聚烯烃测试环境调通

config_juxiting.py

@@ -105,6 +105,7 @@ modelsindex = {
         'DeepNPTS':'SELF0000076'
     }
 
+
 # eta 上传预测结果的请求体，后面发起请求的时候更改 model datalist  数据
 data = {
             "IndexCode": "",
@@ -125,58 +126,25 @@ data = {
 # level：3才可以获取到数据，所以需要人工把能源化工下所有的level3级都找到
         # url = 'http://10.189.2.78:8108/v1/edb/list?ClassifyId=1214'
         #ParentId ":1160, 能源化工
-        # ClassifyId ":1214,原油  ,1161 PP
+        # ClassifyId ":1214,原油
         #ParentId ":1214,"，就是原油下所有的数据。
 ClassifyId = 1161  
 
 
-### 报告上传配置
-# 变量定义--线上环境
-# login_pushreport_url = "http://10.200.32.39/jingbo-api/api/server/login"
-# upload_url = "http://10.200.32.39/jingbo-api/api/dw/dataValue/pushDataValueList"
 
+###############################################################################################################  变量定义--测试环境
+server_host = '192.168.100.53'
 
-# login_data = {
+login_pushreport_url = f"http://{server_host}:8080/jingbo-dev/api/server/login"
-#     "data": {
+upload_url = f"http://{server_host}:8080/jingbo-dev/api/analysis/reportInfo/researchUploadReportSave"
-#         "account": "api_dev",
+upload_warning_url = f"http://{server_host}:8080/jingbo-dev/api/basicBuiness/crudeOilWarning/save"
-#         "password": "ZTEwYWRjMzk0OWJhNTlhYmJlNTZlMDU3ZjIwZjg4M2U=",
+query_data_list_item_nos_url = f"http://{server_host}:8080/jingbo-dev/api/warehouse/dwDataItem/queryDataListItemNos"
-#         "tenantHashCode": "8a4577dbd919675758d57999a1e891fe",
-#         "terminal": "API"
-#     },
-#     "funcModule": "API",
-#     "funcOperation": "获取token"
-# }
-
-
-
-# upload_data = {
-#     "funcModule":'研究报告信息',
-#     "funcOperation":'上传原油价格预测报告',
-#     "data":{
-#         "ownerAccount":'27663', #报告所属用户账号  27663 - 刘小朋
-#         "reportType":'OIL_PRICE_FORECAST', # 报告类型，固定为OIL_PRICE_FORECAST
-#         "fileName": '', #文件名称 
-#         "fileBase64": '' ,#文件内容base64
-#         "categoryNo":'yyjgycbg', # 研究报告分类编码
-#         "smartBusinessClassCode":'YCJGYCBG', #分析报告分类编码
-#         "reportEmployeeCode":"E40482" ,# 报告人  E40482  - 管理员  0000027663 - 刘小朋  
-#         "reportDeptCode" :"002000621000", # 报告部门 - 002000621000  SH期货研究部  
-#         "productGroupCode":"RAW_MATERIAL"  # 商品分类
-#   }
-# }
-
-
-
-# # 变量定义--测试环境
-login_pushreport_url = "http://192.168.100.53:8080/jingbo-dev/api/server/login"
-upload_url = "http://192.168.100.53:8080/jingbo-dev/api/analysis/reportInfo/researchUploadReportSave"
-# upload_url = "http://192.168.100.109:8080/jingbo/api/analysis/reportInfo/researchUploadReportSave" # zhaoqiwei
-
 
 login_data = {
     "data": {
         "account": "api_test",
-        "password": "MmVmNzNlOWI0MmY0ZDdjZGUwNzE3ZjFiMDJiZDZjZWU=",
+        # "password": "MmVmNzNlOWI0MmY0ZDdjZGUwNzE3ZjFiMDJiZDZjZWU=", # Shihua@123456
+        "password": "ZTEwYWRjMzk0OWJhNTlhYmJlNTZlMDU3ZjIwZjg4M2U=", # 123456
         "tenantHashCode": "8a4577dbd919675758d57999a1e891fe",
         "terminal": "API"
     },
@@ -201,40 +169,61 @@ upload_data = {
 }
 
 
-### 线上开关
+warning_data = {
-# is_train = True # 是否训练
+    "funcModule":'原油特征停更预警',
-# is_debug = False # 是否调试
+    "funcOperation":'原油特征停更预警',
-# is_eta = True # 是否使用eta接口
+    "data":{
-# is_timefurture = True # 是否使用时间特征
+    'WARNING_TYPE_NAME':'特征数据停更预警',
-# is_fivemodels = False # 是否使用之前保存的最佳的5个模型
+    'WARNING_CONTENT':'',
-# is_edbcode = False # 特征使用edbcoding列表中的
+    'WARNING_DATE':''
-# is_edbnamelist = False # 自定义特征，对应上面的edbnamelist
+  }
-# is_update_report = True # 是否上传报告
+}
-# is_del_corr = 0 # 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
+
+query_data_list_item_nos_data = {
+   "funcModule": "数据项",
+   "funcOperation": "查询",
+    "data": {
+        "dateStart":"20200101",
+        "dateEnd":"20241231",
+        "dataItemNoList":["Brentzdj","Brentzgj"] # 数据项编码,代表 brent最低价和最高价
+    }
+}
+
+
+# 北京环境数据库
+host = '192.168.101.27'
+port = 3306
+dbusername ='root'  
+password = '123456'
+dbname = 'jingbo_test'
+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 = False # 是否使用eta接口
+is_market = False # 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 = False # 是否上传报告
-is_del_corr = 0 # 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_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
 
 
 
 # 连接到数据库
-# db_mysql = MySQLDB(host=host, user=dbusername, password=password, database=dbname)
+db_mysql = MySQLDB(host=host, user=dbusername, password=password, database=dbname)
-# db_mysql.connect()
+db_mysql.connect()
-# print("数据库连接成功",host,dbname,dbusername)
+print("数据库连接成功",host,dbname,dbusername)
 
 
 # 数据截取日期
-start_year = 2017 # 数据开始年份
+start_year = 2020 # 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
@@ -242,9 +231,9 @@ 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
 if add_kdj and is_edbnamelist:
     edbnamelist = edbnamelist+['K','D','J']
+
 ### 模型参数  
-# y = 'PP：拉丝：1102K：市场价：青州：国家能源宁煤（日）' # 原油指标数据的目标变量  
+y = 'AVG-金能大唐久泰青州' 
-y = 'AVG-金能大唐久泰青州' # 原油指标数据的目标变量  
 avg_cols = [
     'PP：拉丝：1102K：出厂价：青州：国家能源宁煤（日）',
     'PP：拉丝：L5E89：出厂价：华北（第二区域）：内蒙古久泰新材料（日）',  
@@ -264,14 +253,15 @@ val_size = test_size # 验证集大小,同测试集大小
 
 ### 特征筛选用到的参数
 k = 100 # 特征筛选数量，如果是0或者值比特征数量大，代表全部特征
+corr_threshold = 0.6 # 相关性大于0.6的特征
+rote = 0.06 # 绘图上下界阈值
+
+### 计算准确率
+weight_dict = [0.4,0.15,0.1,0.1,0.25] # 权重
 
-# 绘图预测图上下边界使用的阈值，可以根据实际情况调整
-rote = 0.04
 
 ### 文件
-data_set = 'PP指标数据.xlsx' # 数据集文件  
+data_set = 'PP指标数据.xlsx'  # 数据集文件  
-# data_set = 'INE_OIL(1).csv'
-### 文件夹
 dataset = 'juxitingdataset' # 数据集文件夹
 
 # 数据库名称
@@ -281,18 +271,21 @@ sqlitedb.connect()
 
 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%H%M%S') # 获取当前日期时间
-reportname = f'PP--{now}-预测报告.pdf' # 报告文件名
+now = datetime.datetime.now().strftime('%Y-%m-%d') # 获取当前日期时间
+reportname = f'PP大模型预测报告--{end_time}.pdf' # 报告文件名
 reportname = reportname.replace(':', '-') # 替换冒号
-
+if end_time == '':
+    end_time = now
 ### 邮件配置
 username='1321340118@qq.com'
 passwd='wgczgyhtyyyyjghi'
-# recv=['liurui_test@163.com']
+# recv=['liurui_test@163.com','52585119@qq.com']
 recv=['liurui_test@163.com']
-title=reportname
+# recv=['liurui_test@163.com']
+title='reportname'
 content=y+'预测报告请看附件'
-file=os.path.join(dataset,reportname)
+file=os.path.join(dataset,'reportname')
 # file=os.path.join(dataset,'14-7-50--100-原油指标数据.xlsx-Brent连1合约价格--20240731175936-预测报告.pdf')
 ssl=True
 
@@ -320,4 +313,5 @@ console_handler.setFormatter(logging.Formatter('%(message)s'))
 logger.addHandler(file_handler)
 logger.addHandler(console_handler)
 
-# logger.info('当前配置：'+settings)
+# logger.info('当前配置：'+settings)
+

lib/dataread.py

@@ -845,6 +845,7 @@ def getdata(filename, datecol='date',y='y',dataset='',add_kdj=False,is_timefurtu
     df = datachuli(df_zhibiaoshuju,df_zhibiaoliebiao,datecol,y = y,dataset=dataset,add_kdj=add_kdj,is_timefurture=is_timefurture,end_time=end_time) 
 
     return df,df_zhibiaoliebiao
+
 def getdata_juxiting(filename, datecol='date',y='y',dataset='',add_kdj=False,is_timefurture=False,end_time=''):
     logger.info('getdata接收：'+filename+' '+datecol+' '+end_time)
     # 判断后缀名 csv或excel
@@ -858,7 +859,7 @@ def getdata_juxiting(filename, datecol='date',y='y',dataset='',add_kdj=False,is_
     # 日期字符串转为datatime
     df = datachuli_juxiting(df_zhibiaoshuju,df_zhibiaoliebiao,datecol,y = y,dataset=dataset,add_kdj=add_kdj,is_timefurture=is_timefurture,end_time=end_time) 
 
-    return df
+    return df,df_zhibiaoliebiao
 
 
 def sanitize_filename(filename):  

main_juxiting.py

@@ -1,90 +1,178 @@
 # 读取配置
 from lib.dataread import *
-from lib.tools import *
+from lib.tools import SendMail,exception_logger
-from models.nerulforcastmodels import ex_Model,model_losss,brent_export_pdf,tansuanli_export_pdf,pp_export_pdf,model_losss_juxiting
+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
 import torch
 torch.set_float32_matmul_precision("high")
 
-sqlitedb = SQLiteHandler(db_name) 
+
-sqlitedb.connect()
 
 def predict_main():
+    """
+    主预测函数，用于从 ETA 获取数据、处理数据、训练模型并进行预测。
+
+    参数:
+        signature (BinanceAPI): Binance API 实例。
+        etadata (EtaReader): ETA 数据读取器实例。
+        is_eta (bool): 是否从 ETA 获取数据。
+        data_set (str): 数据集名称。
+        dataset (str): 数据集路径。
+        add_kdj (bool): 是否添加 KDJ 指标。
+        is_timefurture (bool): 是否添加时间衍生特征。
+        end_time (str): 结束时间。
+        is_edbnamelist (bool): 是否使用 EDB 名称列表。
+        edbnamelist (list): EDB 名称列表。
+        y (str): 预测目标列名。
+        sqlitedb (SQLiteDB): SQLite 数据库实例。
+        is_corr (bool): 是否进行相关性分析。
+        horizon (int): 预测时域。
+        input_size (int): 输入数据大小。
+        train_steps (int): 训练步数。
+        val_check_steps (int): 验证检查步数。
+        early_stop_patience_steps (int): 早停耐心步数。
+        is_debug (bool): 是否调试模式。
+        dataset (str): 数据集名称。
+        is_train (bool): 是否训练模型。
+        is_fivemodels (bool): 是否使用五个模型。
+        val_size (float): 验证集大小。
+        test_size (float): 测试集大小。
+        settings (dict): 模型设置。
+        now (str): 当前时间。
+        etadata (EtaReader): ETA 数据读取器实例。
+        modelsindex (list): 模型索引列表。
+        data (str): 数据类型。
+        is_eta (bool): 是否从 ETA 获取数据。
+
+    返回:
+        None
+    """
+    global end_time
     signature = BinanceAPI(APPID, SECRET)
     etadata = EtaReader(signature=signature,
-                            classifylisturl = classifylisturl,
+                        classifylisturl=classifylisturl,
+                        classifyidlisturl=classifyidlisturl,
+                        edbcodedataurl=edbcodedataurl,
+                        edbcodelist=edbcodelist,
+                        edbdatapushurl=edbdatapushurl,
+                        edbdeleteurl=edbdeleteurl,
+                        edbbusinessurl=edbbusinessurl
+                        )
+    # 获取数据
+    if is_eta:
+        logger.info('从eta获取数据...')
+        signature = BinanceAPI(APPID, SECRET)
+        etadata = EtaReader(signature=signature,
+                            classifylisturl=classifylisturl,
                             classifyidlisturl=classifyidlisturl,
                             edbcodedataurl=edbcodedataurl,
                             edbcodelist=edbcodelist,
                             edbdatapushurl=edbdatapushurl,
                             edbdeleteurl=edbdeleteurl,
-                            edbbusinessurl=edbbusinessurl
+                            edbbusinessurl=edbbusinessurl,
                             )
-    # 获取数据
+        df_zhibiaoshuju, df_zhibiaoliebiao = etadata.get_eta_api_pp_data(data_set=data_set, dataset=dataset)  # 原始数据，未处理
-    if is_eta:
-        # eta数据
-        logger.info('从eta获取数据...')
-        signature = BinanceAPI(APPID, SECRET)
-        etadata = EtaReader(signature=signature,
-                                    classifylisturl = classifylisturl,
-                                    classifyidlisturl=classifyidlisturl,
-                                    edbcodedataurl=edbcodedataurl,
-                                    edbcodelist=edbcodelist,
-                                    edbdatapushurl=edbdatapushurl,
-                                    edbdeleteurl=edbdeleteurl,
-                                    edbbusinessurl=edbbusinessurl,
-                                    )
-        df_zhibiaoshuju,df_zhibiaoliebiao =  etadata.get_eta_api_pp_data(data_set=data_set,dataset=dataset)  # 原始数据，未处理
 
+        if is_market:
+            logger.info('从市场信息平台获取数据...')
+            try:
+                # 如果是测试环境，最高价最低价取excel文档
+                if server_host == '192.168.100.53':
+                    logger.info('从excel文档获取最高价最低价')
+                    df_zhibiaoshuju = get_high_low_data(df_zhibiaoshuju)
+                else:
+                    logger.info('从市场信息平台获取数据')
+                    df_zhibiaoshuju = get_market_data(end_time,df_zhibiaoshuju)
+                    
+            except :
+                logger.info('最高最低价拼接失败')
+        
+        # 保存到xlsx文件的sheet表
+        with pd.ExcelWriter(os.path.join(dataset,data_set)) as file:
+            df_zhibiaoshuju.to_excel(file, sheet_name='指标数据', index=False)
+            df_zhibiaoliebiao.to_excel(file, sheet_name='指标列表', index=False)
+        
+        
         # 数据处理
-        df = datachuli_juxiting(df_zhibiaoshuju,df_zhibiaoliebiao,y = y,dataset=dataset,add_kdj=add_kdj,is_timefurture=is_timefurture,end_time=end_time) 
+        df = datachuli_juxiting(df_zhibiaoshuju, df_zhibiaoliebiao, y=y, dataset=dataset, add_kdj=add_kdj, is_timefurture=is_timefurture,
+                        end_time=end_time)
 
     else:
-        logger.info('读取本地数据：'+os.path.join(dataset,data_set))
+        # 读取数据
-        df = getdata_juxiting(filename=os.path.join(dataset,data_set),y=y,dataset=dataset,add_kdj=add_kdj,is_timefurture=is_timefurture,end_time=end_time)  # 原始数据，未处理
+        logger.info('读取本地数据：' + os.path.join(dataset, data_set))
+        df,df_zhibiaoliebiao = getdata_juxiting(filename=os.path.join(dataset, data_set), y=y, dataset=dataset, add_kdj=add_kdj,
+                     is_timefurture=is_timefurture, end_time=end_time)  # 原始数据，未处理
 
     # 更改预测列名称
-    df.rename(columns={y:'y'},inplace=True)
+    df.rename(columns={y: 'y'}, inplace=True)
-        
+
     if is_edbnamelist:
-        df = df[edbnamelist]     
+        df = df[edbnamelist]
-    df.to_csv(os.path.join(dataset,'指标数据.csv'), index=False)
+    df.to_csv(os.path.join(dataset, '指标数据.csv'), index=False)
     # 保存最新日期的y值到数据库
     # 取第一行数据存储到数据库中
-    first_row = df[['ds','y']].tail(1)
+    first_row = df[['ds', 'y']].tail(1)
+    # 判断y的类型是否为float
+    if not isinstance(first_row['y'].values[0], float):
+        logger.info(f'{end_time}预测目标数据为空，跳过')
+        return None
+
     # 将最新真实值保存到数据库
     if not sqlitedb.check_table_exists('trueandpredict'):
-        first_row.to_sql('trueandpredict',sqlitedb.connection,index=False)
+        first_row.to_sql('trueandpredict', sqlitedb.connection, index=False)
     else:
         for row in first_row.itertuples(index=False):
             row_dict = row._asdict()
             row_dict['ds'] = row_dict['ds'].strftime('%Y-%m-%d %H:%M:%S')
-            check_query = sqlitedb.select_data('trueandpredict',where_condition = f"ds = '{row.ds}'")
+            check_query = sqlitedb.select_data('trueandpredict', where_condition=f"ds = '{row.ds}'")
             if len(check_query) > 0:
                 set_clause = ", ".join([f"{key} = '{value}'" for key, value in row_dict.items()])
-                sqlitedb.update_data('trueandpredict',set_clause,where_condition = f"ds = '{row.ds}'")
+                sqlitedb.update_data('trueandpredict', set_clause, where_condition=f"ds = '{row.ds}'")
                 continue
-            sqlitedb.insert_data('trueandpredict',tuple(row_dict.values()),columns=row_dict.keys())
+            sqlitedb.insert_data('trueandpredict', tuple(row_dict.values()), columns=row_dict.keys())
+
+    # 更新accuracy表的y值
+    if not sqlitedb.check_table_exists('accuracy'):
+        pass
+    else:
+        update_y = sqlitedb.select_data('accuracy',where_condition="y is null")
+        if len(update_y) > 0:
+            logger.info('更新accuracy表的y值')
+            # 找到update_y 中ds且df中的y的行
+            update_y = update_y[update_y['ds']<=end_time]
+            logger.info(f'要更新y的信息：{update_y}')
+            # try:
+            for row in update_y.itertuples(index=False):
+                try:
+                    row_dict = row._asdict()  	
+                    yy = df[df['ds']==row_dict['ds']]['y'].values[0]
+                    LOW = df[df['ds']==row_dict['ds']]['Brentzdj'].values[0]
+                    HIGH = df[df['ds']==row_dict['ds']]['Brentzgj'].values[0]
+                    sqlitedb.update_data('accuracy', f"y = {yy},LOW_PRICE = {LOW},HIGH_PRICE = {HIGH}", where_condition=f"ds = '{row_dict['ds']}'")
+                except:
+                    logger.info(f'更新accuracy表的y值失败：{row_dict}')
+            # except Exception as e:
+            #     logger.info(f'更新accuracy表的y值失败：{e}')
 
     import datetime
     # 判断当前日期是不是周一
     is_weekday = datetime.datetime.now().weekday() == 0
     if is_weekday:
         logger.info('今天是周一，更新预测模型')
-        # 计算最近20天预测残差最低的模型名称
+        # 计算最近60天预测残差最低的模型名称
-    
+        model_results = sqlitedb.select_data('trueandpredict', order_by="ds DESC", limit="60")
-        model_results = sqlitedb.select_data('trueandpredict',order_by = "ds DESC",limit = "20")
+        # 删除空值率为90%以上的列
-        # 删除空值率为40%以上的列,删除空行
+        if len(model_results) > 10:
-        model_results = model_results.dropna(thresh=len(model_results)*0.6,axis=1)
+            model_results = model_results.dropna(thresh=len(model_results)*0.1,axis=1)
+        # 删除空行
         model_results = model_results.dropna()
-        modelnames  = model_results.columns.to_list()[2:] 
+        modelnames = model_results.columns.to_list()[2:-1]
         for col in model_results[modelnames].select_dtypes(include=['object']).columns:
             model_results[col] = model_results[col].astype(np.float32)
         # 计算每个预测值与真实值之间的偏差率
         for model in modelnames:
             model_results[f'{model}_abs_error_rate'] = abs(model_results['y'] - model_results[model]) / model_results['y']
-
         # 获取每行对应的最小偏差率值
         min_abs_error_rate_values = model_results.apply(lambda row: row[[f'{model}_abs_error_rate' for model in modelnames]].min(), axis=1)
         # 获取每行对应的最小偏差率值对应的列名
@@ -93,64 +181,90 @@ def predict_main():
         min_abs_error_rate_column_name = min_abs_error_rate_column_name.map(lambda x: x.split('_')[0])
         # 取出现次数最多的模型名称
         most_common_model = min_abs_error_rate_column_name.value_counts().idxmax()
-        logger.info(f"最近20天预测残差最低的模型名称：{most_common_model}")
+        logger.info(f"最近60天预测残差最低的模型名称：{most_common_model}")
-
         # 保存结果到数据库
-        
         if not sqlitedb.check_table_exists('most_model'):
-            sqlitedb.create_table('most_model',columns="ds datetime, most_common_model TEXT")
+            sqlitedb.create_table('most_model', columns="ds datetime, most_common_model TEXT")
-        sqlitedb.insert_data('most_model',(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'),most_common_model,),columns=('ds','most_common_model',))
+        sqlitedb.insert_data('most_model', (datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'), most_common_model,), columns=('ds', 'most_common_model',))
+
+    try:
+        if is_weekday:
+        # if True:
+            logger.info('今天是周一，发送特征预警')
+            # 上传预警信息到数据库
+            warning_data_df = df_zhibiaoliebiao.copy()
+            warning_data_df = warning_data_df[warning_data_df['停更周期']> 3 ][['指标名称', '指标id', '频度','更新周期','指标来源','最后更新时间','停更周期']]
+            # 重命名列名
+            warning_data_df = warning_data_df.rename(columns={'指标名称': 'INDICATOR_NAME', '指标id': 'INDICATOR_ID', '频度': 'FREQUENCY', '更新周期': 'UPDATE_FREQUENCY', '指标来源': 'DATA_SOURCE', '最后更新时间': 'LAST_UPDATE_DATE', '停更周期': 'UPDATE_SUSPENSION_CYCLE'})
+            from sqlalchemy import create_engine
+            import urllib
+            global password
+            if '@' in password:
+                password = urllib.parse.quote_plus(password)
+
+            engine = create_engine(f'mysql+pymysql://{dbusername}:{password}@{host}:{port}/{dbname}')
+            warning_data_df['WARNING_DATE'] =  datetime.date.today().strftime("%Y-%m-%d %H:%M:%S")
+            warning_data_df['TENANT_CODE'] =  'T0004'
+            # 插入数据之前查询表数据然后新增id列
+            existing_data = pd.read_sql(f"SELECT * FROM {table_name}", engine)
+            if not existing_data.empty:
+                max_id = existing_data['ID'].astype(int).max()
+                warning_data_df['ID'] = range(max_id + 1, max_id + 1 + len(warning_data_df))
+            else:
+                warning_data_df['ID'] = range(1, 1 + len(warning_data_df))
+            warning_data_df.to_sql(table_name,  con=engine, if_exists='append', index=False)
+            if is_update_warning_data:
+                upload_warning_info(len(warning_data_df))
+    except:
+        logger.info('上传预警信息到数据库失败')
 
     if is_corr:
         df = corr_feature(df=df)
 
     df1 = df.copy()  # 备份一下，后面特征筛选完之后加入ds y 列用
     logger.info(f"开始训练模型...")
-    row,col = df.shape
+    row, col = df.shape
-    
+
     now = datetime.datetime.now().strftime('%Y%m%d%H%M%S')
     ex_Model(df,
-            horizon=horizon,
+             horizon=horizon,
-            input_size=input_size,
+             input_size=input_size,
-            train_steps=train_steps,
+             train_steps=train_steps,
-            val_check_steps=val_check_steps,
+             val_check_steps=val_check_steps,
-            early_stop_patience_steps=early_stop_patience_steps,
+             early_stop_patience_steps=early_stop_patience_steps,
-            is_debug=is_debug,
+             is_debug=is_debug,
-            dataset=dataset,
+             dataset=dataset,
-            is_train=is_train,
+             is_train=is_train,
-            is_fivemodels=is_fivemodels,
+             is_fivemodels=is_fivemodels,
-            val_size=val_size,
+             val_size=val_size,
-            test_size=test_size,
+             test_size=test_size,
-            settings=settings,
+             settings=settings,
-            now=now,
+             now=now,
-            etadata = etadata,
+             etadata=etadata,
-            modelsindex = modelsindex,
+             modelsindex=modelsindex,
-            data = data,
+             data=data,
-            is_eta=is_eta,
+             is_eta=is_eta,
-            end_time=end_time,
+             end_time=end_time,
-            )
+             )
 
 
     logger.info('模型训练完成')
-    # # 模型评估
+ 
-    
     logger.info('训练数据绘图ing')
     model_results3 = model_losss_juxiting(sqlitedb)
-    
     logger.info('训练数据绘图end')
-    # 模型报告
     
+    # 模型报告
     logger.info('制作报告ing')
-    title = f'{settings}--{now}-预测报告' # 报告标题
+    title = f'{settings}--{end_time}-预测报告' # 报告标题
-
+    reportname = f'PP大模型预测报告--{end_time}.pdf' # 报告文件名
+    reportname = reportname.replace(':', '-') # 替换冒号
     pp_export_pdf(dataset=dataset,num_models = 5 if is_fivemodels else 22,time=end_time,
-            reportname=reportname,sqlitedb=sqlitedb),
+                reportname=reportname,sqlitedb=sqlitedb),
 
     logger.info('制作报告end')
     logger.info('模型训练完成')
-    
+
-    # tansuanli_export_pdf(dataset=dataset,num_models = 5 if is_fivemodels else 22,end_time=end_time,reportname=reportname)
-    
     # # LSTM 单变量模型
     # ex_Lstm(df,input_seq_len=input_size,output_seq_len=horizon,is_debug=is_debug,dataset=dataset)
     
@@ -170,8 +284,18 @@ 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
+    # is_on = True
+    # # 遍历2024-11-25 到 2024-12-3 之间的工作日日期
+    # for i_time in pd.date_range('2025-1-20', '2025-2-6', freq='B'):
+    #     end_time = i_time.strftime('%Y-%m-%d')
+    #     try:
+    #         predict_main()
+    #     except:
+    #         pass
+
     predict_main()

models/nerulforcastmodels.py

@@ -187,9 +187,9 @@ def ex_Model(df,horizon,input_size,train_steps,val_check_steps,early_stop_patien
         filename = max(glob.glob(os.path.join(dataset,'*.joblib')), key=os.path.getctime)
         logger.info('读取模型：'+ filename)
         nf = load(filename)
-    # 测试集预测
+    # # 测试集预测
     # nf_test_preds = nf.cross_validation(df=df_test, val_size=val_size, test_size=test_size, n_windows=None)
-    # 测试集预测结果保存
+    # # 测试集预测结果保存
     # nf_test_preds.to_csv(os.path.join(dataset,"cross_validation.csv"),index=False)
 
     df_test['ds'] = pd.to_datetime(df_test['ds'], errors='coerce')
@@ -1057,6 +1057,431 @@ def model_losss(sqlitedb,end_time):
     _plt_model_results3()
 
     return model_results3
+
+
+# 聚烯烃计算预测评估指数
+@exception_logger
+def model_losss_juxitingbak(sqlitedb,end_time):
+    global dataset
+    global rote
+    most_model = [sqlitedb.select_data('most_model',columns=['most_common_model'],order_by='ds desc',limit=1).values[0][0]]
+    most_model_name = most_model[0]
+
+    # 预测数据处理 predict
+    df_combined = loadcsv(os.path.join(dataset,"cross_validation.csv"))  
+    df_combined.drop(columns=['cutoff'],inplace=True)
+    df_combined['CREAT_DATE'] = end_time
+    df_combined = dateConvert(df_combined)
+    # df_combined = sqlitedb.select_data('accuracy',where_condition=f"created_dt <= '{end_time}'")
+    df_combined4 = df_combined.copy()  # 备份df_combined,后面画图需要
+    # 删除缺失值大于80%的列
+    logger.info(df_combined.shape)
+    df_combined = df_combined.loc[:, df_combined.isnull().mean() < 0.8]
+    logger.info(df_combined.shape)
+     # 删除缺失值
+    df_combined.dropna(inplace=True) 
+    logger.info(df_combined.shape)
+    # 其他列转为数值类型
+    df_combined = df_combined.astype({col: 'float32' for col in df_combined.columns if col not in ['CREAT_DATE','ds','created_dt'] })
+    # 使用 groupby 和 transform 结合 lambda 函数来获取每个分组中 cutoff 的最小值，并创建一个新的列来存储这个最大值
+    df_combined['max_cutoff'] = df_combined.groupby('ds')['CREAT_DATE'].transform('max')
+
+    # 然后筛选出那些 cutoff 等于 max_cutoff 的行，这样就得到了每个分组中 cutoff 最大的行，并保留了其他列
+    df_combined = df_combined[df_combined['CREAT_DATE'] == df_combined['max_cutoff']]
+    # 删除模型生成的cutoff列
+    df_combined.drop(columns=['CREAT_DATE', 'max_cutoff','created_dt','min_within_quantile','max_within_quantile','id','min_price','max_price','LOW_PRICE','HIGH_PRICE','mean'], inplace=True) 
+    # 获取模型名称
+    modelnames  = df_combined.columns.to_list()[1:] 
+    if 'y' in modelnames:
+        modelnames.remove('y')
+    df_combined3 = df_combined.copy()  # 备份df_combined,后面画图需要
+
+
+    # 空的列表存储每个模型的MSE、RMSE、MAE、MAPE、SMAPE
+    cellText = []
+
+    # 遍历模型名称，计算模型评估指标  
+    for model in modelnames:
+        modelmse = mse(df_combined['y'], df_combined[model])
+        modelrmse = rmse(df_combined['y'], df_combined[model])
+        modelmae = mae(df_combined['y'], df_combined[model])
+        # modelmape = mape(df_combined['y'], df_combined[model])
+        # modelsmape = smape(df_combined['y'], df_combined[model])
+        # modelr2 = r2_score(df_combined['y'], df_combined[model])
+        cellText.append([model,round(modelmse, 3), round(modelrmse, 3), round(modelmae, 3)])
+        
+    model_results3 = pd.DataFrame(cellText,columns=['模型(Model)','平均平方误差(MSE)', '均方根误差(RMSE)',  '平均绝对误差(MAE)'])
+    # 按MSE降序排列
+    model_results3 = model_results3.sort_values(by='平均平方误差(MSE)', ascending=True)
+    model_results3.to_csv(os.path.join(dataset,"model_evaluation.csv"),index=False)
+    modelnames = model_results3['模型(Model)'].tolist()
+    allmodelnames = modelnames.copy()
+    # 保存5个最佳模型的名称
+    if len(modelnames) > 5:
+        modelnames = modelnames[0:5]
+    if is_fivemodels:
+        pass
+    else:
+        with open(os.path.join(dataset,"best_modelnames.txt"), 'w') as f:
+            f.write(','.join(modelnames) + '\n')
+
+    # 预测值与真实值对比图
+    plt.rcParams['font.sans-serif'] = ['SimHei']
+    plt.figure(figsize=(15, 10))
+    for n,model in enumerate(modelnames[:5]):
+        plt.subplot(3, 2, n+1)
+        plt.plot(df_combined3['ds'], df_combined3['y'], label='真实值')
+        plt.plot(df_combined3['ds'], df_combined3[model], label=model)
+        plt.legend()
+        plt.xlabel('日期')
+        plt.ylabel('价格')
+        plt.title(model+'拟合')
+    plt.subplots_adjust(hspace=0.5)
+    plt.savefig(os.path.join(dataset,'预测值与真实值对比图.png'), bbox_inches='tight')
+    plt.close()
+    
+    
+    # # 历史数据+预测数据
+    # # 拼接未来时间预测
+    df_predict  = pd.read_csv(os.path.join(dataset,'predict.csv'))
+    df_predict.drop('unique_id',inplace=True,axis=1)
+    df_predict.dropna(axis=1,inplace=True)
+
+    try:
+        df_predict['ds'] = pd.to_datetime(df_predict['ds'],format=r'%Y-%m-%d')
+    except ValueError :
+        df_predict['ds'] = pd.to_datetime(df_predict['ds'],format=r'%Y/%m/%d')
+    
+    def first_row_to_database(df):
+        # # 取第一行数据存储到数据库中
+        first_row = df.head(1)
+        first_row['ds'] = first_row['ds'].dt.strftime('%Y-%m-%d 00:00:00')
+        # 将预测结果保存到数据库
+        if not sqlitedb.check_table_exists('trueandpredict'):
+            first_row.to_sql('trueandpredict',sqlitedb.connection,index=False)
+        else:
+            for col in first_row.columns:
+                    sqlitedb.add_column_if_not_exists('trueandpredict',col,'TEXT')
+            for row in first_row.itertuples(index=False):
+                row_dict = row._asdict()
+                columns=row_dict.keys()
+                check_query = sqlitedb.select_data('trueandpredict',where_condition = f"ds = '{row.ds}'")
+                if len(check_query) > 0:
+                    set_clause = ", ".join([f"{key} = '{value}'" for key, value in row_dict.items()])
+                    sqlitedb.update_data('trueandpredict',set_clause,where_condition = f"ds = '{row.ds}'")
+                    continue
+                sqlitedb.insert_data('trueandpredict',tuple(row_dict.values()),columns=columns)
+
+    first_row_to_database(df_predict)
+    
+    df_combined3 = pd.concat([df_combined3, df_predict]).reset_index(drop=True)
+
+    # 计算每个模型与最佳模型的绝对误差比例，根据设置的阈值rote筛选预测值显示最大最小值
+    names = []
+    names_df = df_combined3.copy()
+    for col in allmodelnames:
+        names_df[f'{col}-{most_model_name}-误差比例'] = abs(names_df[col] - names_df[most_model_name]) / names_df[most_model_name]
+        names.append(f'{col}-{most_model_name}-误差比例')
+
+    names_df = names_df[names]
+    def add_rote_column(row):
+        columns = []
+        for r in names_df.columns:
+            if row[r] <= rote:
+                columns.append(r.split('-')[0])
+        return pd.Series([columns], index=['columns'])
+    names_df['columns'] = names_df.apply(add_rote_column, axis=1)
+    
+    def add_upper_lower_bound(row):
+        print(row['columns'])
+        print(type(row['columns']))
+        # 计算上边界值
+        upper_bound = df_combined3.loc[row.name,row['columns']].max()
+        # 计算下边界值
+        lower_bound = df_combined3.loc[row.name,row['columns']].min()
+        return pd.Series([lower_bound, upper_bound], index=['min_within_quantile', 'max_within_quantile'])
+    df_combined3[['min_within_quantile','max_within_quantile']] = names_df.apply(add_upper_lower_bound, axis=1)
+    
+    def find_closest_values(row):
+        x = row.y
+        if x is None or np.isnan(x):
+            return pd.Series([None, None], index=['min_price','max_price'])
+        # row = row.drop('ds')
+        row = row.values.tolist()
+        row.sort()
+        print(row)
+        # x 在row中的索引
+        index = row.index(x)
+        if index == 0:
+            return pd.Series([row[index+1], row[index+2]], index=['min_price','max_price'])
+        elif index == len(row)-1:
+            return pd.Series([row[index-2], row[index-1]], index=['min_price','max_price'])
+        else:
+            return pd.Series([row[index-1], row[index+1]], index=['min_price','max_price'])
+
+    def find_most_common_model():
+        # 最多频率的模型名称
+        min_model_max_frequency_model = df_combined3['min_model'].tail(60).value_counts().idxmax()
+        max_model_max_frequency_model = df_combined3['max_model'].tail(60).value_counts().idxmax()
+        if min_model_max_frequency_model == max_model_max_frequency_model:
+            # 取60天第二多的模型
+            max_model_max_frequency_model = df_combined3['max_model'].tail(60).value_counts().nlargest(2).index[1]
+
+        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]
+        df_predict['max_within_quantile'] = df_predict[max_model_max_frequency_model]
+
+
+    # find_most_common_model()
+
+    df_combined3['ds'] = pd.to_datetime(df_combined3['ds'])
+    df_combined3['ds'] = df_combined3['ds'].dt.strftime('%Y-%m-%d')
+    df_predict2 = df_combined3.tail(horizon)
+
+    # 保存到数据库
+    if not sqlitedb.check_table_exists('accuracy'):
+        columns = ','.join(df_combined3.columns.to_list()+['id','CREAT_DATE','min_price','max_price','LOW_PRICE','HIGH_PRICE','mean'])
+        sqlitedb.create_table('accuracy',columns=columns)
+    existing_data = sqlitedb.select_data(table_name = "accuracy")
+
+    if  not existing_data.empty:
+        max_id = existing_data['id'].astype(int).max()
+        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'] = end_time
+
+    save_to_database(sqlitedb,df_predict2,"accuracy",end_time)
+
+    # 上周准确率计算
+    accuracy_df = sqlitedb.select_data(table_name = "accuracy") 
+    predict_y = accuracy_df.copy()
+    # ids = predict_y[predict_y['min_price'].isnull()]['id'].tolist()
+    ids = predict_y['id'].tolist()
+    # 准确率基准与绘图上下界逻辑一致
+    # predict_y[['min_price','max_price']] = predict_y[['min_within_quantile','max_within_quantile']]
+    # 模型评估前五均值      
+    # predict_y['min_price'] = predict_y[modelnames].mean(axis=1) -1
+    # predict_y['max_price'] = predict_y[modelnames].mean(axis=1) +1
+    # 模型评估前十均值      
+    predict_y['min_price'] = predict_y[allmodelnames[0:10]].mean(axis=1) -1.5
+    predict_y['mean'] = predict_y[allmodelnames[0:10]].mean(axis=1)
+    predict_y['max_price'] = predict_y[allmodelnames[0:10]].mean(axis=1) +1.5
+    # 模型评估前十最大最小
+    # allmodelnames 和 predict_y 列 重复的
+    # allmodelnames = [col for col in allmodelnames if col in predict_y.columns]
+    # predict_y['min_price'] = predict_y[allmodelnames[0:10]].min(axis=1) 
+    # predict_y['max_price'] = predict_y[allmodelnames[0:10]].max(axis=1)
+    for id in ids:
+        row = predict_y[predict_y['id'] == id]
+        try:
+            sqlitedb.update_data('accuracy',f"min_price = {row['min_price'].values[0]},max_price = {row['max_price'].values[0]},mean={row['mean'].values[0]}",f"id = {id}")
+        except:
+            logger.error(f'更新accuracy表中的min_price,max_price,mean值失败，row={row}')
+    
+    df = accuracy_df.copy()
+    df['ds'] =  pd.to_datetime(df['ds'])
+    df = df.reindex()
+
+    # 判断预测值在不在布伦特最高最低价范围内，准确率为1，否则为0
+    def is_within_range(row):
+        for model in allmodelnames:
+            if row['LOW_PRICE'] <= row[col] <= row['HIGH_PRICE']:
+                return 1
+        else:
+            return 0
+
+    # 定义一个函数来计算准确率
+    def calculate_accuracy(row):
+        # 比较真实最高最低，和预测最高最低 计算准确率
+        # 全子集情况：
+        if (row['max_price'] >= row['HIGH_PRICE'] and row['min_price'] <= row['LOW_PRICE']) or \
+            (row['max_price'] <= row['HIGH_PRICE'] and row['min_price'] >= row['LOW_PRICE']):
+            return 1    
+        # 无交集情况：
+        if row['max_price'] < row['LOW_PRICE'] or \
+            row['min_price'] > row['HIGH_PRICE']:
+            return 0
+        # 有交集情况：
+        else:
+            sorted_prices = sorted([row['LOW_PRICE'], row['min_price'], row['max_price'], row['HIGH_PRICE']])
+            middle_diff = sorted_prices[2] - sorted_prices[1]
+            price_range = row['HIGH_PRICE'] - row['LOW_PRICE']
+            accuracy = middle_diff / price_range
+            return accuracy
+
+    columns = ['HIGH_PRICE','LOW_PRICE','min_price','max_price']
+    df[columns] = df[columns].astype(float)
+    df['ACCURACY'] = df.apply(calculate_accuracy, axis=1)
+    # 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):
+        df3 = df.copy()
+        df3 = df3[df3['CREAT_DATE'].isin(create_dates)]
+        df3 = df3[df3['ds'].isin(ds_dates)]
+        accuracy_rote = 0
+        for i,group in df3.groupby('CREAT_DATE'):
+            accuracy_rote += (group['ACCURACY'].sum()/len(group))*weight_dict[len(group)-1]
+        accuracy_rote = round(accuracy_rote,2)
+        df4 = pd.DataFrame(columns=['开始日期','结束日期','准确率'])
+        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)
+    
+    def _add_abs_error_rate():
+        # 计算每个预测值与真实值之间的偏差率
+        for model in allmodelnames:
+            df_combined3[f'{model}_abs_error_rate'] = abs(df_combined3['y'] - df_combined3[model]) / df_combined3['y']
+
+        # 获取每行对应的最小偏差率值
+        min_abs_error_rate_values = df_combined3.apply(lambda row: row[[f'{model}_abs_error_rate' for model in allmodelnames]].min(), axis=1)
+        # 获取每行对应的最小偏差率值对应的列名
+        min_abs_error_rate_column_name = df_combined3.apply(lambda row: row[[f'{model}_abs_error_rate' for model in allmodelnames]].idxmin(), axis=1) 
+        # 将列名索引转换为列名
+        min_abs_error_rate_column_name = min_abs_error_rate_column_name.map(lambda x: x.split('_')[0])
+        # 获取最小偏差率对应的模型的预测值
+        min_abs_error_rate_predictions = df_combined3.apply(lambda row: row[min_abs_error_rate_column_name[row.name]], axis=1)
+        # 将最小偏差率对应的模型的预测值添加到DataFrame中
+        df_combined3['min_abs_error_rate_prediction'] = min_abs_error_rate_predictions
+        df_combined3['min_abs_error_rate_column_name'] = min_abs_error_rate_column_name
+    # _add_abs_error_rate()
+
+    # 判断 df 的数值列转为float
+    for col in df_combined3.columns:
+        try:
+            if col != 'ds':
+                df_combined3[col] = df_combined3[col].astype(float)
+                df_combined3[col] = df_combined3[col].round(2)
+        except ValueError:
+            pass
+    df_combined3.to_csv(os.path.join(dataset,"testandpredict_groupby.csv"),index=False) 
+    
+    
+     # 历史价格+预测价格
+    sqlitedb.drop_table('testandpredict_groupby')
+    df_combined3.to_sql('testandpredict_groupby',sqlitedb.connection,index=False)
+
+    def _plt_predict_ture(df):
+        lens = df.shape[0] if df.shape[0] < 180 else 90
+        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)
+        # markers = ['o', 's', '^', 'D', 'v', '*', 'p', 'h', 'H', '+', 'x', 'd']
+        # random_marker = random.choice(markers)
+        # for model in allmodelnames:
+        # for model in ['BiTCN','RNN']:
+        #     plt.plot(df['ds'], df[model], label=model,marker=random_marker)
+        # plt.plot(df_combined3['ds'], df_combined3['min_abs_error_rate_prediction'], label='最小绝对误差', linestyle='--', color='orange')
+        # 网格
+        plt.grid(True)
+        # 显示历史值
+        for i, j in zip(df['ds'], df['y']):
+            plt.text(i, j, str(j), ha='center', va='bottom')
+
+        for model in most_model:
+            plt.plot(df['ds'], df[model], label=model,marker='o')
+        # 当前日期画竖虚线
+        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')
+        plt.close()
+
+    
+    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)
+        lens = df.shape[0] if df.shape[0] < 180 else 180
+        df = df[-lens:] # 取180个数据点画图
+        # 历史价格
+        plt.figure(figsize=(20, 10))
+        plt.plot(df['ds'], df['y'], label='真实值')
+        plt.plot(df['ds'], df['mean'], label='模型前十均值', linestyle='--', color='orange')
+        # 颜色填充
+        plt.fill_between(df['ds'], df['max_price'], df['min_price'], alpha=0.2)
+        # markers = ['o', 's', '^', 'D', 'v', '*', 'p', 'h', 'H', '+', 'x', 'd']
+        # random_marker = random.choice(markers)
+        # for model in allmodelnames:
+        # for model in ['BiTCN','RNN']:
+        #     plt.plot(df['ds'], df[model], label=model,marker=random_marker)
+        # plt.plot(df_combined3['ds'], df_combined3['min_abs_error_rate_prediction'], label='最小绝对误差', linestyle='--', color='orange')
+        # 网格
+        plt.grid(True)
+        # 显示历史值
+        for i, j in zip(df['ds'], df['y']):
+            plt.text(i, j, str(j), ha='center', va='bottom')
+
+        # 当前日期画竖虚线
+        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')
+        plt.close()
+
+
+    def _plt_predict_table(df): 
+        # 预测值表格
+        fig, ax = plt.subplots(figsize=(20, 6))
+        ax.axis('off')  # 关闭坐标轴
+        # 数值保留2位小数
+        df = df.round(2)
+        df = df[-horizon:]
+        df['Day'] = [f'Day_{i}' for i in range(1,horizon+1)]
+        # Day列放到最前面
+        df = df[['Day'] + list(df.columns[:-1])]
+        table = ax.table(cellText=df.values, colLabels=df.columns, loc='center')
+        #加宽表格
+        table.auto_set_font_size(False)
+        table.set_fontsize(10)
+
+        # 设置表格样式，列数据最小的用绿色标识
+        plt.savefig(os.path.join(dataset,'预测值表格.png'), bbox_inches='tight')
+        plt.close()
+       
+    def _plt_model_results3():
+        # 可视化评估结果
+        plt.rcParams['font.sans-serif'] = ['SimHei']
+        fig, ax = plt.subplots(figsize=(20, 10))
+        ax.axis('off')  # 关闭坐标轴
+        table = ax.table(cellText=model_results3.values, colLabels=model_results3.columns, loc='center')
+        # 加宽表格
+        table.auto_set_font_size(False)
+        table.set_fontsize(10)
+
+        # 设置表格样式，列数据最小的用绿色标识
+        plt.savefig(os.path.join(dataset,'模型评估.png'), bbox_inches='tight')
+        plt.close()
+
+    _plt_predict_ture(df_combined3)
+    _plt_modeltopten_predict_ture(df_combined4)
+    _plt_predict_table(df_combined3)
+    _plt_model_results3()
+
+    return model_results3
  
 
 # 聚烯烃计算预测评估指数
@@ -1087,6 +1512,8 @@ def model_losss_juxiting(sqlitedb):
     modelnames  = df_combined.columns.to_list()[1:] 
     if 'y' in modelnames:
         modelnames.remove('y')
+    if 'ds' in modelnames:
+        modelnames.remove('ds')
     df_combined3 = df_combined.copy()  # 备份df_combined,后面画图需要
 
 
@@ -1710,8 +2137,10 @@ def pp_export_pdf(num_indicators=475,num_models=21, num_dayindicator=202,inputsi
     #计算各列对于y列的差值百分比
     df3 = pd.DataFrame()  # 存储偏差率
     
-    # 删除有null的行
+    # 删除y列有空值的行
-    df4 = df4.dropna()
+    df4 = df4.dropna(subset=['y'])
+    # # 删除有null的行
+    # df4 = df4.dropna()
     df3['ds'] = df4['ds']
     for col in fivemodels_list:
         df3[col] = round(abs(df4[col] - df4['y']) / df4['y'] * 100,2)