|
|
@@ -0,0 +1,384 @@
|
|
|
+import os
|
|
|
+import torch
|
|
|
+import pandas as pd
|
|
|
+import numpy as np
|
|
|
+import joblib
|
|
|
+import pywt
|
|
|
+from datetime import datetime, timedelta
|
|
|
+from torch.utils.data import DataLoader, TensorDataset
|
|
|
+from gat_lstm import GAT_LSTM # 导入自定义的GAT-LSTM模型
|
|
|
+from tqdm import tqdm
|
|
|
+
|
|
|
+def set_seed(seed):
|
|
|
+ """设置随机种子，保证实验可重复性"""
|
|
|
+ import random
|
|
|
+ random.seed(seed)
|
|
|
+ os.environ['PYTHONHASHSEED'] = str(seed)
|
|
|
+ np.random.seed(seed)
|
|
|
+ torch.manual_seed(seed)
|
|
|
+ torch.cuda.manual_seed(seed)
|
|
|
+ torch.cuda.manual_seed_all(seed)
|
|
|
+ torch.backends.cudnn.deterministic = True
|
|
|
+ torch.backends.cudnn.benchmark = False
|
|
|
+
|
|
|
+class Predictor:
|
|
|
+ """预测器类，用于加载数据、模型并执行预测流程"""
|
|
|
+ def __init__(self):
|
|
|
+ self.seq_len = 10 # 输入序列长度（历史时间步）
|
|
|
+ self.output_size = 5 # 预测步长（未来预测的时间步数）
|
|
|
+ self.labels_num = 16 # 预测目标数量（16个待预测的指标）
|
|
|
+ self.feature_num = 79 # 输入特征总维度
|
|
|
+ self.step_size = 5 # 数据采样步长（每隔step_size取一个样本）
|
|
|
+ self.dropout = 0 # dropout概率（防止过拟合）
|
|
|
+ self.lr = 0.01 # 学习率（训练时使用，预测时仅作参数记录）
|
|
|
+ self.num_heads = 8 # 注意力头数（模型结构参数）
|
|
|
+ self.hidden_size = 64 # 隐藏层维度
|
|
|
+ self.batch_size = 512 # 批处理大小
|
|
|
+ self.num_layers = 1 # LSTM层数
|
|
|
+ self.resolution = 60 # 数据分辨率（原始数据每隔60条取一条，下采样）
|
|
|
+ self.test_start_date = '2025-07-01' # 测试集起始日期（初始值，会动态更新）
|
|
|
+ self.wavelet = 'db4' # 小波变换类型（预留，未实际使用）
|
|
|
+ self.level = 3 # 小波分解层数（预留）
|
|
|
+ self.level_after = 4 # 后续小波处理层数（预留）
|
|
|
+ self.mode = 'soft' # 小波阈值模式（预留）
|
|
|
+ self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 计算设备（GPU优先）
|
|
|
+ self.model_path = '20min_model.pth' # 模型权重保存路径
|
|
|
+ self.output_csv_path = '20min_predictions.csv' # 预测结果保存路径
|
|
|
+ self.random_seed = 1314 # 随机种子
|
|
|
+ self.min_rows = 600 # 定义最小数据行数要求（600行）
|
|
|
+ self.uf_threshold = 0.001 # UF指标阈值（预留）
|
|
|
+ self.ro_threshold = 0.01 # RO指标阈值（预留）
|
|
|
+ self.flow_threshold = 1.0 # 流量阈值（预留）
|
|
|
+
|
|
|
+ set_seed(self.random_seed) # 初始化随机种子
|
|
|
+ self.scaler = joblib.load('20min_scaler.pkl') # 加载数据归一化器（训练时保存）
|
|
|
+ self.model = None # 模型实例（后续加载）
|
|
|
+ self.edge_index = None # 图结构边索引（图模型用）
|
|
|
+ self.test_loader = None # 测试数据加载器（后续创建）
|
|
|
+
|
|
|
+ def ensure_min_rows(self, df):
|
|
|
+ """
|
|
|
+ 确保数据至少有600行，不足则进行前后补充
|
|
|
+ 向前补充：使用最早的数据向前扩展
|
|
|
+ 向后补充：使用最新的数据向后扩展
|
|
|
+ """
|
|
|
+ current_rows = len(df)
|
|
|
+ if current_rows >= self.min_rows:
|
|
|
+ return df
|
|
|
+
|
|
|
+ # 计算需要补充的行数
|
|
|
+ need_rows = self.min_rows - current_rows
|
|
|
+ print(f"数据行数不足{self.min_rows}行（当前{current_rows}行），需要补充{need_rows}行")
|
|
|
+
|
|
|
+ # 计算时间间隔（假设数据是均匀采样的）
|
|
|
+ time_col = 'index'
|
|
|
+ df[time_col] = pd.to_datetime(df[time_col])
|
|
|
+ time_diff = (df[time_col].iloc[1] - df[time_col].iloc[0]).total_seconds()
|
|
|
+
|
|
|
+ # 向前补充（使用最早的数据）
|
|
|
+ forward_rows = need_rows // 2
|
|
|
+ if forward_rows > 0:
|
|
|
+ earliest_data = df.iloc[0:1].copy()
|
|
|
+ forward_data = []
|
|
|
+ for i in range(1, forward_rows + 1):
|
|
|
+ new_row = earliest_data.copy()
|
|
|
+ new_row[time_col] = earliest_data[time_col] - timedelta(seconds=time_diff * i)
|
|
|
+ forward_data.append(new_row)
|
|
|
+ forward_df = pd.concat(forward_data, ignore_index=True)
|
|
|
+ df = pd.concat([forward_df, df], ignore_index=True)
|
|
|
+
|
|
|
+ # 检查是否还需要向后补充
|
|
|
+ current_rows = len(df)
|
|
|
+ if current_rows < self.min_rows:
|
|
|
+ backward_rows = self.min_rows - current_rows
|
|
|
+ latest_data = df.iloc[-1:].copy()
|
|
|
+ backward_data = []
|
|
|
+ for i in range(1, backward_rows + 1):
|
|
|
+ new_row = latest_data.copy()
|
|
|
+ new_row[time_col] = latest_data[time_col] + timedelta(seconds=time_diff * i)
|
|
|
+ backward_data.append(new_row)
|
|
|
+ backward_df = pd.concat(backward_data, ignore_index=True)
|
|
|
+ df = pd.concat([df, backward_df], ignore_index=True)
|
|
|
+
|
|
|
+ print(f"数据补充完成，当前行数：{len(df)}行")
|
|
|
+ return df
|
|
|
+
|
|
|
+ def reorder_columns(self, df):
|
|
|
+ """
|
|
|
+ 调整数据列顺序，确保与训练时的特征顺序一致
|
|
|
+ 避免因列顺序不一致导致模型输入特征错位
|
|
|
+ """
|
|
|
+ desired_order = [
|
|
|
+ 'index',
|
|
|
+ 'C.M.FT_ZGJJY1@out','C.M.RO1_FT_JS@out','C.M.RO2_FT_JS@out','C.M.RO3_FT_JS@out',
|
|
|
+ 'C.M.RO4_FT_JS@out','C.M.UF1_FT_JS@out','C.M.UF2_FT_JS@out','C.M.UF3_FT_JS@out',
|
|
|
+ 'C.M.UF4_FT_JS@out','C.M.UF_FT_ZCS@out','C.M.FT_ZGJJY2@out','C.M.FT_ZGJJY3@out',
|
|
|
+ 'C.M.FT_ZGJJY4@out','C.M.RO1_PT_JS@out','C.M.RO2_PT_JS@out','C.M.RO3_PT_JS@out',
|
|
|
+ 'C.M.UF1_PT_JS@out','C.M.UF2_PT_JS@out','C.M.UF3_PT_JS@out','C.M.UF4_PT_JS@out',
|
|
|
+ 'C.M.LT_JSC@out','C.M.RO1_PT_CS@out','C.M.RO1_PT_DJ2@out','C.M.RO2_PT_CS@out',
|
|
|
+ 'C.M.RO2_PT_DJ2@out','C.M.RO3_PT_CS@out','C.M.RO3_PT_DJ2@out','C.M.RO4_PT_CS@out',
|
|
|
+ 'C.M.RO4_PT_DJ2@out','C.M.RO4_PT_JS@out','C.M.LT_HCl@out','C.M.LT_NaClO@out',
|
|
|
+ 'C.M.LT_PAC@out','C.M.LT_QSC@out','C.M.RO_Cond_ZCS@out','C.M.RO_TT_ZJS@out',
|
|
|
+ 'C.M.UF1_JSF_kd@out','C.M.UF2_JSF_kd@out','C.M.UF_GSB4_fre@out','C.M.UF_ORP_ZCS@out',
|
|
|
+ 'C.M.JYB2_ZGJ1_fre@out','C.M.JYB2_ZGJ2_fre@out','C.M.JYB2_ZGJ3_fre@out','C.M.JYB2_ZGJ4_fre@out',
|
|
|
+ 'C.M.RO1_GYB_fre@out','C.M.RO2_GYB_fre@out','C.M.RO3_GYB_fre@out','C.M.RO4_GYB_fre@out',
|
|
|
+ 'C.M.UF3_JSF_kd@out','C.M.UF4_JSF_kd@out','C.M.UF_FXB2_fre@out','C.M.RO1_DJB_fre@out',
|
|
|
+ 'C.M.RO1_GYBF_kd@out','C.M.RO2_DJB_fre@out','C.M.RO2_GYBF_kd@out','C.M.RO3_DJB_fre@out',
|
|
|
+ 'C.M.RO3_GYBF_kd@out','C.M.RO4_DJB_fre@out','C.M.RO4_GYBF_kd@out',
|
|
|
+ 'C.M.UF1_DB@press_PV','C.M.UF2_DB@press_PV','C.M.UF3_DB@press_PV','C.M.UF4_DB@press_PV',
|
|
|
+ 'UF1Per','UF2Per','UF3Per','UF4Per',
|
|
|
+ 'C.M.RO1_DB@DPT_1','C.M.RO2_DB@DPT_1','C.M.RO3_DB@DPT_1','C.M.RO4_DB@DPT_1',
|
|
|
+ 'C.M.RO1_DB@DPT_2','C.M.RO2_DB@DPT_2','C.M.RO3_DB@DPT_2','C.M.RO4_DB@DPT_2',
|
|
|
+ ]
|
|
|
+ return df.loc[:, desired_order]
|
|
|
+
|
|
|
+ def process_date(self, data):
|
|
|
+ """
|
|
|
+ 处理日期列，生成周期性时间特征（捕捉时间周期性模式）
|
|
|
+ 包括：分钟级正弦/余弦特征（每日周期）、年中日正弦/余弦特征（年度周期）
|
|
|
+ """
|
|
|
+ if 'index' in data.columns:
|
|
|
+ data = data.rename(columns={'index': 'date'})
|
|
|
+ data['date'] = pd.to_datetime(data['date'])
|
|
|
+ data['minute_of_day'] = data['date'].dt.hour * 60 + data['date'].dt.minute
|
|
|
+ data['day_of_year'] = data['date'].dt.dayofyear
|
|
|
+
|
|
|
+ # 周期性编码（将时间转换为正弦/余弦值，确保周期性连续）
|
|
|
+ data['minute_sin'] = np.sin(2 * np.pi * data['minute_of_day'] / 1440) # 分钟正弦特征
|
|
|
+ data['minute_cos'] = np.cos(2 * np.pi * data['minute_of_day'] / 1440) # 分钟余弦特征
|
|
|
+ data['day_year_sin'] = np.sin(2 * np.pi * data['day_of_year'] / 366) # 年中日正弦特征
|
|
|
+ data['day_year_cos'] = np.cos(2 * np.pi * data['day_of_year'] / 366) # 年中日余弦特征
|
|
|
+ # 移除原始时间列（仅保留编码后的特征）
|
|
|
+ data.drop(columns=['minute_of_day', 'day_of_year'], inplace=True)
|
|
|
+
|
|
|
+ # 调整列顺序：日期 + 时间特征 + 其他特征
|
|
|
+ time_features = ['minute_sin', 'minute_cos', 'day_year_sin', 'day_year_cos']
|
|
|
+ other_columns = [col for col in data.columns if col not in ['date'] + time_features]
|
|
|
+ return data[['date'] + time_features + other_columns]
|
|
|
+
|
|
|
+ def scaler_data(self, data):
|
|
|
+ """
|
|
|
+ 对数据进行归一化（使用训练时保存的scaler）
|
|
|
+ 保持与训练数据的归一化方式一致（0-1缩放）
|
|
|
+ """
|
|
|
+ date_col = data[['date']]
|
|
|
+ data_to_scale = data.drop(columns=['date'])
|
|
|
+ scaled = self.scaler.transform(data_to_scale)
|
|
|
+ scaled_df = pd.DataFrame(scaled, columns=data_to_scale.columns)
|
|
|
+ # 拼接日期列和归一化后的特征列
|
|
|
+ return pd.concat([date_col.reset_index(drop=True), scaled_df], axis=1)
|
|
|
+
|
|
|
+ def remove_outliers(self, predictions):
|
|
|
+ """
|
|
|
+ 用四分位法处理预测结果中的异常值
|
|
|
+ 异常值定义：小于Q1-1.5*IQR或大于Q3+1.5*IQR的值
|
|
|
+ 异常值替换为正常值的平均值（避免极端值影响）
|
|
|
+ """
|
|
|
+ cleaned = predictions.copy()
|
|
|
+ # 遍历每个特征列（16个标签）
|
|
|
+ for col in range(cleaned.shape[1]):
|
|
|
+ values = cleaned[:, col]
|
|
|
+ # 计算四分位数
|
|
|
+ q1 = np.percentile(values, 25)
|
|
|
+ q3 = np.percentile(values, 75)
|
|
|
+ iqr = q3 - q1
|
|
|
+ # 异常值边界
|
|
|
+ lower_bound = q1 - 1.5 * iqr
|
|
|
+ upper_bound = q3 + 1.5 * iqr
|
|
|
+ # 筛选正常值
|
|
|
+ normal_values = values[(values >= lower_bound) & (values <= upper_bound)]
|
|
|
+ # 用正常值的平均值替换异常值
|
|
|
+ if len(normal_values) > 0:
|
|
|
+ mean_normal = np.mean(normal_values)
|
|
|
+ cleaned[(values < lower_bound) | (values > upper_bound), col] = mean_normal
|
|
|
+ return cleaned
|
|
|
+
|
|
|
+ def smooth_predictions(self, predictions):
|
|
|
+ """
|
|
|
+ 对预测结果进行加权平滑处理，减少预测波动
|
|
|
+ 采用滑动窗口加权平均：中间值权重为2，前后邻居权重为1（边缘值特殊处理）
|
|
|
+ """
|
|
|
+ smoothed = predictions.copy()
|
|
|
+ n_timesteps = predictions.shape[0]
|
|
|
+ if n_timesteps <= 1:
|
|
|
+ return smoothed
|
|
|
+
|
|
|
+ # 遍历每个特征列
|
|
|
+ for col in range(predictions.shape[1]):
|
|
|
+ values = predictions[:, col]
|
|
|
+ # 第一个值：加权前两个值（避免边缘过度平滑）
|
|
|
+ smoothed[0, col] = (2 * values[0] + values[1]) / 3
|
|
|
+ # 中间值：加权前后邻居（核心平滑）
|
|
|
+ for i in range(1, n_timesteps - 1):
|
|
|
+ smoothed[i, col] = (values[i-1] + 2 * values[i] + values[i+1]) / 4
|
|
|
+ # 最后一个值：加权最后两个值（避免边缘过度平滑）
|
|
|
+ smoothed[-1, col] = (values[-2] + 2 * values[-1]) / 3
|
|
|
+ return smoothed
|
|
|
+
|
|
|
+ def create_test_loader(self, df):
|
|
|
+ """
|
|
|
+ 构建测试数据加载器（将原始数据转换为模型输入格式）
|
|
|
+ 输入：预处理后的DataFrame
|
|
|
+ 输出：PyTorch DataLoader（批量加载模型输入）
|
|
|
+ """
|
|
|
+ df['date'] = pd.to_datetime(df['date'])
|
|
|
+ # 计算时间间隔（根据分辨率，单位：分钟）
|
|
|
+ time_interval = pd.Timedelta(minutes=(4 * self.resolution / 60))
|
|
|
+ # 计算窗口时间跨度（确保能覆盖输入序列长度+预测步长）
|
|
|
+ window_time_span = time_interval * (self.seq_len + 20)
|
|
|
+ # 调整测试集起始时间（确保有足够的历史数据构建输入序列）
|
|
|
+ adjusted_test_start = pd.to_datetime(self.test_start_date) - window_time_span
|
|
|
+ # 筛选所需的历史数据
|
|
|
+ test_df = df[df['date'] >= adjusted_test_start].reset_index(drop=True)
|
|
|
+
|
|
|
+ test_df = test_df.drop(columns=['date'])
|
|
|
+
|
|
|
+ # 构建监督学习数据集（输入序列+目标序列的占位）
|
|
|
+ feature_columns = test_df.columns.tolist()
|
|
|
+ cols = []
|
|
|
+
|
|
|
+ # 构建输入序列（历史seq_len个时间步的特征）
|
|
|
+ for col in feature_columns:
|
|
|
+ for i in range(self.seq_len - 1, -1, -1):
|
|
|
+ cols.append(test_df[[col]].shift(i)) # 滞后i步的特征（t-0到t-(seq_len-1)）
|
|
|
+
|
|
|
+ # 构建目标序列占位（未来output_size个时间步的标签，预测时不使用真实值）
|
|
|
+ for i in range(1, self.output_size + 1):
|
|
|
+ for col in feature_columns[-self.labels_num:]:
|
|
|
+ cols.append(test_df[[col]].shift(-i)) # 超前i步的标签（t+1到t+output_size）
|
|
|
+
|
|
|
+ # 合并列并按步长采样，最后取最后一行作为预测输入（最新的历史数据）
|
|
|
+ dataset = pd.concat(cols, axis=1).iloc[::self.step_size]
|
|
|
+ dataset = dataset.iloc[[-1]]
|
|
|
+
|
|
|
+ # 提取输入特征（前n_features_total列）
|
|
|
+ n_features_total = self.feature_num * self.seq_len
|
|
|
+ supervised_data = dataset.iloc[:, :n_features_total]
|
|
|
+
|
|
|
+ # 转换为模型输入格式：[样本数, 序列长度, 特征数]
|
|
|
+ X = supervised_data.values.reshape(-1, self.seq_len, self.feature_num)
|
|
|
+ X = torch.tensor(X, dtype=torch.float32).to(self.device)
|
|
|
+ tensor_dataset = TensorDataset(X)
|
|
|
+ loader = DataLoader(tensor_dataset, batch_size=self.batch_size, shuffle=False)
|
|
|
+ return loader
|
|
|
+
|
|
|
+ def load_data(self, df):
|
|
|
+ """
|
|
|
+ 数据加载主流程：重排列、下采样、日期处理、归一化、创建测试加载器
|
|
|
+ 确保输入数据格式与训练时一致
|
|
|
+ """
|
|
|
+ df = self.reorder_columns(df)
|
|
|
+ df = df.iloc[::self.resolution, :].reset_index(drop=True)
|
|
|
+ df = self.process_date(df)
|
|
|
+ df = self.scaler_data(df)
|
|
|
+ self.test_loader = self.create_test_loader(df)
|
|
|
+ self.edge_index = torch.load('edge_index.pt', map_location=self.device, weights_only=True)
|
|
|
+
|
|
|
+ def load_model(self):
|
|
|
+ """加载模型结构和预训练权重，并设置为评估模式"""
|
|
|
+ self.model = GAT_LSTM(self).to(self.device)
|
|
|
+ if self.edge_index is not None:
|
|
|
+ self.model.set_edge_index(self.edge_index.to(self.device)) # 设置图边索引
|
|
|
+ self.model.load_state_dict(torch.load(self.model_path, map_location=self.device, weights_only=True))
|
|
|
+ self.model.eval()
|
|
|
+
|
|
|
+ def predict(self, df):
|
|
|
+ """
|
|
|
+ 执行预测主流程：更新测试起始时间、加载数据、加载模型、执行预测、反归一化
|
|
|
+ 输入：原始数据DataFrame
|
|
|
+ 输出：反归一化后的预测结果（numpy数组）
|
|
|
+ """
|
|
|
+ # 确保数据行数不少于600行
|
|
|
+ df = self.ensure_min_rows(df)
|
|
|
+
|
|
|
+ # 更新测试起始时间为输入数据最新时间+4分钟（预测起始点）
|
|
|
+ self.test_start_date = (pd.to_datetime(df['index']).max() + timedelta(minutes=4)).strftime("%Y-%m-%d %H:%M:%S")
|
|
|
+ self.load_data(df)
|
|
|
+ self.load_model()
|
|
|
+
|
|
|
+ all_predictions = []
|
|
|
+ with torch.no_grad():
|
|
|
+ for batch in self.test_loader:
|
|
|
+ inputs = batch[0].to(self.device)
|
|
|
+ outputs = self.model(inputs)
|
|
|
+ all_predictions.append(outputs.cpu().numpy())
|
|
|
+
|
|
|
+ # 拼接所有批次的预测结果，并重塑为[时间步, 标签数]
|
|
|
+ predictions = np.concatenate(all_predictions, axis=0).reshape(-1, self.labels_num)
|
|
|
+
|
|
|
+ # 反归一化（仅对标签列，使用训练时的scaler参数）
|
|
|
+ from sklearn.preprocessing import MinMaxScaler
|
|
|
+ inverse_scaler = MinMaxScaler()
|
|
|
+ inverse_scaler.min_ = self.scaler.min_[-self.labels_num:]
|
|
|
+ inverse_scaler.scale_ = self.scaler.scale_[-self.labels_num:]
|
|
|
+ predictions = inverse_scaler.inverse_transform(predictions)
|
|
|
+
|
|
|
+ # 可选：异常值处理和平滑（当前注释掉，可根据需求启用）
|
|
|
+ # predictions = self.remove_outliers(predictions) # 处理异常值
|
|
|
+ # predictions = self.smooth_predictions(predictions) # 平滑处理
|
|
|
+ return predictions
|
|
|
+
|
|
|
+ def save_predictions(self, predictions):
|
|
|
+ """
|
|
|
+ 将预测结果保存为CSV文件，包含时间戳和各指标的预测值
|
|
|
+ 输入：反归一化后的预测结果（numpy数组）
|
|
|
+ """
|
|
|
+ start_time = datetime.strptime(self.test_start_date, "%Y-%m-%d %H:%M:%S")
|
|
|
+ time_interval = timedelta(minutes=(4 * self.resolution / 60))
|
|
|
+ timestamps = [start_time + i * time_interval for i in range(len(predictions))]
|
|
|
+
|
|
|
+ # 定义16个预测目标的原始列名
|
|
|
+ base_columns = [
|
|
|
+ 'C.M.UF1_DB@press_PV', 'C.M.UF2_DB@press_PV', 'C.M.UF3_DB@press_PV', 'C.M.UF4_DB@press_PV',
|
|
|
+ 'UF1Per','UF2Per','UF3Per','UF4Per',
|
|
|
+ 'C.M.RO1_DB@DPT_1', 'C.M.RO2_DB@DPT_1', 'C.M.RO3_DB@DPT_1', 'C.M.RO4_DB@DPT_1',
|
|
|
+ 'C.M.RO1_DB@DPT_2', 'C.M.RO2_DB@DPT_2', 'C.M.RO3_DB@DPT_2', 'C.M.RO4_DB@DPT_2',
|
|
|
+ ]
|
|
|
+ pred_columns = [f'{col}_pred' for col in base_columns]
|
|
|
+ df_result = pd.DataFrame(predictions, columns=pred_columns)
|
|
|
+ df_result.insert(0, 'date', timestamps)
|
|
|
+ df_result.to_csv(self.output_csv_path, index=False)
|
|
|
+ print(f"预测结果保存至：{self.output_csv_path}")
|
|
|
+
|
|
|
+if __name__ == '__main__':
|
|
|
+ """主函数：初始化预测器、加载数据、执行预测并保存结果"""
|
|
|
+ import json # 用于解析JSON结构
|
|
|
+ import os
|
|
|
+ import pandas as pd
|
|
|
+ from datetime import timedelta
|
|
|
+
|
|
|
+ predictor = Predictor()
|
|
|
+
|
|
|
+ # 读取JSON文件作为输入数据
|
|
|
+ json_file_path = 'pp.json' # pp.json文件路径，可根据实际位置修改
|
|
|
+ if not os.path.exists(json_file_path):
|
|
|
+ raise FileNotFoundError(f"未找到文件: {json_file_path}")
|
|
|
+ print(f"读取文件：{json_file_path}")
|
|
|
+
|
|
|
+ # 解析JSON并提取data字段（不使用try，直接判断）
|
|
|
+ with open(json_file_path, 'r', encoding='utf-8') as f:
|
|
|
+ json_data = json.load(f)
|
|
|
+
|
|
|
+ # 检查data字段存在性及格式
|
|
|
+ if 'data' not in json_data:
|
|
|
+ raise ValueError("JSON文件中未找到'data'字段，请检查结构")
|
|
|
+ data_list = json_data['data']
|
|
|
+ if not isinstance(data_list, list) or len(data_list) == 0:
|
|
|
+ raise ValueError("'data'字段必须是非空列表")
|
|
|
+
|
|
|
+ # 转换为DataFrame
|
|
|
+ df = pd.DataFrame(data_list)
|
|
|
+
|
|
|
+ # 检查并处理datetime列
|
|
|
+ if 'datetime' not in df.columns:
|
|
|
+ raise ValueError("数据中未找到'datetime'字段，请检查键名")
|
|
|
+ df = df.rename(columns={'datetime': 'index'})
|
|
|
+
|
|
|
+ # 转换index列为datetime格式
|
|
|
+ df['index'] = pd.to_datetime(df['index']) # 若格式错误会直接抛出异常
|
|
|
+
|
|
|
+ # 执行预测并保存结果
|
|
|
+ predictions = predictor.predict(df)
|
|
|
+ # predictor.save_predictions(predictions)
|
|
|
+
|
|
|
+
|
