Update app.py

app.py

@@ -71,15 +71,26 @@ def find_similar_pattern(df, prediction, future_hours=24):
 # Fonction pour générer une prédiction dynamique (Courbe verte)
 def generate_dynamic_prediction(df, initial_prediction, future_hours=24):
     # Prendre la prédiction initiale comme base
-    green_prediction = initial_prediction
-
-    # Assurer que la longueur des deux correspondantes
-    future_timestamps = pd.date_range(df.index[-1], periods=future_hours+1, freq='H')[1:]
-
-    # Si la longueur des prédictions dépasse la taille de future_timestamps, ajuster
-    green_prediction = green_prediction[:len(future_timestamps)]
-
-    return green_prediction, future_timestamps
+    green_prediction = list(initial_prediction)
+    
+    # Appliquer une mise à jour dynamique à la prédiction en utilisant des patterns passés
+    for i in range(future_hours):
+        last_price = df["price"].iloc[-1]
+        
+        # Utilisation de la tendance de l'EMA (moyenne mobile exponentielle)
+        ema = df["price"].ewm(span=10, adjust=False).mean().iloc[-1]
+        
+        # Ajout de la variation d'amplitude de cycle à la prédiction
+        cycle_amplitude = (df["price"].max() - df["price"].min()) / 2
+        cycle_pred = cycle_amplitude * np.sin(2 * np.pi * i / future_hours)
+        
+        # Calcul du prochain prix comme étant la somme de la tendance EMA et de la variation cyclique
+        green_prediction.append(ema + cycle_pred)
+        
+        # Mettre à jour le DataFrame avec la nouvelle valeur pour la prochaine itération
+        df = df.append(pd.DataFrame([[df.index[-1] + timedelta(hours=i), green_prediction[-1]]], columns=['timestamp', 'price']))
+    
+    return green_prediction, df.index[-future_hours:]
 
 # Configuration des dates
 end_time = datetime.now()