Update app.py

app.py

@@ -1,7 +1,116 @@
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from statsmodels.tsa.arima.model import ARIMA
+from statsmodels.tsa.stattools import adfuller
 import gradio as gr
+import pickle
 
-def greet(name):
-    return "Hello " + name + "!!"
+# Загрузка данных
+data = pd.read_csv('сетик-3.csv')
+data['date'] = pd.to_datetime(data['date'], format='%d/%m/%Y')
+data.set_index('date', inplace=True)
 
-demo = gr.Interface(fn=greet, inputs="text", outputs="text")
-demo.launch()
+
+# 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()