聚烯烃绘图逻辑更改

juxitingdataset/特征频度统计.csv

@@ -1,4 +1,4 @@
-日度(220),周度(93),84天(1)
+日度(219),周度(94),119天(1)
 PP主力收盘价拟合残差/丙烷 CP M1,PE注塑开工率/周,中国：华东地区：市场平均价：BOPP厚光膜
 华南聚丙烯基差（折盘面收盘价）,PP：看跌比例：中国（周）,
 华北聚丙烯基差（折盘面收盘价）,PP：看平比例：中国（周）,
@@ -60,39 +60,39 @@ PP：高熔共聚：2240S：自提价：常州：国家能源宁煤（日）,PP
 PP：高熔共聚：EP548R：市场价：广州：中科炼化（日）,PP粉料库存,
 PP：高熔共聚：2240S：出厂价：华南地区：国家能源宁煤（日）,中国BOPP原料库存量,
 PP：高熔共聚：EP548R：出厂价：华南地区：中海壳牌（日）,BOPP订单天数-产成品库存天数（隆众）,
-PP：薄壁注塑：BZ-70：出厂价：华北地区：寿光鲁清（日）,PP下游综合开工率/2WMA,
+PP：薄壁注塑：BZ-70：出厂价：华北地区：寿光鲁清（日）,BOPP开工率(隆众)同差,
-PP：薄壁注塑：PPH-MM60：出厂价：华北地区：石家庄炼化（日）,PP下游综合开工率同差,
+PP：薄壁注塑：PPH-MM60：出厂价：华北地区：石家庄炼化（日）,PP下游综合开工率/2WMA,
-PP：薄壁注塑：K1870-B：市场价：临沂：榆能化（日）,PP周度产量/4WMA,
+PP：薄壁注塑：K1870-B：市场价：临沂：榆能化（日）,PP下游综合开工率同差,
-PP：薄壁注塑：M60ET：出厂价：华东地区：镇海炼化（日）,PP粉检修减损量（周）,
+PP：薄壁注塑：M60ET：出厂价：华东地区：镇海炼化（日）,PP周度产量/4WMA,
-PP：薄壁注塑：1040TE：出厂价：华东地区：宁夏神华宁煤（日）,PP周度产量同差,
+PP：薄壁注塑：1040TE：出厂价：华东地区：宁夏神华宁煤（日）,PP粉检修减损量（周）,
-PP：薄壁注塑：1040TE：出厂价：华南地区：宁夏神华宁煤（日）,PP周度产量,
+PP：薄壁注塑：1040TE：出厂价：华南地区：宁夏神华宁煤（日）,PP周度产量同差,
-PP：薄壁注塑：PPH-MN60：出厂价：华南地区：中石化北海（日）,PP周度开工率,
+PP：薄壁注塑：PPH-MN60：出厂价：华南地区：中石化北海（日）,PP周度产量,
-PP：薄壁注塑：TM6000H：出厂价：华南地区：福建联合石化（日）,PP下游开工/PE下游开工,
+PP：薄壁注塑：TM6000H：出厂价：华南地区：福建联合石化（日）,PP周度开工率,
-PP：透明：PPR-B10：出厂价：华中地区：中原中石化（日）,PP管材开工率同差,
+PP：透明：PPR-B10：出厂价：华中地区：中原中石化（日）,PP下游开工/PE下游开工,
-PP：透明：PPR-MT25：出厂价：华中地区：中原中石化（日）,PP无纺布开工率同差,
+PP：透明：PPR-MT25：出厂价：华中地区：中原中石化（日）,PP管材开工率同差,
-PP：透明：PPR-MT75N：出厂价：华中地区：中原中石化（日）,PP下游综合开工率/3年超季节性,
+PP：透明：PPR-MT75N：出厂价：华中地区：中原中石化（日）,PP无纺布开工率同差,
-PP：无规共聚：HC-M700B：出厂价：华北地区：山东东明（日）,中国再生PP周度开工负荷率,
+PP：无规共聚：HC-M700B：出厂价：华北地区：山东东明（日）,PP下游综合开工率/3年超季节性,
-热水管：PA14D：市场价：青州：大庆炼化（日）,中国再生PP周度开工负荷率同差,
+热水管：PA14D：市场价：青州：大庆炼化（日）,中国再生PP周度开工负荷率,
-CPP：二元共聚膜：DY-W0723F：市场主流价：天津：独山子石化（日）,PP粉料开工率（4WMA）,
+CPP：二元共聚膜：DY-W0723F：市场主流价：天津：独山子石化（日）,中国再生PP周度开工负荷率同差,
-PP：透明：R3080T：出厂价：华东地区：浙江鸿基（日）,PP检修减损量,
+PP：透明：R3080T：出厂价：华东地区：浙江鸿基（日）,PP粉料开工率（4WMA）,
-PP：透明：M08ETN：出厂价：华东地区：镇海炼化（日）,PP下游综合开工率（少注塑&CPP）,
+PP：透明：M08ETN：出厂价：华东地区：镇海炼化（日）,PP检修减损量,
-PP：透明：R3260T：出厂价：华东地区：浙江鸿基（日）,BOPP开工率同差,
+PP：透明：R3260T：出厂价：华东地区：浙江鸿基（日）,PP下游综合开工率（少注塑&CPP）,
-热水管：YPR-503：出厂价：华东地区：扬子石化（日）,BOPP开工率（4WMA）,
+热水管：YPR-503：出厂价：华东地区：扬子石化（日）,BOPP开工率同差,
-热水管：PA14D：出厂价：华东地区：大庆炼化（日）,PP粉料开工率,
+热水管：PA14D：出厂价：华东地区：大庆炼化（日）,BOPP开工率（4WMA）,
-CPP：二元共聚膜：F800EDF：出厂价：华东地区：上海石化（日）,PP周度检修率,
+CPP：二元共聚膜：F800EDF：出厂价：华东地区：上海石化（日）,PP粉料开工率,
-CPP：二元共聚膜：F08EC：出厂价：华东地区：镇海炼化（日）,PP周度产量周环差,
+CPP：二元共聚膜：F08EC：出厂价：华东地区：镇海炼化（日）,PP周度检修率,
-PP：透明：HT9025NX：出厂价：华南地区：茂名石化（日）,PP周度产量同比,
+PP：透明：HT9025NX：出厂价：华南地区：茂名石化（日）,PP周度产量周环差,
-PP：透明：HT9025ZK：出厂价：华南地区：中科炼化（日）,PP下游成品库存天数,
+PP：透明：HT9025ZK：出厂价：华南地区：中科炼化（日）,PP周度产量同比,
-PP：透明：HT9025NX：市场主流价：广州：中石化茂名（日）,PP部分下游订单天数,
+PP：透明：HT9025NX：市场主流价：广州：中石化茂名（日）,PP下游成品库存天数,
-热水管：T4401：出厂价：华南地区：茂名石化（日）,中国BOPP订单天数同差,
+热水管：T4401：出厂价：华南地区：茂名石化（日）,PP部分下游订单天数,
-热水管：PPR-4220：出厂价：华南地区：广州石化（日）,中国BOPP订单天数/4WMA,
+热水管：PPR-4220：出厂价：华南地区：广州石化（日）,中国BOPP订单天数同差,
-PP：BOPP：1103K：出厂价：华北地区：国家能源宁煤（日）,BOPP完工订单工作量（周）,
+PP：BOPP：1103K：出厂价：华北地区：国家能源宁煤（日）,中国BOPP订单天数/4WMA,
-PP：BOPP：PPH-FL03-S：出厂价：华北地区：青岛炼化（日）,中国再生PP周度样本成交量,
+PP：BOPP：PPH-FL03-S：出厂价：华北地区：青岛炼化（日）,BOPP完工订单工作量（周）,
-PP：BOPP：1103K：出厂价：华东地区：国家能源宁煤（日）,BOPP开工率超季节性/3年,
+PP：BOPP：1103K：出厂价：华东地区：国家能源宁煤（日）,中国再生PP周度样本成交量,
-PP：BOPP：F03BT：出厂价：华东地区：镇海炼化（日）,中国BOPP成品库存量同差,
+PP：BOPP：F03BT：出厂价：华东地区：镇海炼化（日）,BOPP开工率超季节性/3年,
-PP：BOPP：1103K：出厂价：华南地区：宁夏神华宁煤（日）,中国CPP订单天数,
+PP：BOPP：1103K：出厂价：华南地区：宁夏神华宁煤（日）,中国BOPP成品库存量同差,
-PP：BOPP：L5D98：出厂价：华南地区：广东石化（日）,BOPP 订单-成品天数,
+PP：BOPP：L5D98：出厂价：华南地区：广东石化（日）,中国CPP订单天数,
-PP：BOPP：PPH-F03D：出厂价：华南地区：海南炼化装置一（日）,,
+PP：BOPP：PPH-F03D：出厂价：华南地区：海南炼化装置一（日）,BOPP 订单-成品天数,
 CPP：二元共聚膜：PPR-F08M-S：出厂价：华南地区：茂名石化（日）,,
 CPP：二元共聚膜：PPR-F08-S：出厂价：华南地区：茂名石化（日）,,
 BOPP：12μ光膜：出厂价：华北地区：凯达包装（日）,,
@@ -156,7 +156,6 @@ PP现货-丙烯价差（山东）,,
 聚丙烯出口利润,,
 PP检修损失量（万吨/年）,,
 PP日度产量1000天百分位,,
-BOPP开工率(隆众)同差,,
 PP开工率/2WMA,,
 PP开工率同差,,
 PP日度开工率,,

juxitingdataset/特征频度统计.txt

@@ -1,4 +1,4 @@
-特征信息：总共有312个,日度(220),周度(93),84天(1), 详看 附1、特征列表
+特征信息：总共有312个,日度(219),周度(94),119天(1), 详看 附1、特征列表
         数据特征工程：
     1. 数据日期排序，新日期在最后
     2. 删除空列，特征数据列没有值，就删除

main_juxiting.py

@@ -108,25 +108,25 @@ def predict_main():
     row,col = df.shape
     
     now = datetime.datetime.now().strftime('%Y%m%d%H%M%S')
-    ex_Model(df,
+    # 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,
-            )
+    #         )
 
 
     logger.info('模型训练完成')

models/nerulforcastmodels.py

@@ -535,57 +535,78 @@ def model_losss_juxiting(sqlitedb):
         f.write(','.join(modelnames) + '\n')
 
 
-    # 根据真实值y确定最大最小值,去掉最高最低的预测值
+    # 根据最接近真实值的预测模型计算波动率，得到在波动率范围内的预测值确定通道边界
-    import heapq          # 使用堆来找到最大和最小的值
+
+    best_models = pd.read_csv(os.path.join(dataset,'best_modelnames.txt'),header=None).values.flatten().tolist()
     def find_min_max_within_quantile(row):
-        true_value = row['y']
+        row = row[best_models]
-        row.drop(['ds','y'], inplace=True)
+        q10 = row.min()
-        row = row.astype(float).round(2)
+        q90 = row.max()
-
+        # 获取 row行最大最小值模型名称
-        max_heap = []
-        min_heap = []
-        for col in row.index:
-            # 对比真实值进行分类
-            if row[col] < true_value:
-                heapq.heappush(min_heap, row[col])
-            elif row[col] > true_value:
-                heapq.heappush(max_heap, -row[col])  # 使用负号来实现最大堆
-
-        if len(max_heap) == 1:
-            max_y = max_heap[0]
-        elif len(max_heap) == 0:
-            max_y = -min_heap[-1]
-        else:
-            max_y = heapq.nsmallest(2, max_heap)[1]
-
-        if len(min_heap) < 2 :
-            min_y = -max_heap[-1]
-        else:
-            min_y = heapq.nsmallest(2, min_heap)[-1]
-
-
-        # 获取最大和最小的值
-        q10 = min_y 
-        q90 = -max_y
-
-        # 获取最大和最小的模型名称
         min_model = row[row == q10].idxmin()
-        max_model = row[row == q90].idxmax()
+        max_model = row[row == q90].idxmin()
-
-        # 设置上下界比例
-        rote = 1
-
-        q10 = q10 * rote
-        q90 = q90 * rote
-
-        logger.info(min_model,q10,max_model,q90)
         
+        # # 判断flot值是否为空值
+        # if pd.isna(q10) or pd.isna(q90):
         return pd.Series([q10, q90,min_model,max_model], index=['min_within_quantile','max_within_quantile','min_model','max_model'])
-    # # 遍历行
+
+    # 遍历行
     df_combined3[['min_within_quantile', 'max_within_quantile','min_model','max_model']] = df_combined3.apply(find_min_max_within_quantile, axis=1)
     df_combined = df_combined.round(4)
     print(df_combined3)
 
+    
+    # # 根据真实值y确定最大最小值,去掉最高最低的预测值
+    # import heapq          # 使用堆来找到最大和最小的值
+    # def find_min_max_within_quantile(row):
+    #     true_value = row['y']
+    #     row.drop(['ds','y'], inplace=True)
+    #     row = row.astype(float).round(2)
+
+    #     max_heap = []
+    #     min_heap = []
+    #     for col in row.index:
+    #         # 对比真实值进行分类
+    #         if row[col] < true_value:
+    #             heapq.heappush(min_heap, row[col])
+    #         elif row[col] > true_value:
+    #             heapq.heappush(max_heap, -row[col])  # 使用负号来实现最大堆
+
+    #     if len(max_heap) == 1:
+    #         max_y = max_heap[0]
+    #     elif len(max_heap) == 0:
+    #         max_y = -min_heap[-1]
+    #     else:
+    #         max_y = heapq.nsmallest(2, max_heap)[1]
+
+    #     if len(min_heap) < 2 :
+    #         min_y = -max_heap[-1]
+    #     else:
+    #         min_y = heapq.nsmallest(2, min_heap)[-1]
+
+
+    #     # 获取最大和最小的值
+    #     q10 = min_y 
+    #     q90 = -max_y
+
+    #     # 获取最大和最小的模型名称
+    #     min_model = row[row == q10].idxmin()
+    #     max_model = row[row == q90].idxmax()
+
+    #     # 设置上下界比例
+    #     rote = 1
+
+    #     q10 = q10 * rote
+    #     q90 = q90 * rote
+
+    #     logger.info(min_model,q10,max_model,q90)
+
+    #     return pd.Series([q10, q90, min_model, max_model], index=['min_within_quantile', 'max_within_quantile', 'min_model', 'max_model'])
+    # # # 遍历行
+    # df_combined3[['min_within_quantile', 'max_within_quantile','min_model','max_model']] = df_combined3.apply(find_min_max_within_quantile, axis=1)
+    # df_combined = df_combined.round(4)
+    # print(df_combined3)
+
     # 使用最佳五个模型进行绘图
     # best_models = pd.read_csv(os.path.join(dataset,'best_modelnames.txt'),header=None).values.flatten().tolist()
     # def find_min_max_within_quantile(row):