +plotSimils(p2, i_np); title(paste("Weights p2 day",i_np)) +plotSimils(p2, i_p); title(paste("Weights p2 day",i_p)) +----- +% if i == 0: +Les poids se concentrent preÌs de 0 dans le cas "non local" (p1), et se reÌpartissent assez +uniformeÌment dans [ 0, 0.2 ] dans le cas "local" (p2). C'est ce que l'on souhaite +observer pour eÌviter d'effectuer une simple moyenne. +% elif i == 1: +En comparaison avec le pragraphe preÌceÌdent on retrouve le meÌme (bon) comportement des +poids pour la version "non locale". En revanche la feneÌtre optimiseÌe est trop grande sur +le jour "facile" pour la meÌthode "locale" (voir affichage ci-dessous) : il en reÌsulte des +poids tous semblables autour de 0.084, l'algorithme effectue donc une moyenne simple $-$ +expliquant pourquoi les courbes mauve et bleue sont treÌs proches sur le graphe d'erreurs. +% else: +Concernant les poids en revanche, deux cas a priori mauvais se cumulent : + + * les poids dans le cas "non local" ne sont pas assez concentreÌs autour de 0, menant aÌ +un lissage trop fort $-$ comme observeÌ sur les graphes des courbes reÌaliseÌes/preÌvues ; + * les poids dans le cas "local" sont trop semblables (aÌ cause de la trop grande feneÌtre +optimiseÌe par validation croiseÌe, cf. ci-dessous), reÌsultant encore en une moyenne simple +$-$ mais sur moins de jours, plus proches du jour courant. +% endif +-----r +# Fenêtres sélectionnées dans ]0,7] : +# "non-local" 2 premières lignes, "local" ensuite +p1$getParams(i_np)$window +p1$getParams(i_p)$window + +p2$getParams(i_np)$window +p2$getParams(i_p)$window +% endfor +----- +${"##"} Bilan + +Nos algorithmes aÌ voisins ne sont pas adapteÌs aÌ ce jeu de donneÌes ouÌ la forme varie +consideÌrablement d'un jour aÌ l'autre. Toutefois, un espoir reste permis par exemple en +aggreÌgeant les courbes spatialement (sur plusieurs stations situeÌes dans la meÌme +agglomeÌration ou dans une meÌme zone). diff --git a/reports/report.gj b/reports/OLD/report_OLD.gj similarity index 66% rename from reports/report.gj rename to reports/OLD/report_OLD.gj index e499ece..b8b9233 100644 --- a/reports/report.gj +++ b/reports/OLD/report_OLD.gj @@ -1,125 +1,16 @@ ----- -# Package R "talweg" +# Résultats numériques -Le package $-$ Time-series sAmpLes forecasted With ExoGenous variables $-$ contient le -code permettant de (re)lancer les expériences numériques décrites dans cette partie et la -suivante. Les fonctions principales sont respectivement - - * **getData()** pour construire un objet R contenant les données à partir de fichiers -CSV (extraits de bases de données). Le format choisi en R est une classe R6 (du package -du même nom) exposant en particulier les méthodes *getSerie(i)* et *getExo(i)* qui -renvoient respectivement la $i^{eme}$ série de 24h et les variables exogènes (mesurées) -correspondantes. Voir ?Data pour plus d'information, une fois le package chargé. - * **computeForecast()** pour calculer des prédictions sur une certaine plage temporelle -contenue dans *data <- getData(...)* - * **computeError()** pour évaluer les erreurs commises par différentes méthodes. - -Le package contient en outre diverses fonctions graphiques *plotXXX()*, utilisées dans la -partie suivante. ------r -# Chargement de la librairie (après compilation, "R CMD INSTALL .") -library(talweg) - -# Acquisition des données (depuis les fichiers CSV) -ts_data <- read.csv(system.file("extdata","pm10_mesures_H_loc.csv", - package="talweg")) -exo_data <- read.csv(system.file("extdata","meteo_extra_noNAs.csv", - package="talweg")) -data <- getData(ts_data, exo_data, input_tz="GMT", - date_format="%d/%m/%Y %H:%M", working_tz="GMT", - predict_at=7, limit=120) -# Plus de détails à la section 1 ci-après. - -# Prédiction de 10 courbes (jours 102 à 111) -pred <- computeForecast(data, 101:110, "Persistence", "Zero", memory=50, - horizon=12, ncores=1) -# Plus de détails à la section 2 ci-après. - -# Calcul des erreurs (sur un horizon arbitraire <= horizon de prédiction) -err <- computeError(data, pred, horizon=6) -# Plus de détails à la section 3 ci-après. - -# Puis voir ?plotError et les autres plot dans le paragraphe 'seealso' ------ -${"##"} getData() - -Les arguments de cette fonction sont, dans l'ordre : - - 1. **ts_data** : séries temporelles (fichier CSV avec entête ou data.frame) ; la -première colonne contient les heures, la seconde les valeurs. - 2. **exo_data** : variables exogènes (fichier CSV avec entête ou data.frame) ; la -première colonne contient les jours, les $m$ suivantes les variables mesurées pour ce -jour, et les $m$ dernières les variables prédites pour ce même jour. Dans notre cas $m=4$ -: pression, température, gradient de température, vitesse du vent. - 3. **input_tz** : zone horaire pour ts_data (défaut : "GMT"). - 4. **date_format** : format des heures dans ts_data (défaut : "%d/%m/%Y %H:%M", format -du fichier transmis par Michel). - 5. **working_tz** : zone horaire dans laquelle on souhaite travailler avec les données -(défaut : "GMT"). - 6. **predict_at** : heure à laquelle s'effectue la prévision $-$ et donc dernière heure -d'un bloc de 24h, relativement à working_tz. data`$`getSerie(3) renvoit ainsi les 24 -valeurs de 8h à 7h pour le $3^{eme}$ bloc de 24h présent dans le jeu de données. ------r -print(data) -#?Data ------ -${"##"} computeForecast() - -Les arguments de cette fonction sont, dans l'ordre : - - 1. **data** : le jeu de données renvoyé par getData() - 2. **indices** : l'ensemble de jours dont on veut prévoir les "lendemains" (prochains -blocs de 24h) ; peut être donnée sous forme d'un vecteur de dates ou d'entiers -(correspondants aux numéros des jours). - 3. **forecaster** : le nom du prédicteur principal à utiliser ; voir ?computeForecast - 4. **pjump** : le nom du prédicteur de saut d'une série à l'autre ; voir -?computeForecast - 5. **memory** : le nombre de jours à prendre en compte dans le passé pour chaque -prévision (par défaut : Inf, c'est-à -dire tout l'historique pris en compte). - 6. **horizon** : le nombre d'heures à prédire ; par défaut "data`$`getStdHorizon()", -c'est-à -dire le nombre d'heures restantes à partir de l'instant de prévision + 1 jusqu'à -minuit (17 pour predict_at=7 par exemple). - 7. **ncores** : le nombre de processus parallèles (utiliser 1 pour une exécution -séquentielle) ------r -print(pred) -#?computeForecast ------ -${"##"} computeError() - -Les arguments de cette fonction sont, dans l'ordre : - - 1. **data** : le jeu de données renvoyé par getData() - 2. **pred** : les prédictions renvoyées par computeForecast() - 3. **horizon** : le nombre d'heures à considérer pour le calcul de l'erreur ; doit être -inférieur ou égal à l'horizon utilisé pour la prédiction (même valeur par défaut : -"data`$`getStdHorizon()") ------r -summary(err) -summary(err$abs) -summary(err$MAPE) ------ -${"##"} Graphiques - -Voir ?plotError : les autres fonctions graphiques sont dans la section 'seealso' : - - âplotCurvesâ, âplotPredRealâ, âplotSimilsâ, âplotFboxâ, - âcomputeFilamentsâ, âplotFilamentsBoxâ, âplotRelVarâ - -?plotXXX, etc. -## $\clearpage$ How to do that? ------ -# Expérimentations - -Cette partie montre les résultats obtenus via des variantes de l'algorithme décrit à la -section 2, en utilisant le package présenté à la section 3. Cet algorithme est +Cette partie montre les résultats obtenus avec des variantes de l'algorithme décrit au +chapitre 5, en utilisant le package présenté au chapitre 6. +Les ........... options ........... +Cet algorithme est systématiquement comparé à deux approches naïves : - * la moyenne des lendemains des jours "similaires" dans tout le passé, c'est-à -dire -prédiction = moyenne de tous les mardis passé si le jour courant est un lundi par -exemple. + * la moyenne des lendemains des jours de même type dans tout le passé, c'est-à -dire +prédiction = moyenne de tous les mardis passés si le jour courant est un lundi. * la persistence, reproduisant le jour courant ou allant chercher le lendemain de la -dernière journée "similaire" (même principe que ci-dessus ; argument "same\_day"). +dernière journée de même type (même principe que ci-dessus ; argument "same\_day"). Concernant l'algorithme principal à voisins, trois variantes sont étudiées dans cette partie : @@ -188,13 +79,25 @@ plotError(list(e1, e5, e4, e2, e3), cols=c(1,2,colors()[258],4,6)) # mauve: Neighbors local none (p3), vert: moyenne (p4), # rouge: persistence (p5) +##############TODO: expliquer "endo" "none"......etc +## ajouter fenêtres essais dans rapport. --> dans chapitre actuel. +## re-ajouter annexe sur ancienne méthode exo/endo/mix +## ---------> fenetres comment elles sont optimisées +#--------> ajouter à la fin quelques graphes montrant/comparant autres méthodes +#chapitre résumé avec différents essais conclusions. ---> synthèse des essais réalisés, +#avec sous-paragraphes avec conclusions H3/H17 sans surprises on améliore les choses, +#mais il y a des situations où c'est pas mieux. +#---------> fichier tex réinsérer synthèse de l'ensemble des essais réalisés. +#++++++++ ajouter à 13h + sum_p123 = e1$abs$indices + e2$abs$indices + e3$abs$indices i_np = which.min(sum_p123) #indice de (veille de) jour "facile" i_p = which.max(sum_p123) #indice de (veille de) jour "difficile" ----- % if i == 0: L'erreur absolue deÌpasse 20 sur 1 aÌ 2 jours suivant les modeÌles (graphe en haut aÌ -droite). C'est au-delaÌ de ce que l'on aimerait voir (disons +/- 5 environ). Sur cet +droite). ##C'est au-delaÌ de ce que l'on aimerait voir (disons +/- 5 environ). +Sur cet exemple le modeÌle aÌ voisins "contraint" (local=TRUE) utilisant des pondeÌrations baseÌes sur les similariteÌs de forme (simtype="endo") obtient en moyenne les meilleurs reÌsultats, avec un MAPE restant en geÌneÌral infeÌrieur aÌ 30% de 8h aÌ 19h (7+1 aÌ 7+12 : graphe en bas aÌ @@ -227,11 +130,13 @@ plotPredReal(data, p3, i_p); title(paste("PredReal p3 day",i_p)) # Bleu : prévue ; noir : réalisée ----- % if i == 0: -Le jour "facile aÌ preÌvoir", aÌ gauche, se deÌcompose en deux modes : un leÌger vers 10h +La courbe non centrée du jour facile à prévoir (en noir), +##Le jour "facile aÌ preÌvoir", +aÌ gauche, se deÌcompose en deux modes : un leÌger vers 10h (7+3), puis un beaucoup plus marqueÌ vers 19h (7+12). Ces deux modes sont retrouveÌs par les trois variantes de l'algorithme aÌ voisins, bien que l'amplitude soit mal preÌdite. -Concernant le jour "difficile aÌ preÌvoir" il y a deux pics en tout deÌbut et toute fin de -journeÌe (aÌ 9h et 23h), qui ne sont pas du tout anticipeÌs par le programme ; la grande +Concernant le jour "difficile aÌ preÌvoir" (à droite) il y a deux pics en tout deÌbut et toute fin de +journeÌe (aÌ 9h et 23h), qui ne sont pas du tout anticipés par les méthodes ; la grande amplitude de ces pics explique alors l'intensiteÌ de l'erreur observeÌe. % elif i == 1: Dans le cas d'un jour "facile" aÌ preÌdire $-$ aÌ gauche $-$ la forme est plus ou moins @@ -276,10 +181,18 @@ par(mfrow=c(1,2)) plotFilamentsBox(data, f_np1); title(paste("FilBox p1 day",i_np)) plotFilamentsBox(data, f_p1); title(paste("FilBox p1 day",i_p)) +## Questions : +#7h VS 13h +#est-ce que prévoir 24h ou 13 ou 3 facilite. +#amplitude erreur raisonnable ? probleme facile difficile ? +#place des exogènes ? +#H = ? +#épandage > chauffage > np + # En pointilleÌs la courbe du jour courant + lendemain (aÌ preÌdire) ----- % if i == 0: -Sur cette boxplot fonctionnelle (voir la fonction fboxplot() du package R "rainbow") l'on +Sur cette boxplot fonctionnelle (voir la fonction fboxplot() du package R "rainbow") on constate essentiellement deux choses : le lendemain d'un voisin "normal" peut se reÌveÌler eÌtre une courbe atypique, fort eÌloigneÌe de ce que l'on souhaite preÌdire (courbes bleue et rouge aÌ gauche) ; et, dans le cas d'une courbe aÌ preÌdire atypique (aÌ droite) la plupart @@ -362,9 +275,9 @@ p2$getParams(i_p)$window ${"##"} Bilan Nos algorithmes aÌ voisins ne sont pas adapteÌs aÌ ce jeu de donneÌes ouÌ la forme varie -consideÌrablement d'un jour aÌ l'autre. Plus geÌneÌralement cette deÌcorreÌlation de forme rend -ardue la taÌche de preÌvision pour toute autre meÌthode $-$ du moins, nous ne savons pas -comment proceÌder pour parvenir aÌ une bonne preÌcision. - -Toutefois, un espoir reste permis par exemple en aggreÌger les courbes spatialement (sur +consideÌrablement d'un jour aÌ l'autre. +Toutefois, un espoir reste permis par exemple en aggreÌgeant les courbes spatialement (sur plusieurs stations situeÌes dans la meÌme agglomeÌration ou dans une meÌme zone). +##Plus geÌneÌralement cette deÌcorreÌlation de forme rend +##ardue la taÌche de preÌvision pour toute autre meÌthode $-$ du moins, nous ne savons pas +##comment proceÌder pour parvenir aÌ une bonne preÌcision. diff --git a/reports/PackageR.gj b/reports/PackageR.gj new file mode 100644 index 0000000..d62dc36 --- /dev/null +++ b/reports/PackageR.gj @@ -0,0 +1,109 @@ +----- +# Package R "talweg" + +Le package $-$ Time-series sAmpLes forecasted With ExoGenous variables $-$ contient le +code permettant de lancer les expériences numériques décrites dans le chapitre suivant. +Les fonctions principales sont respectivement + + * **getData()** pour construire un objet R contenant les données à partir de fichiers +CSV (extraits de bases de données). Le format choisi en R est une classe R6 (du package +du même nom) exposant en particulier les méthodes *getSerie(i)* et *getExo(i)* qui +renvoient respectivement la $i^{eme}$ série de 24h et les variables exogènes (mesurées) +correspondantes. Voir ?Data pour plus d'information, une fois le package chargé. + * **computeForecast()** pour calculer des prédictions sur une certaine plage temporelle +contenue dans *data <- getData(...)* + * **computeError()** pour évaluer les erreurs commises par différentes méthodes. + +Le package contient en outre diverses fonctions graphiques *plotXXX()*, utilisées dans la +partie suivante. +-----r +# Chargement de la librairie (après compilation, "R CMD INSTALL .") +library(talweg) + +# Acquisition des données (depuis les fichiers CSV) +ts_data <- read.csv(system.file("extdata","pm10_mesures_H_loc.csv", + package="talweg")) +exo_data <- read.csv(system.file("extdata","meteo_extra_noNAs.csv", + package="talweg")) +data <- getData(ts_data, exo_data, input_tz="GMT", + date_format="%d/%m/%Y %H:%M", working_tz="GMT", + predict_at=7, limit=120) +# Plus de détails à la section 1 ci-après. + +# Prédiction de 10 courbes (jours 102 à 111) +pred <- computeForecast(data, 101:110, "Persistence", "Zero", memory=50, + horizon=12, ncores=1) +# Plus de détails à la section 2 ci-après. + +# Calcul des erreurs (sur un horizon arbitraire <= horizon de prédiction) +err <- computeError(data, pred, horizon=6) +# Plus de détails à la section 3 ci-après. + +# Puis voir ?plotError et les autres plot dans le paragraphe 'seealso' +----- +${"##"} getData() + +Les arguments de cette fonction sont, dans l'ordre : + + 1. **ts_data** : séries temporelles (fichier CSV avec entête ou data.frame) ; la +première colonne contient les heures, la seconde les valeurs. + 2. **exo_data** : variables exogènes (fichier CSV avec entête ou data.frame) ; la +première colonne contient les jours, les $m$ suivantes les variables mesurées pour ce +jour, et les $m$ dernières les variables prédites pour ce même jour. Dans notre cas $m=4$ +: pression, température, gradient de température, vitesse du vent. + 3. **input_tz** : zone horaire pour ts_data (défaut : "GMT"). + 4. **date_format** : format des heures dans ts_data (défaut : "%d/%m/%Y %H:%M", format +du fichier transmis par Michel). + 5. **working_tz** : zone horaire dans laquelle on souhaite travailler avec les données +(défaut : "GMT"). + 6. **predict_at** : heure à laquelle s'effectue la prévision $-$ et donc dernière heure +d'un bloc de 24h, relativement à working_tz. data`$`getSerie(3) renvoit ainsi les 24 +valeurs de 8h à 7h pour le $3^{eme}$ bloc de 24h présent dans le jeu de données. +-----r +print(data) +#?Data +----- +${"##"} computeForecast() + +Les arguments de cette fonction sont, dans l'ordre : + + 1. **data** : le jeu de données renvoyé par getData() + 2. **indices** : l'ensemble de jours dont on veut prévoir les "lendemains" (prochains +blocs de 24h) ; peut être donnée sous forme d'un vecteur de dates ou d'entiers +(correspondants aux numéros des jours). + 3. **forecaster** : le nom du prédicteur principal à utiliser ; voir ?computeForecast + 4. **pjump** : le nom du prédicteur de saut d'une série à l'autre ; voir +?computeForecast + 5. **memory** : le nombre de jours à prendre en compte dans le passé pour chaque +prévision (par défaut : Inf, c'est-à -dire tout l'historique pris en compte). + 6. **horizon** : le nombre d'heures à prédire ; par défaut "data`$`getStdHorizon()", +c'est-à -dire le nombre d'heures restantes à partir de l'instant de prévision + 1 jusqu'à +minuit (17 pour predict_at=7 par exemple). + 7. **ncores** : le nombre de processus parallèles (utiliser 1 pour une exécution +séquentielle) +-----r +print(pred) +#?computeForecast +----- +${"##"} computeError() + +Les arguments de cette fonction sont, dans l'ordre : + + 1. **data** : le jeu de données renvoyé par getData() + 2. **pred** : les prédictions renvoyées par computeForecast() + 3. **horizon** : le nombre d'heures à considérer pour le calcul de l'erreur ; doit être +inférieur ou égal à l'horizon utilisé pour la prédiction (même valeur par défaut : +"data`$`getStdHorizon()") +-----r +summary(err) +summary(err$abs) +summary(err$MAPE) +----- +${"##"} Graphiques + +Voir ?plotError : les autres fonctions graphiques sont dans la section 'seealso' : + + âplotCurvesâ, âplotPredRealâ, âplotSimilsâ, âplotFboxâ, + âcomputeFilamentsâ, âplotFilamentsBoxâ, âplotRelVarâ + +?plotXXX, etc. diff --git a/reports/report_P7_H17.zip b/reports/report_P7_H17.zip deleted file mode 100644 index 65253b5..0000000 --- a/reports/report_P7_H17.zip +++ /dev/null @@ -1 +0,0 @@ -#$# git-fat 4a0e88af47c14a7cdb4d00b268517eefec453d90 2747183 diff --git a/reports/run.sh b/reports/run.sh index 044d00d..9d67a84 100755 --- a/reports/run.sh +++ b/reports/run.sh @@ -1,13 +1,11 @@ #!/bin/sh -# Usage: ./run.sh P H +# Usage: ./run.sh file[no_suffix] P H -./ipynb_generator.py report.gj - P=$1 H=$2 +./ipynb_generator.py $1.gj - P=$2 H=$3 -#htmlfile=report_P$1_H$2.html -nbfile=report_P$1_H$2.ipynb jupyter-nbconvert \ --ExecutePreprocessor.kernel_name='ir' \ --ExecutePreprocessor.timeout=1800 \ - --execute report.ipynb \ - --to notebook --output $nbfile -# --to html --output=$htmlfile + --execute $1.ipynb \ + --to notebook --output $1.out.ipynb +# --to html --output=$1.html -- 2.44.0