Update ml_engine/titan_engine.py

ml_engine/titan_engine.py

@@ -1,5 +1,5 @@
 # ml_engine/titan_engine.py
-# (V1.1 - Titan Inference Engine - Robust Fix)
+# (V1.2 - Titan Inference Engine - Infinity Safety Patch)
 
 import os
 import joblib
@@ -115,15 +115,15 @@ class TitanEngine:
                      df['Trend_Strong'] = 0
 
         except Exception as e:
-            print(f"⚠️ [Titan Warning] Error calculating indicators for {tf}: {e}")
+            # print(f"⚠️ [Titan Warning] Error calculating indicators for {tf}: {e}")
             # في حال حدوث خطأ، نترك الأعمدة كما هي (ستكون NaN إذا لم يتم إنشاؤها)
+            pass
 
         return df.reset_index(drop=True)
 
     def predict(self, ohlcv_data: dict) -> dict:
         """
-        استقبال البيانات الخام (Dictionary of DataFrames/Lists)،
-        تجهيزها، ثم استدعاء النموذج للتنبؤ.
+        استقبال البيانات الخام، تجهيزها، ثم استدعاء النموذج للتنبؤ.
         """
         if not self.initialized or not self.model:
             return {'score': 0.0, 'error': 'Titan not initialized'}
@@ -141,47 +141,48 @@ class TitanEngine:
                 
                 if df.empty: continue
 
-                # تطبيق المؤشرات حسب الإطار (النسخة المحصنة)
+                # تطبيق المؤشرات حسب الإطار
                 df = self.apply_inverted_pyramid(df, tf)
                 processed_tfs[tf] = df
 
-            # 2. الدمج (Alignment) للحصول على آخر لقطة (Latest Snapshot)
+            # 2. الدمج (Alignment)
             if '5m' not in processed_tfs or processed_tfs['5m'].empty:
                 return {'score': 0.0, 'error': 'Missing 5m base timeframe'}
 
-            # نأخذ آخر صف فقط من الـ 5m كأساس
             latest_5m = processed_tfs['5m'].iloc[-1:].copy()
             latest_ts = latest_5m['timestamp'].iloc[0]
             
             base_row = latest_5m.add_prefix('5m_').rename(columns={'5m_timestamp': 'timestamp'})
 
-            # دمج باقي الأطر (نأخذ آخر شمعة أغلقت قبل أو مع شمعة الـ 5m الحالية)
+            # دمج باقي الأطر
             for tf, df in processed_tfs.items():
                 if tf == '5m' or df.empty: continue
-                # العثور على الشمعة المناسبة زمنياً
                 relevant_row = df[df['timestamp'] <= latest_ts].iloc[-1:].copy()
                 if relevant_row.empty: continue
                 
-                # تجهيز الأعمدة للدمج
                 cols = [c for c in relevant_row.columns if c not in ['timestamp','open','high','low','close','volume']]
                 for col in cols:
                     base_row[f"{tf}_{col}"] = relevant_row[col].values[0]
 
-            # 3. تجهيز شعاع الإدخال (Feature Vector)
-            # التأكد من وجود كل الميزات المطلوبة بالترتيب الصحيح
+            # 3. تجهيز شعاع الإدخال (Feature Vector) مع التنظيف
             input_data = []
             for feat in self.feature_names:
                 val = base_row.get(feat, np.nan)
-                # إذا كانت القيمة مصفوفة أو سلسلة بانداز، نأخذ القيمة الأولى
+                
                 if isinstance(val, (pd.Series, np.ndarray)):
                     val = val.iloc[0] if len(val) > 0 else np.nan
+                
+                # 🛡️ [CRITICAL FIX] تنظيف القيم اللانهائية (Inf)
+                # XGBoost ينهار إذا وجد inf، لذلك نحولها إلى nan
+                if np.isinf(val):
+                    val = np.nan
+                
                 input_data.append(val)
 
             # 4. التنبؤ
-            # تحويل إلى DMatrix (تنسيق XGBoost السريع)
-            # نستخدم np.nan القيم المفقودة ليقوم XGBoost بمعالجتها تلقائياً
+            # تحويل إلى DMatrix
             dtest = xgb.DMatrix([input_data], feature_names=self.feature_names, missing=np.nan)
-            prediction = self.model.predict(dtest)[0] # إرجاع الاحتمالية الأولى
+            prediction = self.model.predict(dtest)[0] 
 
             return {
                 'score': float(prediction),
@@ -190,6 +191,6 @@ class TitanEngine:
             }
 
         except Exception as e:
-            # print(f"⚠️ [Titan Error] {e}")
-            traceback.print_exc()
+            # print(f"❌ [Titan Error] {e}")
+            # traceback.print_exc()
             return {'score': 0.0, 'error': str(e)}