Update app.py

app.py

@@ -18,6 +18,8 @@ from joblib import Parallel, delayed
 
 # 忽略所有警告，但这可能不会抑制所有来自底层库的FutureWarning
 warnings.filterwarnings('ignore')
+# 更精确地忽略来自sklearn.utils.deprecation的FutureWarning
+warnings.filterwarnings("ignore", category=FutureWarning, module='sklearn.utils.deprecation')
 
 # --- 在Hugging Face上配置中文字体 ---
 # 确保你已经上传了 SimHei.ttf 字体文件
@@ -90,12 +92,14 @@ def run_analysis(file_obj):
     # 为了演示，我们仍然运行一个简化版的窗口评估
     ts_values = df['Value'].values
     window_sizes = range(100, 181, 20) # 减少评估点，评估100到180天窗口，步长20
+    
+    print(f"开始评估 {len(window_sizes)} 个滑动窗口...")
     # 并行评估不同窗口大小下的模型性能
     results = Parallel(n_jobs=-1)(delayed(evaluate_window)(ws, ts_values) for ws in window_sizes)
     results_df = pd.DataFrame(results)
     # 确定最优窗口大小，如果结果为空则默认为120
     OPTIMAL_WINDOW = int(results_df.loc[results_df['mae'].idxmin()]['window_size']) if not results_df.empty else 120
-    print(f"计算得到的最优滑动窗口为: {OPTIMAL_WINDOW} 天")
+    print(f"所有滑动窗口评估完成。计算得到的最优滑动窗口为: {OPTIMAL_WINDOW} 天")
     
     # ----- 5. 模型预测 -----
     print("----- 5. 模型预测 -----")
@@ -211,6 +215,7 @@ def evaluate_window(window_size, ts_values):
     if window_size >= n: 
         return {'mae': float('inf'), 'rmse': float('inf')}
     
+    print(f"  - 正在评估窗口大小: {window_size} 天...") # 打印当前评估的窗口大小
     # 在滑动窗口上训练auto_arima模型并进行单步预测
     errors = []
     for i in range(n - window_size - 1):