Update app.py

app.py

@@ -58,38 +58,25 @@ def predict_patterns(data, future_hours=24):
 
 # Fonction pour rechercher un pattern similaire
 def find_similar_pattern(df, prediction, future_hours=24):
-    # Calculer la similarité entre la courbe prédite et les patterns passés
     mse_scores = {}
-    for i in range(len(df) - future_hours):  # Exclure la dernière période pour éviter la correspondance avec elle-même
+    for i in range(len(df) - future_hours):
         past_pattern = df["price"].iloc[i:i + future_hours].values
         mse = mean_squared_error(past_pattern, prediction[:len(past_pattern)])
         mse_scores[i] = mse
 
-    # Trouver l'indice du pattern le plus similaire
     best_match_index = min(mse_scores, key=mse_scores.get)
     similar_pattern = df["price"].iloc[best_match_index:best_match_index + future_hours].values
     return similar_pattern
 
 # Fonction pour générer une prédiction dynamique (Courbe verte)
 def generate_dynamic_prediction(df, initial_prediction, future_hours=24):
-    green_prediction = initial_prediction  # Commencer avec la prédiction initiale
+    # Prendre la prédiction initiale comme base
+    green_prediction = initial_prediction
 
-    # S'assurer que l'index est bien de type datetime
-    last_timestamp = pd.to_datetime(df.index[-1])  # Convertir explicitement l'index en datetime
-    future_timestamps = [last_timestamp + timedelta(hours=i) for i in range(1, future_hours + 1)]
-    
-    # Boucle pour ajuster la prédiction à chaque étape
-    for i in range(future_hours // 5):  # Prédiction par segments de 5 heures
-        start_idx = i * 5
-        end_idx = (i + 1) * 5
-
-        # Prendre les 5 dernières valeurs et chercher un pattern similaire
-        similar_pattern = find_similar_pattern(df, green_prediction[start_idx:end_idx], future_hours=5)
-
-        # Ajouter le pattern similaire à la prédiction
-        green_prediction.extend(similar_pattern)
+    # Assurer que la longueur des deux correspondantes
+    future_timestamps = pd.date_range(df.index[-1], periods=future_hours+1, freq='H')[1:]
 
-    # Réduire green_prediction pour qu'elle ait la même longueur que future_timestamps
+    # Si la longueur des prédictions dépasse la taille de future_timestamps, ajuster
     green_prediction = green_prediction[:len(future_timestamps)]
 
     return green_prediction, future_timestamps