Spaces:
Sleeping
Sleeping
File size: 3,461 Bytes
0640b0e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 |
import pandas as pd
import torch
import numpy as np
from modules.config import SEQ_LEN
from datetime import datetime, timedelta
def create_sequences(data, seq_len):
xs = []
for i in range(seq_len, len(data)):
x = data[i - seq_len:i]
xs.append(x)
return np.array(xs)
def infer_aqi(df, location_id, datetime_str, scaler_list, model_point):
df_loc = df[(df["ID Vị Trí"] == location_id)].copy()
# Chuyển đổi thời gian
df_loc["Datetime"] = pd.to_datetime(df_loc["Datetime"], format="%H:%M %d/%m/%Y", errors='coerce')
# Lọc theo thời gian <= thời điểm được chọn (lấy dữ liệu trước thời điểm này)
try:
target_time = pd.to_datetime(datetime_str, format="%H:%M %d/%m/%Y")
except Exception as e:
print(f"❌ Định dạng thời gian sai. Định dạng đúng: HH:MM dd/mm/yyyy\nChi tiết: {e}")
return 0.0
df_loc = df_loc[df_loc["Datetime"] <= target_time]
df_loc = df_loc.sort_values("Datetime")
if len(df_loc) < SEQ_LEN:
print("❌ Không đủ dữ liệu trước thời điểm này để dự đoán")
return 0.0
# Xử lý dữ liệu tương tự khi train
df_loc["AQI_PM2.5"] = df_loc["AQI_PM2.5"].astype(str).str.replace(",", ".")
df_loc["AQI_PM2.5"] = pd.to_numeric(df_loc["AQI_PM2.5"], errors="coerce")
data_input = df_loc[["AQI_PM2.5", "Vĩ độ", "Kinh độ"]].values
scaler = scaler_list[location_id]
data_scaled = scaler.transform(data_input)
# Tạo chuỗi đầu vào
seq_input = create_sequences(data_scaled, SEQ_LEN)
input_tensor = torch.FloatTensor(seq_input[-1:]) # lấy chuỗi gần nhất
model = model_point[location_id]
model.eval()
with torch.no_grad():
pred_scaled = model(input_tensor).numpy().squeeze()
# Đảo chuẩn hóa
pred_extended = np.zeros((1, 3))
pred_extended[:, 0] = pred_scaled
pred_original = scaler.inverse_transform(pred_extended)[0, 0]
return pred_original
def infer_and_append_aqi(df, location_id, datetime_str, scaler_list, model_point):
# Bước 1: Thực hiện dự đoán như cũ
pred_list = []
for location_id in range(0, len(scaler_list)):
pred_original = infer_aqi(df, location_id, datetime_str, scaler_list, model_point)
# Bước 2: Tạo bản ghi mới từ kết quả dự đoán
original_time = datetime.strptime(datetime_str, "%H:%M %d/%m/%Y")
one_hour_later = original_time + timedelta(hours=1)
formatted_time = one_hour_later.strftime("%H:%M %d/%m/%Y")
new_record = {
"ID Vị Trí": location_id,
"Datetime": formatted_time,
"AQI_PM2.5": pred_original,
"Tên": df[df["ID Vị Trí"] == location_id]["Tên"].iloc[0],
"Vĩ độ": df[df["ID Vị Trí"] == location_id]["Vĩ độ"].iloc[0],
"Kinh độ": df[df["ID Vị Trí"] == location_id]["Kinh độ"].iloc[0],
"is_predicted": True # Đánh dấu là dữ liệu dự đoán
}
# Bước 3: Thêm vào DataFrame
# Sử dụng biến toàn cục hoặc truyền df vào theo cách khác
df = pd.concat([df, pd.DataFrame([new_record])], ignore_index=True)
pred_list.append(pred_original)
return pred_list, df.copy() |