更改预测目标为 Brent连1合约价格

config_jingbo.py

@@ -198,7 +198,7 @@ warning_data = {
 ### 开关
 is_train = True # 是否训练
 is_debug = False # 是否调试
-is_eta = False # 是否使用eta接口
+is_eta = True # 是否使用eta接口
 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 = True # 特征使用edbcoding列表中的
@@ -224,7 +224,7 @@ db_mysql.connect()
 
 
 # 数据截取日期
-start_year = 2013 # 数据开始年份
+start_year = 2000 # 数据开始年份
 end_time = '' # 数据截取日期
 freq = 'B'  # 时间频率，"D": 天 "W": 周"M": 月"Q": 季度"A": 年 "H": 小时 "T": 分钟 "S": 秒 "B": 工作日
 delweekenday = True if freq == 'B' else False # 是否删除周末数据
@@ -233,15 +233,15 @@ add_kdj = False # 是否添加kdj指标
 if add_kdj and is_edbnamelist:
     edbnamelist = edbnamelist+['K','D','J']
 ### 模型参数  
-y = 'Brent活跃合约' # 原油指标数据的目标变量  
+y = 'Brent连1合约价格' # 原油指标数据的目标变量  Brent连1合约价格   Brent活跃合约
 # y = '期货结算价(连续):布伦特原油:前一个观测值' # ineoil的目标变量  
-horizon =5 # 预测的步长
-input_size = 40  # 输入序列长度
+horizon =20 # 预测的步长
+input_size = 120  # 输入序列长度
 train_steps = 50 if is_debug else 1000 # 训练步数,用来限定epoch次数
 val_check_steps = 30  # 评估频率
 early_stop_patience_steps = 5 # 早停的耐心步数   
 # --- 交叉验证用的参数
-test_size = 200  # 测试集大小，定义100，后面使用的时候重新赋值
+test_size = 100  # 测试集大小，定义100，后面使用的时候重新赋值
 val_size = test_size # 验证集大小,同测试集大小
 
 ### 特征筛选用到的参数

main_yuanyou.py

@@ -1,7 +1,7 @@
 # 读取配置
 from config_jingbo import *
 from lib.dataread import *
-# from lib.tools import *
+from lib.tools import SendMail
 from models.nerulforcastmodels import ex_Model,model_losss,model_losss_juxiting,brent_export_pdf,tansuanli_export_pdf,pp_export_pdf,model_losss_juxiting
 
 import glob
@@ -227,7 +227,7 @@ 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__':

models/nerulforcastmodels.py

@@ -366,8 +366,9 @@ def model_losss(sqlitedb):
                 continue
             sqlitedb.insert_data('trueandpredict',tuple(row_dict.values()),columns=columns)
     # 最多频率的模型名称
-    min_model_max_frequency_model = df_combined3['min_model'][-60:].value_counts().idxmax()
-    max_model_max_frequency_model = df_combined3['max_model'][-60:].value_counts().idxmax()
+    num = df_combined3.shape[0] if df_combined3.shape[0] < 60 else 60
+    min_model_max_frequency_model = df_combined3['min_model'][-num:].value_counts().idxmax()
+    max_model_max_frequency_model = df_combined3['max_model'][-num:].value_counts().idxmax()
     df_predict['min_model'] = min_model_max_frequency_model
     df_predict['max_model'] = max_model_max_frequency_model
     df_predict['min_within_quantile'] = df_predict[min_model_max_frequency_model]