davisAPI/davisAPI.py

@@ -1,4 +1,4 @@
-from PyWeather.weather.stations.davis import VantagePro
+#from PyWeather.weather.stations.davis import VantagePro
 import logging
 import mariadb
 import serial.tools.list_ports
@@ -6,7 +6,6 @@ import gc
 import time
 from pprint import pprint
 
-
 logging.basicConfig(filename="Stations.log",
                     format='%(asctime)s %(message)s',
                     filemode='a')
@@ -36,7 +35,7 @@ def write_data(device, station, send=True):
             cursor.execute(sql, values)
             conn.commit()
         else:
-            pprint(data)
+            print(data)
 
         del data
         del fields
@@ -45,6 +44,7 @@ def write_data(device, station, send=True):
         logger.error(str(e))
         raise e
 
+
 try:
     conn = mariadb.connect(
         user="wind",
@@ -59,19 +59,23 @@ except mariadb.Error as e:
     raise e
 
 try:
-    ports = serial.tools.list_ports.comports()
-    available_ports = {}
+    # ports = serial.tools.list_ports.comports()
+    # available_ports = {}
+    #
+    # for port in ports:
+    #     if port.serial_number == '0001':
+    #         available_ports[port.name] = port.vid
 
-    for port in ports:
-        if port.serial_number == '0001':
-            available_ports[port.name] = port.vid
+    #devices = [VantagePro(port) for port in available_ports.keys()]
+    devices = {}
 
-    devices = [VantagePro(port) for port in available_ports.keys()]
-    print(available_ports)
     while True:
-        for i in range(len(devices)):
-            print(devices[i].fields)
+        for i in range(1):
+            if len(devices) != 0:
+                print(devices)
                 # write_data(devices[i], 'st' + str(available_ports[list(available_ports.keys())[i]]), True)
+            else:
+                print('bashmak')
             time.sleep(1)
 except Exception as e:
     logger.error('Device_error: ' + str(e))

davisAPI/hype.py

@@ -0,0 +1,97 @@
+import pandas as pd
+import numpy as np
+from sqlalchemy import create_engine
+from sklearn.model_selection import train_test_split
+from sklearn.ensemble import RandomForestRegressor
+from sklearn.metrics import mean_squared_error
+
+# TODO
+# 1.Добавить поля
+#  -barTrend - перечисление и правило какое-то (смотрим через один если повысилось после steady то rising если уменьшилось после steady то falling)
+#  -DateStamp - берется с последнего предсказанного + время опроса
+#  -SunRise - берется с последнего предсказанного
+#  -SunSet - берется с последнего предсказанного
+#
+# 12-10-2024 12:00
+# 12-10-2024 12:01
+#
+# 2.Отделить вставку данных в бд от парсера данных с метеостанции
+#
+# 3.Возвращение результата в бд
+
+# Настройка подключения к базе данных
+
+
+DATABASE_URI = 'mysql+pymysql://wind:wind@193.124.203.110:3306/wind_towers'  # Замените на вашу строку подключения
+engine = create_engine(DATABASE_URI)
+
+# Запрос данных из базы данных
+query = """
+SELECT CRC, DateStamp, DewPoint, HeatIndex, ETDay, HumIn, HumOut,
+       Pressure, RainDay, RainMonth, RainRate, RainStorm, RainYear,
+       TempIn, TempOut, WindDir, WindSpeed, WindSpeed10Min
+FROM weather_data
+WHERE DateStamp >= '2024-10-14 21:00:00' - INTERVAL 12 HOUR;
+"""
+df = pd.read_sql(query, engine)
+
+# Преобразование даты и установка индекса
+df['DateStamp'] = pd.to_datetime(df['DateStamp'])
+df.set_index('DateStamp', inplace=True)
+df.sort_index(inplace=True)
+
+# Создание временных признаков с использованием pd.concat для минимизации фрагментации
+lags = 3
+shifted_dfs = [df]  # Начинаем с оригинальных данных
+
+# Создаем лаговые признаки
+for lag in range(1, lags + 1):
+    shifted_df = df.shift(lag).add_suffix(f'_t-{lag}')
+    shifted_dfs.append(shifted_df)
+
+# Объединяем все данные вместе, избегая фрагментации
+df_with_lags = pd.concat(shifted_dfs, axis=1)
+
+# Удаляем строки с NaN значениями
+df_with_lags.dropna(inplace=True)
+df_with_lags = df_with_lags.copy()  # Устраняем фрагментацию
+
+# Исключаем все нечисловые столбцы
+df_with_lags = df_with_lags.select_dtypes(include=['float64', 'int64'])
+
+# Словарь для хранения моделей и оценок
+models = {}
+mse_scores = {}
+
+# Обучение модели для каждого целевого поля
+for target_column in df.columns[:22]:  # Ограничиваем до 22 полей
+    if target_column not in df_with_lags.columns:
+        continue  # Пропускаем, если колонка отсутствует в данных с лагами
+
+    X = df_with_lags.drop(columns=[target_column])
+    y = df_with_lags[target_column]
+
+    # Разделение на обучающую и тестовую выборки
+    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)
+
+    # Обучение модели
+    model = RandomForestRegressor()
+    model.fit(X_train, y_train)
+
+    # Оценка модели
+    y_pred = model.predict(X_test)
+    mse = mean_squared_error(y_test, y_pred)
+    mse_scores[target_column] = mse
+    models[target_column] = model
+
+    print(f"MSE для {target_column}: {mse}")
+
+# Предсказание для следующего шага по всем моделям
+predictions = {}
+last_data = X.iloc[-1].values.reshape(1, -1)  # Последняя строка данных для прогноза
+
+for target_column, model in models.items():
+    predictions[target_column] = model.predict(last_data)[0]
+    print(f"Предсказание для {target_column}: {predictions[target_column]}")
+print(predictions)
+