app.py

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from huggingface_hub import hf_hub_download
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.stattools import adfuller
import gradio as gr
import pickle
from datasets import load_dataset

dataset = load_dataset("Haderstafed/DataSetic")
model_path = hf_hub_download(repo_id="Haderstafed/wine", filename="model_sprice.pkl")
model_path = hf_hub_download(repo_id="Haderstafed/wine", filename="model_mprice.pkl")


data = pd.DataFrame(dataset['train'])

# Проверка стационарности ряда с помощью теста Дики-Фуллера
def test_stationarity(timeseries):
    result = adfuller(timeseries)
    print('ADF статистика:', result[0])
    print('p-зачение (простое значение):', result[1])
    if result[1] <= 0.05:
        print("Ряд стационарен")
    else:
        print("Ряд не стационарен")

    # Функция для загрузки моделей из файлов


def load_models():
    with open('model_sprice.pkl', 'rb') as f:
        model_fit_sprice = pickle.load(f)

    with open('model_mprice.pkl', 'rb') as f:
        model_fit_mprice = pickle.load(f)

    return model_fit_sprice, model_fit_mprice


# Прогнозирование
def forecast_prices(data):
    # Загрузка обученных моделей
    model_fit_sprice, model_fit_mprice = load_models()

    # Прогнозирование на 365 дней вперед
    forecast_sprice = model_fit_sprice.forecast(steps=365)
    forecast_mprice = model_fit_mprice.forecast(steps=365)

    # Создание датафрейма
    forecast_dates = pd.date_range(start=data.index[-1] + pd.Timedelta(days=1), periods=365)
    forecast_df = pd.DataFrame({
        'date': forecast_dates,
        'Sprice_forecast': forecast_sprice,
        'Mprice_forecast': forecast_mprice
    })

    forecast_df.set_index('date', inplace=True)

    return forecast_df


# Функция для создания графиков
def plot_forecasts(forecast_df):
    plt.figure(figsize=(14, 6))

    plt.subplot(1, 2, 1)
    plt.plot(data['Sprice'], label='Известные данные')
    plt.plot(forecast_df.index, forecast_df['Sprice_forecast'], label='Прогноз', color='r')
    plt.title('Прогноз начальной стоимости поездки')
    plt.xlabel('Дата/Год')
    plt.ylabel('Цена/руб')
    plt.legend()

    plt.subplot(1, 2, 2)
    plt.plot(data['Mprice'], label='Известные данные')
    plt.plot(forecast_df.index, forecast_df['Mprice_forecast'], label='Прогноз', color='r')
    plt.title('Прогноз поминутной стоимости поездки')
    plt.xlabel('Дата/Год')
    plt.ylabel('Цена/руб')
    plt.legend()

    plt.tight_layout()

    plt.savefig('forecast_plot.png')
    plt.close()


# Расчёт стоимости поездки
def cost(date_str, distance):
    date = pd.to_datetime(date_str, format='%d/%m/%Y')

    forecast_df = forecast_prices(data)

    if date in forecast_df.index:
        sprice = forecast_df.loc[date, 'Sprice_forecast']
        mprice = forecast_df.loc[date, 'Mprice_forecast']

        travel_time_seconds = distance / 3  # берём среднюю скорость поездки в 3 м/с

        total_cost = sprice + (mprice * (travel_time_seconds / 60))
        return f"Итоговая средняя для Ростовской области стоимость поездки: {total_cost:.2f} руб."

    return "Дата не найдена в прогнозе. Максимальная дата прогноза на данный момент 01/07/2025, так же используйте формат 'День/Месяц/Год' "

#Gradio
def gradio_interface(date_str, distance):
    forecast_df = forecast_prices(data)

    plot_forecasts(forecast_df)

    cost_message = cost(date_str, distance)

    return 'forecast_plot.png', cost_message

txt = gr.Textbox(label="Введите дату (dd/mm/yyyy)")
num = gr.Number(label="Введите расстояние (в метрах)")
iface = gr.Interface(fn=gradio_interface,inputs=[txt,num],outputs=["image", "text"],title="Прогноз цен на прокат электросамокатов")
iface.launch()