Price_Pulse/analysis/app.py

import numpy as np
import pandas as pd
from datetime import timedelta
from tensorflow.keras.models import load_model
from sklearn.preprocessing import MinMaxScaler
import matplotlib.pyplot as plt
import io
import joblib
from flask import Flask, request, jsonify, Blueprint, send_file
from flasgger import Swagger


app = Flask(__name__)
api = Blueprint('api', __name__)
Swagger(app)

# Загружаем модель и scaler
model = load_model("my_model_1H.keras")
scaler = MinMaxScaler(feature_range=(0, 1))

# Загружаем данные
column_names = ['product_url', 'price', 'datetime']

df1 = pd.read_csv('parsed_data_public_price_history_1.csv')
df2 = pd.read_csv('parsed_data_public_price_history.csv', names=column_names, )
df3 = pd.read_csv('price_history.csv', names=column_names,)

df = pd.concat([df1, df2, df3])

# Преобразуем колонку 'datetime' в тип данных datetime
df['datetime'] = pd.to_datetime(df['datetime'], format='mixed', utc=True)
df['price'] = df['price'].astype(float)

q_low = df['price'].quantile(0.55)
q_hi = df['price'].quantile(0.75)
q_range = q_hi - q_low
df = df[(df['price'] < q_hi + 1.5 * q_range) & (df['price'] > q_low - 1.5 * q_range)]



df_hourly_avg = df[['price', 'datetime']]
df_hourly_avg['datetime'] = df_hourly_avg['datetime'].dt.floor('1H')
df_hourly_avg = df_hourly_avg.groupby('datetime').agg({'price': 'mean'}).reset_index()

df_hourly_avg.set_index('datetime', inplace=True)

# Подготовка данных для прогнозирования
def prepare_data(df, days_forward=7):
    last_date = df.index[-1]
    scaled_data = scaler.fit_transform(df[['price']].values)
    n = 3  # число временных шагов (можно менять)
    X_test = []

    # Формируем X_test на основе последних n значений
    for i in range(n, len(scaled_data)):
        X_test.append(scaled_data[i - n:i, 0])
    X_test = np.array(X_test)
    X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

    # Предсказание на 7 дней вперед
    predictions = []
    current_input = X_test[-1]  # начальное состояние для прогноза

    for _ in range(days_forward):
        pred = model.predict(np.expand_dims(current_input, axis=0))
        predictions.append(pred[0, 0])

        # Обновляем current_input, добавляя новое предсказание и удаляя старое
        current_input = np.append(current_input[1:], pred).reshape(n, 1)

    # Масштабируем предсказания обратно
    predictions = scaler.inverse_transform(np.array(predictions).reshape(-1, 1)).flatten()

    future_dates = [last_date + timedelta(days=i) for i in range(1, days_forward + 1)]
    forecast_df = pd.DataFrame({'date': future_dates, 'predicted_price': predictions})
    return  forecast_df


# Построение графика
def plot_price(forecast_df):
    plt.figure(figsize=(14, 7))
    plt.plot(df_hourly_avg.index, df_hourly_avg['price'], label='Actual Price', color='blue')
    plt.plot(forecast_df['date'], forecast_df['predicted_price'], label='Predicted Price', color='orange')
    plt.title("Price Prediction")
    plt.xlabel("Date")
    plt.ylabel("Price")
    plt.legend()
    plt.grid(True)

    img = io.BytesIO()
    plt.savefig(img, format='png')
    img.seek(0)
    plt.close()
    return img


@api.route('/predict_price', methods=['GET'])
def predict_price():
    """
    Предсказание цены на 7 дней вперед
    ---
    responses:
      200:
        description: JSON с предсказаниями цен и днем минимальной цены
        schema:
          type: object
          properties:
            forecast:
              type: array
              items:
                type: object
                properties:
                  date:
                    type: string
                    format: date
                  predicted_price:
                    type: number
            min_price_day:
              type: object
              properties:
                date:
                  type: string
                  format: date
                price:
                  type: number
    """
    forecast_df = prepare_data(df_hourly_avg)
    forecast_list = forecast_df.to_dict(orient='records')  # Преобразование в список словарей

    # Преобразуем значения 'predicted_price' в float
    for record in forecast_list:
        record['predicted_price'] = float(record['predicted_price'])

    # Определяем день с минимальной предсказанной ценой
    min_price_day = forecast_df.loc[forecast_df['predicted_price'].idxmin()]

    # Преобразуем минимальную цену в float
    min_price_day_price = float(min_price_day['predicted_price'])

    # Формируем ответ
    return jsonify({
        'forecast': forecast_list,
        'min_price_day': {
            'date': min_price_day['date'].strftime('%Y-%m-%d'),
            'price': min_price_day_price
        }
    })


# Эндпоинт для получения графика
@api.route('/plot', methods=['GET'])
def plot():
    """
    Получение графика предсказанных и фактических цен
    ---
    responses:
      200:
        description: Возвращает график предсказанных и фактических цен в формате PNG
        content:
          image/png:
            schema:
              type: string
              format: binary
    """
    forecast_df = prepare_data(df_hourly_avg)
    img = plot_price(forecast_df)
    return send_file(img, mimetype='image/png')

app.register_blueprint(api, url_prefix='/api')

if __name__ == "__main__":
    app.run(debug=True)