沥青定性模型添加数据更改逻辑；画图横轴时间自动展示

config_jingbo.py

@@ -176,15 +176,15 @@ table_name = 'v_tbl_crude_oil_warning'
 ### 开关
 is_train = False # 是否训练
 is_debug = False # 是否调试
-is_eta = True # 是否使用eta接口
+is_eta = False # 是否使用eta接口
 is_market = True # 是否通过市场信息平台获取特征 ,在is_eta 为true 的情况下生效
 is_timefurture = True # 是否使用时间特征
 is_fivemodels = False # 是否使用之前保存的最佳的5个模型
 is_edbcode = False # 特征使用edbcoding列表中的
 is_edbnamelist = False # 自定义特征，对应上面的edbnamelist
 is_update_eta  = False  # 预测结果上传到eta
-is_update_report = True # 是否上传报告
+is_update_report = False # 是否上传报告
-is_update_warning_data =  True # 是否上传预警数据
+is_update_warning_data =  False # 是否上传预警数据
 is_del_corr = 0.6 # 是否删除相关性高的特征,取值为 0-1 ，0 为不删除，0.6 表示删除相关性小于0.6的特征
 is_del_tow_month = True # 是否删除两个月不更新的特征
 
@@ -239,7 +239,7 @@ settings = f'{input_size}-{horizon}-{train_steps}--{k}-{data_set}-{y}'
 # 获取日期时间
 # now = datetime.datetime.now().strftime('%Y%m%d%H%M%S') # 获取当前日期时间
 now = datetime.datetime.now().strftime('%Y-%m-%d') # 获取当前日期时间
-reportname = f'Brent原油大模型预测--{now}.pdf' # 报告文件名
+reportname = f'Brent原油大模型预测--{end_time}.pdf' # 报告文件名
 reportname = reportname.replace(':', '-') # 替换冒号
 if end_time == '':
     end_time = now

lib/dataread.py

@@ -41,9 +41,9 @@ plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
 plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
 
 # from config_jingbo_pro import *
-# from config_jingbo import *
+from config_jingbo import *
 # from config_yongan import *
-from config_juxiting import *
+# from config_juxiting import *
 
 
 
@@ -722,7 +722,8 @@ def datachuli(df_zhibiaoshuju,df_zhibiaoliebiao,datecol='date',end_time='',y='y'
         # 按月取样
         df = df.resample('M', on='ds').mean().reset_index()
     # 删除预测列空值的行
-    df = df.dropna(subset=['y'])
+    '''  工作日缺失，如果删除，会影响预测结果，导致统计准确率出错 '''
+    # df = df.dropna(subset=['y'])
     logger.info(f'删除预测列为空值的行后数据量：{df.shape}')
     df = df.dropna(axis=1, how='all')
     logger.info(f'删除全为空值的列后数据量：{df.shape}')

main_yuanyou.py

@@ -284,15 +284,15 @@ def predict_main():
         file=max(glob.glob(os.path.join(dataset,'*.pdf')), key=os.path.getctime),
         ssl=ssl,
     )
-    m.send_mail()   
+    # m.send_mail()   
 
 
 if __name__ == '__main__':
-    # global end_time
+    global end_time
-    # is_on = True
+    is_on = True
-    # # 遍历2024-11-25 到 2024-12-3 之间的工作日日期
+    # 遍历2024-11-25 到 2024-12-3 之间的工作日日期
-    # for i_time in pd.date_range('2024-12-27', '2024-12-28', freq='B'):
+    for i_time in pd.date_range('2024-10-7', '2024-10-30', freq='B'):
-    #     end_time = i_time.strftime('%Y-%m-%d')
+        end_time = i_time.strftime('%Y-%m-%d')
-    #     predict_main()
-
         predict_main()
+
+    # predict_main()

models/nerulforcastmodels.py

@@ -889,7 +889,7 @@ def model_losss(sqlitedb,end_time):
     # df['ACCURACY'] = df.apply(is_within_range, axis=1)
 
     # 计算准确率并保存结果
-    def _get_accuracy_rate(df,create_dates,ds_dates,endtime):
+    def _get_accuracy_rate(df,create_dates,ds_dates):
         df3 = df.copy()
         df3 = df3[df3['CREAT_DATE'].isin(create_dates)]
         df3 = df3[df3['ds'].isin(ds_dates)]
@@ -901,7 +901,7 @@ def model_losss(sqlitedb,end_time):
         df4.loc[len(df4)] = {'开始日期':ds_dates[0],'结束日期':ds_dates[-1],'准确率':accuracy_rote}
         df4.to_sql("accuracy_rote",  con=sqlitedb.connection, if_exists='append', index=False)
     create_dates,ds_dates = get_week_date(end_time)
-    _get_accuracy_rate(df,create_dates,ds_dates,end_time)
+    _get_accuracy_rate(df,create_dates,ds_dates)
     
     def _add_abs_error_rate():
         # 计算每个预测值与真实值之间的偏差率
@@ -941,6 +941,9 @@ def model_losss(sqlitedb,end_time):
         df = df[-lens:] # 取180个数据点画图
         # 历史价格
         plt.figure(figsize=(20, 10))
+        # 时间格式更改
+        df['ds'] = pd.to_datetime(df['ds'])
+        
         plt.plot(df['ds'], df['y'], label='真实值')
         # 颜色填充
         plt.fill_between(df['ds'], df['max_within_quantile'], df['min_within_quantile'], alpha=0.2)
@@ -962,6 +965,11 @@ def model_losss(sqlitedb,end_time):
         plt.axvline(x=df['ds'].iloc[-horizon], color='r', linestyle='--')
         plt.legend()
         plt.xlabel('日期')
+        # 设置横轴日期格式为年-月-日
+        plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
+        # 自动设置横轴日期显示
+        plt.gca().xaxis.set_major_locator(mdates.AutoDateLocator())
+        plt.xticks(rotation=45)  # 日期标签旋转45度，防止重叠
         plt.ylabel('价格')
         
         plt.savefig(os.path.join(dataset,'历史价格-预测值.png'), bbox_inches='tight')
@@ -969,6 +977,7 @@ def model_losss(sqlitedb,end_time):
 
     
     def _plt_modeltopten_predict_ture(df):
+        df['ds'] = pd.to_datetime(df['ds'])
         df['max_cutoff'] = df.groupby('ds')['CREAT_DATE'].transform('max')
         df = df[df['CREAT_DATE'] == df['max_cutoff']]
         df['mean'] = df['mean'].astype(float)
@@ -996,6 +1005,10 @@ def model_losss(sqlitedb,end_time):
         plt.axvline(x=df['ds'].iloc[-horizon], color='r', linestyle='--')
         plt.legend()
         plt.xlabel('日期')
+        # 自动设置横轴日期显示
+        plt.gca().xaxis.set_major_locator(mdates.AutoDateLocator())
+        plt.xticks(rotation=45)  # 日期标签旋转45度，防止重叠
+        
         plt.ylabel('价格')
         
         plt.savefig(os.path.join(dataset,'历史价格-预测值1.png'), bbox_inches='tight')
@@ -1367,7 +1380,7 @@ def brent_export_pdf(num_indicators=475,num_models=21, num_dayindicator=202,inpu
             
 
     ### 添加标题
-    content.append(Graphs.draw_title(f'{y}{end_time}预测报告'))
+    content.append(Graphs.draw_title(f'{y}{time}预测报告'))
 
     ### 预测结果
     content.append(Graphs.draw_little_title('一、预测结果：'))