Estimating behavioral parameters in animal movement models using a state-augmented particle filter

Projet pour le cours Hidden Markov models and Sequential Monte-Carlo methods de l'ENSAE.

• Gabriel Watkinson
• Gabriel Guaquiere
• Jérémie Stym-Popper
• Benjamin Maurel

Introduction

Dans ce projet, nous implementons le modèle décrit dans le papier Estimating behavioral parameters in animal movement models using a state-augmented particle filter, et l'approfondissons avec des méthodes plus récentes.

Notre rapport est disponible ici à la racine du projet.

Le package smc_movement_models

Les fonctions sont définies dans le package smc_movement_models.

Les modules models.py et models_SMC2.py contiennent les modèles de mouvement et l'algorithme du papier et une version SMC2 respectivement.

Le module plot.py contient des fonctions utilitaires pour génerer des graphes.

Le module process_data.py contient des fonctions utilitaires pour traiter les données brutes et une CLI.

Les notebooks

Les notebooks sont dans le dossier notebooks et permettent de lancer les expériences et de visualiser les résultats.

Le notebook notebooks/implementation_papier.ipynb contient les expériences avec l'algorithme du papier.

Le notebook notebooks/implementation_smc2.ipynb contient les expériences avec la version SMC2.

Le reste

Le dossier data contient les données brutes et les données traitées.

Le dossier images contient les images utilisées dans le rapport.

Le dossier paper contient les papiers liés au projet.

Le dossier r_code contient le code R original du papier (pas utilisé par notre groupe).

Les fichiers poetry.lock et pyproject.toml sont utilisés par poetry pour gérer les dépendances.

Le fichier requirements.txt est utilisé par pip pour gérer les dépendances et est généré par poetry.

Le dossier latex contient le LaTeX utilisé pour le rapport.

Installation

Nous utilisons Python pour simuler les données et mettre en place les modèles, notamment la librairie particles.

Avant toutes choses, il faut se déplacer dans le dossier smc_movement_models:

cd /path/to/smc_movement_models

Avec poetry

# Creation d'un environement virtuel et installation des packages
poetry install

# Activation de l'environement
poetry shell  # sub shell
# OU source $(poetry env info --path)/bin/activate  # activer l'environement dans le shell actuel

Avec pip

# Creation d'un environement virtuel
python -m venv .venv

# Activation de l'environement
.venv/Script/activate  # pour Windows
# OU source .venv/bin/activate  # pour Linux / MacOS

# Installation des packages
pip install -r requirements.txt

Processing des données

Pour générer les données à partir du fichier brut, il faut lancer le script process_data.py :

python smc_movement_models/process_data.py
# Pour plus d'informations
# python smc_movement_models/process_data.py --help

pre-commit

Pour activer les pre-commit qui formattent le code avant chaque commit :

pre-commit install
pre-commit run --all-files  # Pour installer les modules et lancer les tests

Pour forcer un commit sans vérifier :

git commit -m "..." --no-verify