WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Estimation du temps de parcours aux soins de santé dans le district d'Ifanadiana.


par Randriamihaja Mauricianot
Ecole de management et d'innovation technologique - Master recherche en Informatique 2019
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

6 .2.3 Prédiction du temps de parcours

Pour la prédiction du temps de parcours, on a utilisé deux valeurs différentes pour la variable pluie tels que : la valeur sansqui vaut 0 et avec pluie (la valeur maximum de la pluie par rapport à la base de données analysable). L'extrait du code suivant permet de faire les prédictions.

#prédiction de la vitesse à pied avec et sans pluie

predict.csb$speed.rain.min <- predict(model, predict.csb, exclude="s(track)")

predict.csb$speed.rain.max <- predict(model, predict.csb, exclude="s(track)")

#calcul du temps de parcours en seconde

predict.csb$time.rain.min <- (predict.csb$distance*1000/predict.csb$speed.rain.min)*3.6

predict.csb$time.rain.max <- (predict.csb$distance*1000/predict.csb$speed.rain.max)*3.6

Après l'exécution du code, on obtient le résultat montréparla figure 6.14. Il représente les deux valeursde l'estimation du temps de parcours sans pluie (time.rain.min) et avec pluie (time.rain.max). Afin de passer à l'étape suivante, il est nécessaire d'agréger les données par rapport au champ track pour avoir le temps de trajet de chaque parcours.

Figure 9.14 : Le résultat de la prédiction du temps de parcours

6.2.4. Interpolation des données sur ArcGIS

Pour faire l'interpolation des données, on a utilisé deux données tels que : les données sur le temps de parcours dans la figure 6.14 et les données venant d'osrm avec les informations suivantes : l'Identification (ID), la longitude (X), latitude (Y), le nom de village (name), la distance minimum entre le village et le CSB le plus proche (distance_min) et le CSB plus proche (csb_proche). La figure 6.15 montre les informations des données d'OSRM.

Figure 9.15 : Les données d'OSRM

Ensuite, on a fusionné les deux données à partir du track et de l'ID afin d'avoir des données vecteur (points).La figure 6.16 représente les informationscomplètes pour l'interpolation de données.

Figure 9.16 : Les données complètes pour l'interpolation

Pour l'interpolation, on a utilisé l'outil ArcGIS avec l'utilisation de la fonction Krigeage et la couche vecteur précédent. La figure 6.17montre l'interpolation des données pour l'estimation du temps de parcours sans pluie.

Figure 9.17 : L'interpolation des données pour le temps de parcours sans pluie

Et la figure 6.18montre l'interpolation des données pour l'estimation du temps de parcours avec pluie.

Figure 9.18 : L'interpolation des données pour le temps de parcours avec pluie

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Nous voulons explorer la bonté contrée énorme où tout se tait"   Appolinaire