-
Notifications
You must be signed in to change notification settings - Fork 1
/
projetS5Bilan.Rmd
382 lines (297 loc) · 12.7 KB
/
projetS5Bilan.Rmd
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
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
---
title: "projetS5Bilan"
output: html_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
```{r echo=FALSE}
library(plyr)
library(dplyr)
library(magrittr)
library(lubridate)
library(ggplot2)
library(tidyverse)
library(sf)
library(caret)
library(class)
library(factoextra)
library(ggmap)
library(osmdata)
library(geosphere)
library(grid)
library(lattice)
library(modeltools)
library(stats4)
library(flexclust)
library(keras)
```
<!-- On télécharge une carte via stamen. -->
<!-- ```{r echo=FALSE} -->
<!-- mad_map <- get_stamenmap(c(left = 5.78, bottom = 43.02, right = 6.22, top = 43.2), maptype = "toner-hybrid", zoom = 15) -->
<!-- ggmap(mad_map) -->
<!-- ``` -->
# 1°) Carte de la fréquentation le 5 octobre à plusieurs créneaux horaires
```{r echo=FALSE}
dfLignes = df[,c("ARRET","LIGNE")]
dfLignes = dfLignes[!duplicated(dfLignes$ARRET),]
dfArrets = df[,c("ARRET","Latitude","Longitude")]
dfArrets = dfArrets[!duplicated(dfArrets$ARRET),]
dfArrets = merge(dfArrets,StatsArrets[,-c(3)],by.x=c("ARRET"),by.y = c("Var1"))
dfArrets = merge(dfArrets,dfLignes, by = c("ARRET"))
```
Représentons les cartes des fréquentations des arrêts le 05/10/2019 sur certains blocs horaires :
```{r echo=FALSE}
valMin = min(na.omit(dfArrets[,seq(5,23)]))
valMax = max(na.omit(dfArrets[,seq(5,23)]))
for (k in c(5,9,14,17,21)){
myplot <- ggmap(mad_map)+
geom_point(data=dfArrets, aes(x=Longitude, y=Latitude, color = dfArrets[,c(k)]),
alpha=.8,
size=0.1)+
labs(x="",y="")+scale_colour_gradientn(colours = rainbow(5),limits = c(0.,valMax))+
ggtitle(paste("Carte de la fréquentation le 5 octobre 2019 à",k,"h"))
ggsave(paste("carte de la fréquentation des arrêts, à",k,"h le 05 octobre 2019.png"))
}
```
# 2°) Clustering
## 2.1°) Formatage des données pour être utilisées + vite
On divise l'analyse en 4 parties :
- Jour de semaine + pas férié + pas vacances : dfTypeJour4
- Jour de semaine + pas férié + vacances : dfTypeJour3
- Samedi + pas férié : dfTypeJour2
- Dimanche + férié : dfTypeJour1
```{r echo=FALSE}
dfTypeJour1 = subset.data.frame(df,df$TYPEJOUR == "Dimanche" | df$FERIE == 1)[,c("ARRET","HORAIRE")]
dfTypeJour1$HORAIRE = hour(dfTypeJour1$HORAIRE)
dfTypeJour1 = dfTypeJour1 %>% count(ARRET, HORAIRE)
nbJoursType1 = length(unique(subset.data.frame(df,df$TYPEJOUR == "Dimanche" | df$FERIE == 1)$DAY))
```
```{r echo=FALSE}
dfTypeJour2 = subset.data.frame(df,df$TYPEJOUR == "Samedi" & df$FERIE == 0)[,c("ARRET","HORAIRE")]
dfTypeJour2$HORAIRE = hour(dfTypeJour2$HORAIRE)
dfTypeJour2 = dfTypeJour2 %>% count(ARRET,HORAIRE)
nbJoursType2 = length(unique(subset.data.frame(df,df$TYPEJOUR == "Samedi" & df$FERIE == 0)$DAY))
```
```{r echo=FALSE}
dfTypeJour3 = subset.data.frame(df,df$TYPEJOUR %in% c("Lundi","Mardi","Mercredi","Jeudi","Vendredi") & df$FERIE == 0 & df$SCOLAIRE == 1)[,c("ARRET","HORAIRE")]
dfTypeJour3$HORAIRE = hour(dfTypeJour3$HORAIRE)
dfTypeJour3 = dfTypeJour3 %>% count(ARRET,HORAIRE)
nbJoursType3 = length(unique(subset.data.frame(df,df$TYPEJOUR %in% c("Lundi","Mardi","Mercredi","Jeudi","Vendredi") & df$FERIE == 0 & df$SCOLAIRE == 1)$DAY))
```
```{r echo=FALSE}
dfTypeJour4 = subset.data.frame(df,df$TYPEJOUR %in% c("Lundi","Mardi","Mercredi","Jeudi","Vendredi") & df$FERIE == 0 & df$SCOLAIRE == 0)[,c("ARRET","HORAIRE")]
dfTypeJour4$HORAIRE = hour(dfTypeJour4$HORAIRE)
dfTypeJour4 = dfTypeJour4 %>% count(ARRET,HORAIRE)
nbJoursType4 = length(unique(subset.data.frame(df,df$TYPEJOUR %in% c("Lundi","Mardi","Mercredi","Jeudi","Vendredi") & df$FERIE == 0 & df$SCOLAIRE == 0)$DAY))
```
Listons les arrêts et heures à considérer :
```{r echo=FALSE}
labels = StatsArrets$Var1
heures = c(0,1,seq(5,23))
```
```{r echo=FALSE}
diviseToutesColonnes <- function(df,facteur){
for (k in 1:length(df[1,])){
df[,k] = df[,k]/facteur
}
return(df)
}
```
```{r echo=FALSE}
diviseToutesColonnes(data.frame(X=c(2,3),Y=c(4,5)),10)
```
Pour mettre à l'échelle entre 0 et 1 :
```{r echo=FALSE}
echelle <- function(df){
for (k in 1:length(df[1,])){
maximum = max(na.omit(df[,k]))
minimum = min(na.omit(df[,k]))
df[,k] = (df[,k]-minimum)/(maximum-minimum)
}
return(df)
}
```
On crée des tableaux de données dfi normalisés qui contiennent les fréquentations par heure (colonnes) suivant chaque arrêt (1 arrêt/ligne). On tire les colonnes d'heures nulles. Les dfTypeJouri contiendront les tableaux non normalisés des fréquentations par heure (colonne) suivant chaque arrêt (ligne) et on ne tire pas les colonnes nulles (0 transit pendant 1h).
```{r echo=FALSE}
df1 = data.frame(matrix(0, ncol = 24, nrow = 930))
rownames(df1) <- labels
for (k in 1:length(dfTypeJour1[,1])){
df1[c(dfTypeJour1$ARRET[k]),dfTypeJour1$HORAIRE[k]+1]=dfTypeJour1$n[k]
}
dfTypeJour1 = df1
df1 <- echelle(df1)
df1 = df1[ , colSums(is.na(df1)) < nrow(df1)]
df2 = data.frame(matrix(0, ncol = 24, nrow = 930))
rownames(df2) <- labels
for (k in 1:length(dfTypeJour2[,1])){
df2[c(dfTypeJour2$ARRET[k]),dfTypeJour2$HORAIRE[k]+1]=dfTypeJour2$n[k]
}
dfTypeJour2 = df2
df2 <- echelle(df2)
df2 = df2[ , colSums(is.na(df2)) < nrow(df2)]
df3 = data.frame(matrix(0, ncol = 24, nrow = 930))
rownames(df3) <- labels
for (k in 1:length(dfTypeJour3[,1])){
df3[c(dfTypeJour3$ARRET[k]),dfTypeJour3$HORAIRE[k]+1]=dfTypeJour3$n[k]
}
dfTypeJour3 = df3
df3 <- echelle(df3)
df3 = df3[ , colSums(is.na(df3)) < nrow(df3)]
df4 = data.frame(matrix(0, ncol = 24, nrow = 930))
rownames(df4) <- labels
for (k in 1:length(dfTypeJour4[,1])){
df4[c(dfTypeJour4$ARRET[k]),dfTypeJour4$HORAIRE[k]+1]=dfTypeJour4$n[k]
}
dfTypeJour4 = df4
df4 <- echelle(df4)
df4 = df4[ , colSums(is.na(df4)) < nrow(df4)]
```
Regroupons les données horaires associées à tous ces types de jours pour les analyser.
```{r echo=FALSE}
dataAClusterParArret = cbind(df1,df2,df3,df4)
```
## 2.2°) Choix de la métrique
On teste 3 métriques de k-représentants :
- mahalanobis (kmeans),
- euclidienne (kmeans),
- manhattan (kmedians).
On fait également varier k entre 2 et 8 pour l'optimiser.
Euclidienne
```{r echo=FALSE}
listeSilhouettesEuclidiennes = c()
for (k in 2:8){
res = kcca(dataAClusterParArret, k, family=kccaFamily(dist=distEuclidean), save.data=TRUE)
listeSilhouettesEuclidiennes = c(listeSilhouettesEuclidiennes,mean(attr(Silhouette(res),"values")))
}
```
Manhattan
```{r echo=FALSE}
listeSilhouettesManhattan = c()
for (k in 2:8){
res = kcca(dataAClusterParArret, k, family=kccaFamily(dist=distManhattan), save.data=TRUE)
listeSilhouettesManhattan = c(listeSilhouettesManhattan,mean(attr(Silhouette(res),"values")))
}
```
Pour la métrique de Mahalanobis, la stratégie est de normaliser les données par la méthode de la décomposition de Cholesky plutôt et d'ensuite faire un kmeans.
```{r echo=FALSE}
dataMahalanobisACluster = cbind(dfTypeJour1,dfTypeJour2,dfTypeJour3,dfTypeJour4)
dataMahalanobisACluster = dataMahalanobisACluster[, colSums(dataMahalanobisACluster != 0) > 0]
C <- var(dataMahalanobisACluster)
C <- C[ , colSums(is.na(C)) < nrow(C)]
C <- chol(C)
dataMahalanobisACluster <- as.matrix(dataMahalanobisACluster) %*% solve(C)
listeSilhouettesMahalanobis = c()
for (k in 2:8){
res = kcca(dataMahalanobisACluster, k, family=kccaFamily(dist=distEuclidean), save.data=TRUE)
listeSilhouettesMahalanobis = c(listeSilhouettesMahalanobis,mean(attr(Silhouette(res),"values")))
}
```
Représentons ces résultats :
```{r echo=FALSE}
dfSilhouettes = data.frame(k = seq(2,8), Manhattan = listeSilhouettesManhattan, Euclidienne = listeSilhouettesEuclidiennes,Mahalanobis = listeSilhouettesMahalanobis)
dfSilhouettes <- dfSilhouettes %>%
dplyr::select(k, Manhattan, Euclidienne, Mahalanobis) %>%
gather(key = "variable", value = "value", -k)
ggplot(dfSilhouettes,aes(x = k, y = value)) +
geom_line(aes(color = variable)) +
scale_color_manual(values = c("#BD33A4", "steelblue","#16B84E"))+theme_bw()#c("#BD33A4", "steelblue","#16B84E"))
```
Conclusion : on retient la distance de Manhattan et k = 4.
## 2.3°) Clustering avec k = 4 et kmedians
```{r echo=FALSE}
resManhattan = kcca(dataAClusterParArret, 4, family=kccaFamily(dist=distManhattan), save.data=TRUE)
```
Représentation des clusters suivant deux dimensions à choisir du jeu de données initial :
```{r echo=FALSE}
plot(resManhattan,points = TRUE,number = FALSE,hull = TRUE)
```
Représentation des trajets/h en moyenne pour chaque cluster suivant le type de jour (GR1 de 0 à 23, GR2 de 24 à 48...) :
```{r echo=FALSE}
dfTousTypesJours = cbind(diviseToutesColonnes(dfTypeJour1,nbJoursType1),diviseToutesColonnes(dfTypeJour2,nbJoursType2),diviseToutesColonnes(dfTypeJour3,nbJoursType3),diviseToutesColonnes(dfTypeJour4,nbJoursType4))
dfclusteringTousTypesJours = data.frame(ARRET = labels, GR =resManhattan@cluster )
ggplot(data.frame(t= seq(0,95),Y1=colMeans(data.frame(dfTousTypesJours)[labels %in% dfclusteringTousTypesJours[dfclusteringTousTypesJours$GR == 1,]$ARRET,]),Y2=colMeans(data.frame(dfTousTypesJours)[labels %in% dfclusteringTousTypesJours[dfclusteringTousTypesJours$GR == 2,]$ARRET,]),Y3=colMeans(data.frame(dfTousTypesJours)[labels %in% dfclusteringTousTypesJours[dfclusteringTousTypesJours$GR == 3,]$ARRET,]),Y4=colMeans(data.frame(dfTousTypesJours)[labels %in% dfclusteringTousTypesJours[dfclusteringTousTypesJours$GR == 4,]$ARRET,])),aes(x = t, y = value)) +
geom_line(aes(y=Y1),color="#048B9A")+geom_line(aes(y=Y2),color="black")+geom_line(aes(y=Y3),color="#87E990")+geom_line(aes(y=Y4),color="#CF0A1D")+ggtitle("Moyennes des trajets/h suivant les clusters")
```
Ajoutons des colonnes latitude et longitude à notre tableau d'arrêts clusterisés :
```{r echo=FALSE}
dfMapGroupeManhattan = merge(dfArrets[,c(1,2,3)],dfclusteringTousTypesJours,by.y = c("ARRET"),by.x = c("ARRET"))
```
## 2.4°) Cartographie des clusters
Représentons les clusters d'arrêts sur une carte :
```{r echo=FALSE}
colors <- c("2" = "#87E990", "4" = "#048B9A", "3" = "#CF0A1D", "1"="black")
ggmap(mad_map)+
geom_point(data=dfMapGroupeManhattan, mapping = aes(x=Longitude, y=Latitude,color = factor(GR)),
size=0.1, alpha = 0.8
)+scale_color_manual(values = colors)+ geom_text(data=dfMapGroupeManhattan,aes(x=Longitude, y=Latitude,label = as.factor(ARRET)), size = 0.2,hjust=0)+
labs(x="",y="")
ggsave("Manhattan.pdf")
```
## 2.5°) Recherche des lieux d'intérêt dans Toulon (via open street map)
```{r echo=FALSE}
for (k in c("theatre","cinema","bar","cafe","pub","restaurant","fastfood","school","college","university","marketplace","doctors","hospital")){
q <- getbb("Toulon")%>%
opq()%>%
add_osm_feature("amenity", k)
assign(paste0(k,"OSM"),data.frame(st_coordinates(osmdata_sf(q)$osm_points)))
}
```
```{r echo=FALSE}
q <- getbb("Toulon")%>%
opq()%>%
add_osm_feature("tourism","museum")
museumOSM <- data.frame(st_coordinates(osmdata_sf(q)$osm_points))
```
```{r echo=FALSE}
q <- getbb("Toulon")%>%
opq()%>%
add_osm_feature("shop")
shopOSM <- data.frame(st_coordinates(osmdata_sf(q)$osm_points))
```
```{r echo=FALSE}
q <- getbb("Toulon")%>%
opq()%>%
add_osm_feature("office")
officeOSM <- data.frame(st_coordinates(osmdata_sf(q)$osm_points))
```
```{r echo=FALSE}
dfProximiteArret = data.frame(labels)
arretsA150m <- function(lieux){
listearrets = c()
for( k in 1:930){
i=1
while (i <= length(lieux$X)){
if (distHaversine(lieux[i,], as.numeric(dfArrets[k,c(3,2)])) < 150.){
i = length(lieux$X)
listearrets = c(listearrets,dfArrets$ARRET[k])
}
i=i+1
}
}
return (listearrets)
}
arrets150mEcole = arretsA150m(schoolOSM)
arrets150mBureaux = arretsA150m(officeOSM)
arrets150mMagasins = arretsA150m(shopOSM)
arrets150mRestaurants = arretsA150m(rbind(rbind(restaurantOSM,cafeOSM),barOSM))
arrets150mCinema = arretsA150m(cinemaOSM)
```
## 2.6°) Représentation de la proportion des arrêts par cluster à côté de lieux d'intérêt
```{r echo=FALSE}
histoLieu <- function(GR,dfKMEANS){
dfLieuxPresGR = data.frame(Lieu = c(), Groupe = c(), Proportion = c())
for (k in 1:4){
dfLieuxPresGR = rbind(dfLieuxPresGR,data.frame(Lieu = c("Ecole","Bureaux","Magasins","Restaurants","Cinema"),Groupe = c(k,k,k,k,k), Proportion = c(mean(dfKMEANS[dfKMEANS[,c(GR)] == k,]$ARRET %in% arrets150mEcole),mean(dfKMEANS[dfKMEANS[,c(GR)] == k,]$ARRET %in% arrets150mBureaux),mean(dfKMEANS[dfKMEANS[,c(GR)] == k,]$ARRET %in% arrets150mMagasins),mean(dfKMEANS[dfKMEANS[,c(GR)] == k,]$ARRET%in% arrets150mRestaurants),mean(dfKMEANS[dfKMEANS[,c(GR)] == k,]$ARRET %in% arrets150mCinema))))
}
df_cumsum <- ddply(dfLieuxPresGR, "Groupe",
transform, label_ypos=cumsum(Proportion))
ggplot(data=df_cumsum, aes(x=Groupe, y=Proportion, fill=Lieu)) +
geom_bar(stat="identity")+
scale_fill_brewer(palette="Dark2")+
theme_minimal()+ggtitle(paste("Groupe",GR))
}
```
```{r echo=FALSE}
histoLieu("GR",dfclusteringTousTypesJours)
```