requirements.txt

streamlit==1.32.2
numpy==1.26.4
tensorflow==2.16.1
pandas==2.2.1
plotly==5.18.0
scikit-learn==1.4.0

app.py

@@ -0,0 +1,117 @@
+import streamlit as st
+import numpy as np
+import pandas as pd
+import tensorflow as tf
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import LSTM, Dense, Dropout
+from sklearn.preprocessing import MinMaxScaler
+import plotly.graph_objs as go
+
+# إعدادات الصفحة
+st.set_page_config(
+    page_title="Aviator AI",
+    layout="wide",
+    initial_sidebar_state="collapsed"
+)
+
+# إعدادات النموذج
+WINDOW_SIZE = 3
+EPOCHS = 50
+BATCH_SIZE = 2
+
+# إعداد حالة الجلسة
+if "values" not in st.session_state:
+    st.session_state.values = []
+if "model" not in st.session_state:
+    st.session_state.model = None
+if "scaler" not in st.session_state:
+    st.session_state.scaler = MinMaxScaler(feature_range=(0, 1))
+
+# وظائف التحكم
+def prepare_data(data):
+    scaled_data = st.session_state.scaler.fit_transform(np.array(data).reshape(-1,1))
+    X, y = [], []
+    for i in range(len(scaled_data)-WINDOW_SIZE):
+        X.append(scaled_data[i:i+WINDOW_SIZE, 0])
+        y.append(scaled_data[i+WINDOW_SIZE, 0])
+    return np.array(X), np.array(y)
+
+def build_model():
+    model = Sequential([
+        LSTM(64, activation='relu', input_shape=(WINDOW_SIZE, 1)),
+        Dropout(0.2),
+        Dense(32, activation='relu'),
+        Dense(1)
+    ])
+    model.compile(
+        optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
+        loss='mse'
+    )
+    return model
+
+# واجهة المستخدم
+st.title("تنبؤات Aviator AI")
+st.markdown("أدخل القيم ثم اضغط على زر الإضافة")
+
+col1, col2 = st.columns([3, 1])
+with col1:
+    new_value = st.number_input("القيمة الجديدة:", format="%.2f", key="input")
+
+with col2:
+    if st.button("اضف"):
+        st.session_state.values.append(new_value)
+        st.rerun()
+    if st.button("مسح"):
+        st.session_state.values = []
+        st.session_state.model = None
+        st.rerun()
+
+# عرض البيانات
+if len(st.session_state.values) > 0:
+    st.subheader("الرسم البياني")
+    df = pd.DataFrame(st.session_state.values, columns=['القيم'])
+    fig = go.Figure()
+    fig.add_trace(go.Scatter(
+        x=df.index,
+        y=df['القيم'],
+        mode='lines+markers',
+        name='البيانات الفعلية',
+        line=dict(color='blue')
+    )
+    st.plotly_chart(fig, use_container_width=True)
+
+# التدريب والتنبؤ
+if len(st.session_state.values) >= WINDOW_SIZE + 1:
+    try:
+        X, y = prepare_data(st.session_state.values)
+        X = X.reshape((X.shape[0], X.shape[1], 1))
+        
+        if st.session_state.model is None:
+            st.session_state.model = build_model()
+            
+        history = st.session_state.model.fit(
+            X, y,
+            epochs=EPOCHS,
+            batch_size=BATCH_SIZE,
+            verbose=0
+        )
+        
+        last_sequence = st.session_state.scaler.transform(
+            np.array(st.session_state.values[-WINDOW_SIZE:]).reshape(-1,1)
+        ).reshape(1, WINDOW_SIZE, 1)
+        
+        predicted_scaled = st.session_state.model.predict(last_sequence, verbose=0)
+        prediction = st.session_state.scaler.inverse_transform(predicted_scaled)[0][0]
+        
+        st.success(f"التنبؤ القادم: {prediction:.2f}x")
+        st.markdown(f"آخر 3 قيم: {st.session_state.values[-3:]}")
+        
+    except Exception as e:
+        st.error(f"حدث خطأ: {str(e)}")
+
+elif len(st.session_state.values) > 0:
+    needed = WINDOW_SIZE + 1 - len(st.session_state.values)
+    st.warning(f"أدخل {needed} قيم أخرى لبدء التنبؤات")
+
+st.markdown("---")
+st.caption("الإصدار 3.0 | تم التطوير بواسطة الذكاء الصناعي")