准确率计算逻辑更改数据库

config_jingbo.py

@@ -197,15 +197,15 @@ warning_data = {
 
 ### 开关
 is_train = True # 是否训练
-is_debug = True # 是否调试
+is_debug = False # 是否调试
 is_eta = False # 是否使用eta接口
 is_timefurture = True # 是否使用时间特征
-is_fivemodels = True # 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
+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 = 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
 
 ### 北京环境数据库jbsh_test
 # url: jdbc:mysql://192.168.101.27:3306/jingbo_test?autoReconnect=true&useUnicode=true&characterEncoding=utf8&zeroDateTimeBehavior=convertToNull&transformedBitIsBoolean=true&useSSL=false&serverTimezone=GMT%2B8&nullCatalogMeansCurrent=true  
@@ -225,8 +225,8 @@ db_mysql.connect()
 
 # 数据截取日期
 start_year = 2000 # 数据开始年份
-end_time = '' # 数据截取日期
-freq = 'W'  # 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
+end_time = '2024-11-23' # 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
 is_corr = False # 特征是否参与滞后领先提升相关系数
 add_kdj = False # 是否添加kdj指标
@@ -235,7 +235,7 @@ if add_kdj and is_edbnamelist:
 ### 模型参数  
 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 =4 # 预测的步长
+horizon =5 # 预测的步长
 input_size = 40  # 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

main_yuanyou.py

@@ -172,25 +172,25 @@ def predict_main():
     row, col = df.shape
 
     now = datetime.datetime.now().strftime('%Y%m%d%H%M%S')
-    # ex_Model(df,
-    #          horizon=horizon,
-    #          input_size=input_size,
-    #          train_steps=train_steps,
-    #          val_check_steps=val_check_steps,
-    #          early_stop_patience_steps=early_stop_patience_steps,
-    #          is_debug=is_debug,
-    #          dataset=dataset,
-    #          is_train=is_train,
-    #          is_fivemodels=is_fivemodels,
-    #          val_size=val_size,
-    #          test_size=test_size,
-    #          settings=settings,
-    #          now=now,
-    #          etadata=etadata,
-    #          modelsindex=modelsindex,
-    #          data=data,
-    #          is_eta=is_eta,
-    #          )
+    ex_Model(df,
+             horizon=horizon,
+             input_size=input_size,
+             train_steps=train_steps,
+             val_check_steps=val_check_steps,
+             early_stop_patience_steps=early_stop_patience_steps,
+             is_debug=is_debug,
+             dataset=dataset,
+             is_train=is_train,
+             is_fivemodels=is_fivemodels,
+             val_size=val_size,
+             test_size=test_size,
+             settings=settings,
+             now=now,
+             etadata=etadata,
+             modelsindex=modelsindex,
+             data=data,
+             is_eta=is_eta,
+             )
 
 
     logger.info('模型训练完成')
@@ -228,7 +228,7 @@ 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

@@ -369,9 +369,9 @@ def model_losss(sqlitedb):
 
     # find_most_common_model()
 
-    df_predict2 = df_predict.copy()
+    df_predict2 = df_combined3.tail(horizon)
     df_predict2['ds'] = pd.to_datetime(df_predict2['ds'])
-    df_predict2['ds'] = df_predict2['ds'].dt.strftime('%Y-%m-%d 00:00:00')
+    df_predict2['ds'] = df_predict2['ds'].dt.strftime('%Y-%m-%d')
 
     # 保存到数据库
     if not sqlitedb.check_table_exists('accuracy'):
@@ -382,13 +382,13 @@ def model_losss(sqlitedb):
         df_predict2['id'] = range(max_id + 1, max_id + 1 + len(df_predict2))
     else:
         df_predict2['id'] = range(1, 1 + len(df_predict2))
-    df_predict2['CREAT_DATE'] = datetime.datetime.now().strftime('%Y-%m-%d')
+    
+    df_predict2['CREAT_DATE'] = end_time
     df_predict2['PREDICT_DATE'] = df_predict2['ds']
     df_predict2['MIN_PRICE'] = df_predict2['min_within_quantile']
     df_predict2['MAX_PRICE'] = df_predict2['max_within_quantile']
-    print(df_predict2.clumns)
     df_predict2 = df_predict2[['id','PREDICT_DATE','CREAT_DATE','MIN_PRICE','MAX_PRICE']]
-    df_predict2.to_sql(table_name,  con=sqlitedb.connection, if_exists='append', index=False)
+    df_predict2.to_sql("accuracy",  con=sqlitedb.connection, if_exists='append', index=False)