预警租户id写死T0004

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
@@ -226,7 +226,7 @@ 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 = '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
+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
 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
@@ -235,19 +235,19 @@ 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 =30 # 预测的步长
-input_size = 120  # 输入序列长度
+horizon =4 # 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
 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
 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
-
-rote = 0.06
+corr_threshold = 0.6 # 相关性大于0.6的特征
+rote = 0.06 # 绘图上下界阈值
 
 ### 文件
 data_set = '原油指标数据.xlsx' # 数据集文件  

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

main_yuanyou.py

@@ -1,5 +1,4 @@
 # 读取配置
-from config_jingbo import *
 from lib.dataread 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
@@ -149,7 +148,8 @@ def predict_main():
             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
             engine = create_engine(f'mysql+pymysql://{dbusername}:{password}@{host}:{port}/{dbname}')
-            warning_data_df['WARNING_DATE'] =  datetime.date.today().strftime("%Y-%m-%d")
+            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:
@@ -194,8 +194,7 @@ def predict_main():
     logger.info('模型训练完成')
 
     logger.info('训练数据绘图ing')
-    model_results3 = model_losss(sqlitedb)
-    # model_results3 = model_losss_juxiting(sqlitedb)
+    model_results3 = model_losss_juxiting(sqlitedb)
     logger.info('训练数据绘图end')
     
     # 模型报告

models/nerulforcastmodels.py

@@ -231,7 +231,7 @@ def model_losss(sqlitedb):
     # 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 ['cutoff','ds'] })
     # 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')['cutoff'].transform('max')
+    df_combined['max_cutoff'] = df_combined.groupby('ds')['cutoff'].transform('min')
 
     # 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['cutoff'] == df_combined['max_cutoff']]
@@ -430,7 +430,7 @@ def model_losss(sqlitedb):
 
     # 数据库查询最佳模型名称
     # most_model = [sqlitedb.select_data('most_model',columns=['most_common_model'],order_by='ds desc',limit=1).values[0][0]]
-    most_model = modelnames[0:1]
+    most_model = modelnames[0:5]
     for model in most_model:
         plt.plot(df_combined3['ds'], df_combined3[model], label=model,marker='o')
     # 当前日期画竖虚线