Upload 3 files

.gitattributes

@@ -34,3 +34,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
 stock_lstm_model_v2.keras filter=lfs diff=lfs merge=lfs -text
+9CE6ABB0E688BCE5A5B3E69920220912-20250909.xlsx filter=lfs diff=lfs merge=lfs -text

9CE6ABB0E688BCE5A5B3E69920220912-20250909.xlsx

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:89dd2c60285fa57c04c55a4397207553f73e00ee75d72ee9e91fbad39247c7e8
+size 121399

predictor_logic.py

@@ -0,0 +1,65 @@
+import pandas as pd
+import xgboost as xgb
+import os
+
+# 定義一個類別來封裝模型載入和預測邏輯
+class StockPredictor:
+    """
+    這個類別負責載入模型和資料，並提供預測方法。
+    """
+    def __init__(self, model_path="xgboost_model.json", data_path="期末專案輸入資料20220912-20250909.xlsx"):
+        """
+        初始化預測器物件，載入模型和資料集。
+        可接受無引數，自動帶入預設路徑檔名。
+        """
+        if not os.path.exists(model_path):
+            raise FileNotFoundError(f"找不到模型檔案: {model_path}")
+        if not os.path.exists(data_path):
+            raise FileNotFoundError(f"找不到資料檔案: {data_path}")
+
+        self.model = xgb.XGBRegressor()
+        self.model.load_model(model_path)
+        self.historical_df = pd.read_excel(data_path)
+
+        # 確保 '日期' 欄位是 datetime 格式
+        self.historical_df['日期'] = pd.to_datetime(self.historical_df['日期'], format='%Y%m%d')
+
+        # 確保欄位名稱正確
+        self.historical_df.rename(columns={
+            '加權指\n數開盤': 'Open',
+            '加權指\n數最高': 'High',
+            '加權指\n數最低': 'Low',
+            '加權指\n數收盤': 'Close',
+            '加權指數\n成交量': 'Volume'
+        }, inplace=True)
+
+    def predict(self, date_str):
+        """
+        輸入一個日期字串，自動抓取前一筆資料進行預測。
+        返回預測結果。
+        """
+        # 將輸入日期轉換為 datetime 物件
+        pred_date = pd.to_datetime(date_str)
+        
+        # 尋找使用者輸入日期在資料集中的位置
+        current_row_index = self.historical_df[self.historical_df['日期'] == pred_date].index
+        
+        if current_row_index.empty:
+            raise ValueError("找不到您輸入日期所對應的資料。")
+
+        # 取得前一筆資料的索引
+        prev_data_index = current_row_index[0] - 1
+
+        if prev_data_index < 0:
+            raise ValueError("資料集沒有前一筆資料可以進行預測。")
+
+        # 抓取前一筆資料
+        selected_row = self.historical_df.iloc[[prev_data_index]]
+        
+        # 準備模型輸入
+        input_data = selected_row[['Open', 'High', 'Low', 'Volume']].values
+        
+        # 進行預測，模型需要二維陣列的輸入
+        predicted_price = self.model.predict(input_data.reshape(1, -1))[0]
+        
+        return predicted_price