Update app.py

app.py

@@ -58,43 +58,39 @@ 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):
+    for i in range(len(df) - future_hours):  # Exclure la dernière période pour éviter la correspondance avec elle-même
         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 = list(initial_prediction)
+    green_prediction = []
 
-    # Générer la prédiction dynamique en fonction de la tendance et des variations cycliques
-    for i in range(1, future_hours):
-        last_price = df["price"].iloc[-1]
-        
-        # Calcul de la tendance EMA et de l'amplitude du cycle
-        ema = df["price"].ewm(span=10, adjust=False).mean().iloc[-1]
-        cycle_amplitude = (df["price"].max() - df["price"].min()) / 2
-        cycle_pred = cycle_amplitude * np.sin(2 * np.pi * i / future_hours)
-        
-        # Calcul de la prédiction avec tendance et variation cyclique
-        next_prediction = ema + cycle_pred
-        green_prediction.append(next_prediction)
-        
-        # Ajout de la nouvelle prédiction dans le DataFrame
-        # Utilisation de iloc[-1] pour récupérer le dernier timestamp comme une valeur datetime
-        future_timestamp = df.index[-1] + pd.Timedelta(hours=1)  # Correction avec pd.Timedelta
-        new_row = pd.DataFrame([[future_timestamp, next_prediction]], columns=['timestamp', 'price'])
-        
-        # On met à jour le DataFrame en ajoutant une nouvelle ligne avec la prédiction dynamique
-        df = pd.concat([df, new_row], ignore_index=False)
+    # Première prédiction
+    green_prediction.extend(initial_prediction)
+
+    # 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)
+
+    # Création des timestamps de prévision pour la courbe verte
+    future_timestamps = pd.date_range(start=df.index[-1], periods=len(green_prediction) + 1, freq='H')[1:]
     
-    # Mise à jour des timestamps futurs
-    future_timestamps = df.index[-future_hours:]
     return green_prediction, future_timestamps
 
 # Configuration des dates
@@ -119,7 +115,6 @@ for coin, price_data in crypto_prices.items():
     if price_data:
         df = pd.DataFrame(price_data, columns=["timestamp", "price"])
         df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")
-        df.set_index("timestamp", inplace=True)
 
         # Générer les prédictions initiales (jaune)
         predictions, future_timestamps = predict_patterns(price_data, future_hours=24)
@@ -128,18 +123,18 @@ for coin, price_data in crypto_prices.items():
         initial_prediction = predictions["Trend"]
 
         # Générer la prédiction dynamique (verte)
-        green_prediction, future_timestamps = generate_dynamic_prediction(df, initial_prediction, future_hours=24)
+        green_prediction, green_future_timestamps = generate_dynamic_prediction(df, initial_prediction, future_hours=24)
 
         # Affichage des résultats
         st.write(f"#### {coin} - Prix et Prédictions")
         fig, ax = plt.subplots(figsize=(12, 6))
-        ax.plot(df.index, df["price"], label="Prix réel", color="blue")
+        ax.plot(df["timestamp"], df["price"], label="Prix réel", color="blue")
 
         # Courbe de prédiction initiale (jaune)
         ax.plot(future_timestamps, initial_prediction, label="Prédiction initiale (jaune)", linestyle="--", color="yellow")
 
         # Courbe de prédiction dynamique (verte)
-        ax.plot(future_timestamps, green_prediction, label="Prédiction dynamique (verte)", linestyle="--", color="green")
+        ax.plot(green_future_timestamps, green_prediction, label="Prédiction dynamique (verte)", linestyle="--", color="green")
 
         ax.set_title(f"{coin} - Prix (7 derniers jours + 24h prévus)")
         ax.set_xlabel("Date")