原油周度预测次周，隔周预测调试完成

config_jingbo_zhoudu.py

@@ -159,9 +159,9 @@ table_name = 'v_tbl_crude_oil_warning'
 
 
 ### 开关
-is_train = True # 是否训练
+is_train = False # 是否训练
 is_debug = False # 是否调试
-is_eta = True # 是否使用eta接口
+is_eta = False # 是否使用eta接口
 is_market = True # 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
@@ -182,9 +182,9 @@ print("数据库连接成功",host,dbname,dbusername)
 
 
 # 数据截取日期
-start_year = 2020 # 数据开始年份
+start_year = 2015 # 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
+freq = 'WW'  # 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 "WW" 自定义周
 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

lib/dataread.py

@@ -42,8 +42,8 @@ plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
 
 # from config_jingbo_pro import *
 # from config_jingbo import *
-# from config_jingbo_zhoudu import *
-from config_jingbo_yuedu import *
+from config_jingbo_zhoudu import *
+# from config_jingbo_yuedu import *
 # from config_yongan import *
 # from config_juxiting import *
 # from config_juxiting_zhoudu import *
@@ -720,7 +720,17 @@ def datachuli(df_zhibiaoshuju,df_zhibiaoliebiao,datecol='date',end_time='',y='y'
 
         logger.info(f'删除两月不更新特征后数据量：{df.shape}')
     
-    if freq == 'W':
+    # 衍生时间特征
+    if is_timefurture:
+        df = addtimecharacteristics(df=df,dataset=dataset)
+    
+    if freq == 'WW':
+        # 自定义周数据
+        # 按weekofmothe分组取均值得到新的数据
+        df = df.groupby(df['yearmonthweeks']).mean()
+        # 时间列转换为日期格式字符串
+        df['ds'] = df['ds'].dt.strftime('%Y-%m-%d')
+    elif freq == 'W':
         # 按周取样
         df = df.resample('W', on='ds').mean().reset_index()
     elif freq == 'M':
@@ -750,9 +760,7 @@ def datachuli(df_zhibiaoshuju,df_zhibiaoliebiao,datecol='date',end_time='',y='y'
     # kdj指标
     if add_kdj:
         df = calculate_kdj(df)
-    # 衍生时间特征
-    if is_timefurture:
-        df = addtimecharacteristics(df=df,dataset=dataset)
+    
     # 特征分析
     featureAnalysis(df,dataset=dataset,y=y)
     return df
@@ -1833,6 +1841,15 @@ def addtimecharacteristics(df,dataset):
     df['is_year_start'] = df['ds'].dt.is_year_start.astype(int)
     # 是否年末
     df['is_year_end'] = df['ds'].dt.is_year_end.astype(int)
+    # 添加月度第几周（周一到周日为一周，每月1日所在的周为第一周）
+    # 计算当前日期所在周的周一
+    df['current_monday'] = df['ds'] - pd.to_timedelta(df['ds'].dt.dayofweek, unit='D')
+    # 计算当月1日所在周的周一
+    df['first_monday'] = df['ds'].dt.to_period('M').dt.start_time - pd.to_timedelta(df['ds'].dt.to_period('M').dt.start_time.dt.dayofweek, unit='D')
+    # 计算周数差并+1得到周数
+    df['weekofmonth'] = ((df['current_monday'] - df['first_monday']).dt.days // 7) + 1
+    df['yearmonthweeks'] = df['year'].astype(str) + df['month'].astype(str)  + df['weekofmonth'].astype(str)
+    df.drop(columns=['current_monday', 'first_monday'], inplace=True)
     # 去掉 quarter_start  quarter 
     df.drop(columns=['quarter_start','quarter'],inplace=True)
     df.to_csv(os.path.join(dataset,'指标数据添加时间特征.csv'), index=False)

main_yuanyou_yuedu.py

@@ -141,6 +141,7 @@ def predict_main():
             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):

main_yuanyou_zhoudu.py

@@ -124,7 +124,8 @@ def predict_main():
     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')
+            # row_dict['ds'] = row_dict['ds'].strftime('%Y-%m-%d')
+            # 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}'")
             if len(check_query) > 0:
                 set_clause = ", ".join([f"{key} = '{value}'" for key, value in row_dict.items()])

models/nerulforcastmodels.py

@@ -166,7 +166,7 @@ def ex_Model(df,horizon,input_size,train_steps,val_check_steps,early_stop_patien
                 models.append(model)
 
     # 创建NeuralForecast实例并训练模型
-    nf = NeuralForecast(models=models, freq=freq)
+    nf = NeuralForecast(models=models, freq=freq[0])
 
     from joblib import dump, load
     if is_train: