Update app.py

app.py

@@ -6,6 +6,7 @@ import numpy as np
 from datetime import datetime, timedelta
 from sklearn.metrics import mean_squared_error
 
+
 # Fonction pour récupérer les prix historiques
 def get_crypto_prices(coins, start_time, end_time, interval='m15'):
     prices = {}
@@ -24,9 +25,10 @@ def get_crypto_prices(coins, start_time, end_time, interval='m15'):
                 prices[coin].append([int(end_time.timestamp() * 1000), float(data[-1]['priceUsd'])])
         else:
             st.error(f"Erreur lors de la récupération des prix pour {coin}: {response.status_code}")
-            st.write(response.text)  # Débogage pour afficher l'erreur complète
+            st.write(response.text)  # Debug pour afficher l'erreur complète
     return prices
 
+
 # Fonction pour prédire les tendances basées sur les patterns
 def predict_patterns(data, future_hours=24):
     df = pd.DataFrame(data, columns=["timestamp", "price"])
@@ -40,21 +42,25 @@ def predict_patterns(data, future_hours=24):
     trend = (df["price"].iloc[-1] - df["price"].iloc[0]) / len(df)
     sma = df["price"].rolling(window=10).mean().iloc[-1]
     ema = df["price"].ewm(span=10, adjust=False).mean().iloc[-1]
+    cycle_amplitude = (df["price"].max() - df["price"].min()) / 2
+    mean_price = df["price"].mean()
 
     patterns = {}
 
     patterns["Trend"] = [last_price + i * trend for i in range(1, len(future_timestamps) + 1)]
+    patterns["Reversal"] = [last_price - i * trend for i in range(1, len(future_timestamps) + 1)]
     patterns["SMA"] = [sma] * len(future_timestamps)
     patterns["EMA"] = [ema] * len(future_timestamps)
-    cycle_amplitude = (df["price"].max() - df["price"].min()) / 2
     patterns["Cycle"] = [
         last_price + cycle_amplitude * np.sin(2 * np.pi * i / len(future_timestamps))
         for i in range(len(future_timestamps))
     ]
     patterns["Rebound"] = [last_price + trend * (0.5 ** i) for i in range(len(future_timestamps))]
     patterns["Plateau"] = [last_price] * len(future_timestamps)
-    patterns["Reversal"] = [last_price + i * -trend for i in range(len(future_timestamps))]
-    mean_price = df["price"].mean()
+    patterns["Breakout"] = [
+        last_price + (trend * 2 if i < len(future_timestamps) // 2 else -trend * 2)
+        for i in range(len(future_timestamps))
+    ]
     patterns["Recovery"] = [last_price + (mean_price - last_price) * (i / len(future_timestamps)) for i in range(len(future_timestamps))]
     patterns["Acceleration"] = [last_price + (trend * 1.5) * i for i in range(len(future_timestamps))]
 
@@ -64,6 +70,7 @@ def predict_patterns(data, future_hours=24):
     }
     return pattern_dfs
 
+
 # Fonction pour identifier le pattern le plus ressemblant
 def identify_best_pattern(df, patterns):
     mse_scores = {}
@@ -71,12 +78,15 @@ def identify_best_pattern(df, patterns):
 
     for pattern_name, pattern_df in patterns.items():
         predicted_values = np.array(pattern_df["price"].values[:len(actual_values)])
-        mse = mean_squared_error(actual_values, predicted_values)
+        min_length = min(len(actual_values), len(predicted_values))
+        mse = mean_squared_error(actual_values[:min_length], predicted_values[:min_length])
         mse_scores[pattern_name] = mse
 
-    best_pattern = min(mse_scores, key=mse_scores.get)  # Pattern avec le MSE le plus faible
+    # Sélection du pattern avec la MSE la plus faible
+    best_pattern = min(mse_scores, key=mse_scores.get)
     return best_pattern
 
+
 # Configuration des dates
 end_time = datetime.now()
 start_time = end_time - timedelta(hours=48)
@@ -84,7 +94,7 @@ start_time = end_time - timedelta(hours=48)
 # Liste des cryptos avec leurs IDs corrects sur CoinCap
 coins = {
     "Bitcoin": "bitcoin",
-    "Ripple": "xrp",  # Correct ID pour Ripple
+    "Ripple": "xrp",
     "Ethereum": "ethereum",
     "Tether": "tether",
     "Stellar": "stellar"
@@ -94,7 +104,7 @@ coins = {
 crypto_prices = get_crypto_prices(coins, start_time, end_time)
 
 # Affichage des graphiques
-st.title("Analyse et Prédictions des Cryptos")
+st.title("Analyse et Prédictions des Cryptos avec Patterns")
 for coin, price_data in crypto_prices.items():
     if price_data:
         df = pd.DataFrame(price_data, columns=["timestamp", "price"])