main判断预测目标进行eta获取数据

config_jingbo.py

@@ -155,30 +155,30 @@ upload_data = {
 
 
 ### 线上开关
-is_train = True # 是否训练
-is_debug = False # 是否调试
-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 = 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  = True  # 预测结果上传到eta
-is_update_report = True # 是否上传报告
-
-### 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 = 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_eta  = True  # 预测结果上传到eta
+# is_update_report = True # 是否上传报告
+
+### 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_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 = False # 是否上传报告
 
 
 # 数据截取日期
-end_time = '' # 数据截取日期
+end_time = '2024-10-29' # 数据截取日期
 delweekenday = True
 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
@@ -212,8 +212,8 @@ db_name = os.path.join(dataset,'jbsh_yuanyou.db')
 
 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
+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 = reportname.replace(':', '-') # 替换冒号
 

config_juxiting.py

@@ -211,7 +211,7 @@ upload_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 = False # 特征使用edbcoding列表中的

lib/dataread.py

@@ -20,8 +20,8 @@ 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 datetime import timedelta
-from config_jingbo import *
-# from config_juxiting import *
+# from config_jingbo import *
+from config_juxiting import *
 from sklearn import metrics
 from reportlab.pdfbase import pdfmetrics   # 注册字体
 from reportlab.pdfbase.ttfonts import TTFont # 字体类

main.py

@@ -1,7 +1,7 @@
 # 读取配置
-from config_jingbo import *
+# from config_jingbo import *
 # from config_tansuanli import *
-# from config_juxiting import *
+from config_juxiting import *
 from lib.dataread import *
 from lib.tools import *
 from models.nerulforcastmodels import ex_Model,model_losss,brent_export_pdf,tansuanli_export_pdf,pp_export_pdf,model_losss_juxiting
@@ -38,9 +38,10 @@ def predict_main():
                                     edbdeleteurl=edbdeleteurl,
                                     edbbusinessurl=edbbusinessurl,
                                     )
-
-        df_zhibiaoshuju,df_zhibiaoliebiao = etadata.get_eta_api_yuanyou_data(data_set=data_set,dataset=dataset)  # 原始数据，未处理
-        # df_zhibiaoshuju,df_zhibiaoliebiao =  etadata.get_eta_api_pp_data(data_set=data_set,dataset=dataset)  # 原始数据，未处理
+        if 'Brent' in y:
+            df_zhibiaoshuju,df_zhibiaoliebiao = etadata.get_eta_api_yuanyou_data(data_set=data_set,dataset=dataset)  # 原始数据，未处理
+        else:
+            df_zhibiaoshuju,df_zhibiaoliebiao =  etadata.get_eta_api_pp_data(data_set=data_set,dataset=dataset)  # 原始数据，未处理
 
         
         # 数据处理
@@ -143,7 +144,7 @@ def predict_main():
     # # 模型评估
     
     logger.info('训练数据绘图ing')
-    model_results3 = model_losss(sqlitedb)
+    model_results3 = model_losss_juxiting(sqlitedb)
     
     logger.info('训练数据绘图end')
     # 模型报告

models/nerulforcastmodels.py

@@ -573,8 +573,10 @@ def model_losss_juxiting(sqlitedb):
         max_model = row[row == q90].idxmax()
 
         # 设置上下界比例
-        q10 = q10 * 0.99
-        q90 = q90 * 0.99
+        rote = 1
+
+        q10 = q10 * rote
+        q90 = q90 * rote
 
         logger.info(min_model,q10,max_model,q90)