-
Notifications
You must be signed in to change notification settings - Fork 0
/
RNA_modelo_2_Escalonado.R
318 lines (236 loc) · 16.1 KB
/
RNA_modelo_2_Escalonado.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
###############################################################################################################################
################################################# Limpar Console e Memória ####################################################
###############################################################################################################################
gc(TRUE) #garbage colector (coletor de lixo) da RAM
rm(list = ls()) #limpar memoria do GE
dev.off() # limpar os plots (gráficos)
cat("\014") #limpar console
mapsd <- function(x) {
(x - mean(x)) / sd(x)
}
revmapsd <- function(normaldata,origdata) {
(normaldata * sd(origdata)) + mean(origdata)
}
###############################################################################################################################
########################################### Instalar e carregar pacotes (bibliotecas) necessários ####################################
###############################################################################################################################
list.of.packages <- c("hydroTSM", "lubridate",'openxlsx','nnet','reshape2','plyr','neuralnet',"stringr","hydroGOF","pracma","RSNNS","doParallel") #list pacotes
new.packages <- list.of.packages[!(list.of.packages %in% installed.packages()[,"Package"])] #instala se não houver
if(length(new.packages)) install.packages(new.packages)
lapply(list.of.packages, require, character.only = TRUE)
###############################################################################################################################
########################################### Definindo diretório de trabalho(pasta) e carregando funções #######################
###############################################################################################################################
Sys.setenv(R_ZIPCMD= "C:/Rtools/bin/zip")
setwd("~/Universidade/IFPB/Pesquisa/Coordenador de Projetos Pesquisa/Pré-tratamento dos dados") ## mudar a o local aonde estão os arquivos
path<- getwd();
source("lagpadf.r")
registerDoParallel(cores = 4)
###############################################################################################################################
########################################### Carregando dados externos e definindo dados de entrada para a RNA #################
###############################################################################################################################
load("~/Universidade/IFPB/Pesquisa/Coordenador de Projetos Pesquisa/Pré-tratamento dos dados/Dados_Zoo.RData") ## Carregar dados gerados pelo hydroweb
pi_plu_ser_1911_2016<- rbind.zoo(a1911_1991,a1994_2016) #junta as duas séries
pi_plu_ser_1911_2016_full <- merge(pi_plu_ser_1911_2016,zoo(,seq(start(pi_plu_ser_1911_2016),
end(pi_plu_ser_1911_2016),by="day")), all=TRUE)
wb <- loadWorkbook("Vol_Jatoba_II.xlsx") # colocar o nome do arquivo do excel
pi_mensal<- daily2monthly(pi_plu_ser_1911_2016_full, FUN=sum, na.rm=TRUE)
vol_jatoba = read.xlsx(wb, sheet = 1,detectDates = TRUE)
jatoba_ser<- zoo(as.numeric(gsub(",",".",vol_jatoba$`Volume.(%)`)),format(as.Date(vol_jatoba$Data.do.registro,"%d/%m/%Y"),"%Y/%m"))
posto_plu<- window(pi_mensal,index. = index(pi_mensal), as.Date("2008-01-01"),as.Date("2016-12-01"))
posto_plu_2<- zoo(coredata(posto_plu),format(as.Date(time(posto_plu),"%d/%m/%Y"),"%Y/%m"))
dataset<- merge(posto_plu_2,jatoba_ser,all = FALSE)
dataset<- as.data.frame(dataset)
data<- dataset
rown<- rownames(data)
picos<- data[,2]
vales<- data[,2]
seqds<- cumsum(c(1, sign(diff(data[,2]))))
# seqpv<- c(1,rbind(match(findpeaks(picos)[,1],picos),match(abs(findpeaks(-vales)[,1]),vales)),nrow(data))
# seqds<- c()
#
# for(i in 1:length(seqpv/2)){
# if(i==length(seqpv/2)){break}
# ifelse(i %% 2 == 0,seqds[seqpv[i]:seqpv[i+1]]<--1,seqds[seqpv[i]:seqpv[i+1]]<-1)
# }
#
# seqds[seqpv[length(seqpv)-1]:seqpv[length(seqpv)]]<- 1
#
# # seqds[match(findpeaks(picos)[,1],picos)]<-2
# # seqds[match(abs(findpeaks(-vales)[,1]),vales)]<-4
picos[-match(findpeaks(picos)[,1],picos)]<-0
vales[-match(abs(findpeaks(-vales)[,1]),vales)]<-0
picos[picos>0]<- max(seqds)
vales[vales>0]<- min(seqds)
# data<- cbind(data,data$jatoba_ser,Picos=picos[dropout=T])
data<- cbind(data,Com=seqds[dropout=T],Picos=picos[dropout=T],Vales=vales[dropout=T])
# data<- cbind(data[,"jatoba_ser"],data[,"jatoba_ser"],data[,"jatoba_ser"],
# data[,"posto_plu_2"],data[,"posto_plu_2"],data[,"posto_plu_2"],data[,"Com"],data[,"Picos"],data[,"Vales"])
# data<- cbind(data[,"jatoba_ser"],data[,"jatoba_ser"],data[,"jatoba_ser"],
# data[,"posto_plu_2"],data[,"posto_plu_2"],data[,"Com"],data[,"Picos"],data[,"Vales"])
data<- cbind(data[,"jatoba_ser"],data[,"jatoba_ser"],data[,"jatoba_ser"],
data[,"posto_plu_2"],data[,"posto_plu_2"],data[,"Com"])
# colnames(data)<- c("V_t","V_t_1","V_t_2","p_t","p_t_1","p_t_2","Com","Picos","Vales")
# colnames(data)<- c("V_t","V_t_1","V_t_2","p_t","p_t_2","Com","Picos","Vales")
colnames(data)<- c("V_t","V_t_1","V_t_2","p_t","p_t_2","Com")
coln<- colnames(data)
###############################################################################################################################
########################################### Definindo os atrasos (lag) para a RNA #############################################
###############################################################################################################################
# data<- cbind(data[,"V_t"],lagpad(data[,"V_t_1"],1),lagpad(data[,"V_t_2"],2),data[,"p_t"],lagpad(data[,"p_t_1"],1)
# ,lagpad(data[,"p_t_2"],2),data[,"Com"],data[,"Picos"],data[,"Vales"])
# data<- cbind(data[,"V_t"],lagpad(data[,"V_t_1"],1),lagpad(data[,"V_t_2"],2),data[,"p_t"]
# ,lagpad(data[,"p_t_2"],2),data[,"Com"],data[,"Picos"],data[,"Vales"])
data<- cbind(data[,"V_t"],lagpad(data[,"V_t_1"],1),lagpad(data[,"V_t_2"],2),data[,"p_t"]
,lagpad(data[,"p_t_2"],2),data[,"Com"])
colnames(data)<-coln
rownames(data)<- rown
data<- as.data.frame(data)
###############################################################################################################################
########################################### Checar se falta dados nas séries ##################################################
###############################################################################################################################
apply(data,2,function(x) sum(is.na(x)))
###############################################################################################################################
########################################### Definindo o conjunto de dados para treino e teste ##################################
###############################################################################################################################
# index <- sample(1:nrow(data),round(0.75*nrow(data)))
index <- 1:round(0.75*nrow(data))
train <- data[index,]
test <- data[-index,]
# train <- data[1:73,]
# test <- data[75:98,]
###############################################################################################################################
########################################### Modelo linear de comparação ao modelo RNA (não linear) #############################################
###############################################################################################################################
lm.fit <- glm(V_t~., data=train)
###############################################################################################################################
########################################### Previsão do modelo linear #############################################
###############################################################################################################################
pr.lm <- predict(lm.fit,test)
MSE.lm <- sum((pr.lm - test$V_t)^2)/nrow(test) #desempenho do modelo linear (Mean Square Error = Erro do Quadradro Médio)
###############################################################################################################################
########################################### Normalizado (scalonando) os dados de entrada da RNA #############################################
###############################################################################################################################
# maxs <- apply(data, 2, max)
# mins <- apply(data, 2, min)
# scaled <- as.data.frame(scale(data, center = mins, scale = maxs - mins))
# scaled <- as.data.frame(scale(data))
scaled<- data
# colnames(scaled)<- coln
###############################################################################################################################
########################################### Definindo os dados de treino e teste escalonados #############################################
###############################################################################################################################
# maxst <- apply(scaled[index,], 2, max)
# minst <- apply(scaled[index,], 2, min)
# maxste <- apply(scaled[-index,], 2, max)
# minste <- apply(scaled[-index,], 2, min)
# train_n <- as.data.frame(scale(scaled[index,], center = minst, scale = maxst - minst))
# test_n <- as.data.frame(scale(scaled[-index,], center = minste, scale = maxste - minste))
#
# train_ <- normalizeData(train_n)
# test_ <- normalizeData(test_n)
train_ <- normalizeData(scaled[index,])
test_ <- normalizeData(scaled[-index,])
# maxst <- apply(train_n, 2, max)
# minst <- apply(train_n, 2, min)
# maxste <- apply(test_n, 2, max)
# minste <- apply(test_n, 2, min)
# train_ <- as.data.frame(scale(train_n, center = minst, scale = maxst - minst))
# test_ <- as.data.frame(scale(test_n, center = minste, scale = maxste - minste))
# train_ <- scaled[1:73,]
# test_ <- scaled[75:98,]
colnames(train_)<- coln
colnames(test_)<- coln
###############################################################################################################################
########################################### Treinando a Rede Neural Artificial #############################################
###############################################################################################################################
n <- colnames(train_)
f <- as.formula(paste("V_t ~", paste(n[!n %in% "V_t"], collapse = " + ")))
mynn <- nnet(f, data=train_, size=10,rang = 0.5, decay=5e-4, maxit=10000, rep = 100)
###############################################################################################################################
########################################### Vizualizar o Modelo #################################################################
###############################################################################################################################
# plot(nn)
###############################################################################################################################
########################################### Previsão do Modelo RNA ##########################################################
###############################################################################################################################
pr.nn <- predict(mynn, test_[,-1], type="raw")
###############################################################################################################################
########################################### "Desnormalizando" os dados de saída da RNA #############################################
###############################################################################################################################
#normalizando depois
#
# pr.nn_ <- denormalizeData(pr.nn$net.result,getNormParameters(test_))
# test.r <- denormalizeData(test_,getNormParameters(test_))[,1]
#
# pr.nn_ <- (pr.nn_)*(max(scaled[-index,]$V_t)-min(scaled[-index,]$V_t))+min(scaled[-index,]$V_t)
# test.r <- (test.r)*(max(scaled[-index,]$V_t)-min(scaled[-index,]$V_t))+min(scaled[-index,]$V_t)
# pr.nn_ <- pr.nn$net.result*(max(data$V_t)-min(data$V_t))+min(data$V_t)
# test.r <- (test_$V_t)*(max(data$V_t)-min(data$V_t))+min(data$V_t)
# pr.nn_ <- pr.nn$net.result*(max(data$V_t)-min(data$V_t))+min(data$V_t)
# test.r <- (test_$V_t)*(max(data$V_t)-min(data$V_t))+min(data$V_t)
# normalizando primeiro
# pr.nn_ <- pr.nn$net.result*(max(test_n[,1])-min(test_n[,1]))+min(test_n[,1])
# test.r <- (test_$V_t)*(max(test_n[,1])-min(test_n[,1]))+min(test_n[,1])
#
# pr.nn_ <- denormalizeData(pr.nn$net.result,getNormParameters(test_n))
# test.r <- denormalizeData(test.r,getNormParameters(test_n))[,1]
pr.nn_ <- denormalizeData(pr.nn,getNormParameters(test_)) #só normalizando
test.r <- denormalizeData(test_,getNormParameters(test_))[,1] #só normalizando
# pr.nn_ <- revmapsd(pr.nn$net.result,data[,1])
# test.r <- revmapsd(test_[,1],data[,1])
###############################################################################################################################
########################################### Calculando o desempenho do modelo de RNA e do Linear #############################################
###############################################################################################################################
gofrna<- gof(sim= as.vector(t(pr.nn_)), obs = as.vector(t(test.r))) #GOF = Goodness of fit = Eficiência do ajuste
goflm<- gof(sim= as.vector(t(pr.lm)), obs = as.vector(t(test.r)))
###############################################################################################################################
########################################### Comparação dos Modelos #############################################
###############################################################################################################################
cbind(RNA=gofrna,LM=goflm)
ggof(sim=as.vector(t(pr.nn_)), obs=as.vector(t(test.r)), dates = str_replace_all(paste(as.character(row.names(pr.nn_)),"/01"), fixed(" "), "")
,date.fmt = "%Y/%m/%d",
main = "Vazão Observada vs. Simulada",xlab = "Tempo", ylab=c("Q, [m3/s]"),
gofs=c("r","PBIAS","NSE","RMSE"))
ggof(sim=as.vector(t(pr.lm)), obs=as.vector(t(test.r)), dates = str_replace_all(paste(as.character(row.names(pr.nn_)),"/01"), fixed(" "), ""),
,date.fmt = "%Y/%m/%d",main = "Vazão Observada vs. Simulada",xlab = "Tempo", ylab=c("Q, [m3/s]"),
gofs=c("r","PBIAS","NSE","RMSE"))
###############################################################################################################################
########################################### Validação Cruzada dos Modelos #############################################
###############################################################################################################################
library(boot)
set.seed(200)
# Linear model cross validation
lm.fit <- glm(V_t~.,data=data)
cv.glm(data,lm.fit,K=10)$delta[1]
# Neural net cross validation
set.seed(450)
cv.error <- NULL
k <- 10
# Initialize progress bar
library(plyr)
pbar <- create_progress_bar('text')
pbar$init(k)
for(i in 1:k){
index <- sample(1:nrow(data),round(0.9*nrow(data)))
train.cv <- scaled[index,]
test.cv <- scaled[-index,]
nn <- neuralnet(f,data=train.cv,hidden=c(5,5),linear.output=F)
pr.nn[[i]] <- compute(nn,test.cv[,2:6])
pr.nn[[i]] <- pr.nn[[i]]$net.result*(max(data$V_t)-min(data$V_t))+min(data$V_t)
test.cv.r <- (test.cv$V_t)*(max(data$V_t)-min(data$V_t))+min(data$V_t)
cv.error[i] <- sum((test.cv.r - pr.nn[[i]])^2)/nrow(test.cv)
pbar$step()
}
# Average MSE
mean(cv.error)
# MSE vector from CV
cv.error
# Graphical results
ggof(sim=as.vector(t(pr.nn[[4]])), obs=as.vector(t(test.cv.r)), dates = as.character(row.names(test.cv)),
main = "Vazão Observada vs. Simulada",xlab = "Tempo", ylab=c("Q, [m3/s]"),
gofs=c("r","PBIAS","NSE"))
# Visual plot of CV results
boxplot(cv.error,xlab='MSE CV',col='cyan',
border='blue',names='CV error (MSE)',
main='CV error (MSE) for NN',horizontal=TRUE)