File size: 19,896 Bytes
82676b8 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 |
"""
خدمة التنبؤ بالأسعار
"""
import pandas as pd
import numpy as np
import joblib
import os
from datetime import datetime, timedelta
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
import config
class PricePrediction:
"""خدمة التنبؤ بالأسعار باستخدام التعلم الآلي"""
def __init__(self):
"""تهيئة خدمة التنبؤ بالأسعار"""
self.model_path = config.PRICE_PREDICTION_MODEL
self.model = self._load_model()
self.scaler = None
self.materials_data = self._load_materials_data()
self.market_indices = self._load_market_indices()
def _load_model(self):
"""تحميل نموذج التنبؤ المدرب مسبقاً"""
try:
if os.path.exists(self.model_path):
model = joblib.load(self.model_path)
return model
else:
# إذا لم يكن النموذج موجوداً، قم بإنشاء نموذج جديد
model = RandomForestRegressor(
n_estimators=100,
max_depth=15,
min_samples_split=5,
min_samples_leaf=2,
random_state=42
)
return model
except Exception as e:
print(f"خطأ في تحميل نموذج التنبؤ: {str(e)}")
return RandomForestRegressor(random_state=42)
def _load_materials_data(self):
"""تحميل بيانات المواد وأسعارها التاريخية"""
# محاكاة تحميل البيانات من مصدر بيانات
materials_data = {
'خرسانة': {
'تاريخ': [datetime(2025, 1, 1) - timedelta(days=30*i) for i in range(12)],
'سعر': [750, 740, 735, 730, 720, 715, 710, 700, 695, 690, 685, 680],
'وحدة': 'م3'
},
'حديد تسليح': {
'تاريخ': [datetime(2025, 1, 1) - timedelta(days=30*i) for i in range(12)],
'سعر': [5500, 5450, 5400, 5350, 5300, 5250, 5200, 5150, 5100, 5050, 5000, 4950],
'وحدة': 'طن'
},
'إسمنت': {
'تاريخ': [datetime(2025, 1, 1) - timedelta(days=30*i) for i in range(12)],
'سعر': [25, 25, 24.5, 24.5, 24, 24, 23.5, 23.5, 23, 23, 22.5, 22.5],
'وحدة': 'كيس'
},
'رمل': {
'تاريخ': [datetime(2025, 1, 1) - timedelta(days=30*i) for i in range(12)],
'سعر': [140, 140, 135, 135, 130, 130, 125, 125, 120, 120, 115, 115],
'وحدة': 'م3'
},
'بلوك خرساني': {
'تاريخ': [datetime(2025, 1, 1) - timedelta(days=30*i) for i in range(12)],
'سعر': [11, 11, 10.5, 10.5, 10, 10, 9.5, 9.5, 9, 9, 8.5, 8.5],
'وحدة': 'قطعة'
}
}
return materials_data
def _load_market_indices(self):
"""تحميل مؤشرات السوق المؤثرة على الأسعار"""
# محاكاة تحميل البيانات من مصدر بيانات
market_indices = {
'تاريخ': [datetime(2025, 1, 1) - timedelta(days=30*i) for i in range(12)],
'مؤشر_البناء': [105, 104, 103, 102, 101, 100, 99, 98, 97, 96, 95, 94],
'مؤشر_النفط': [80, 79, 78, 77, 76, 75, 74, 73, 72, 71, 70, 69],
'مؤشر_سعر_الصرف': [3.75, 3.75, 3.75, 3.75, 3.75, 3.75, 3.75, 3.75, 3.75, 3.75, 3.75, 3.75],
'مؤشر_التضخم': [2.5, 2.4, 2.3, 2.2, 2.1, 2.0, 1.9, 1.8, 1.7, 1.6, 1.5, 1.4]
}
return market_indices
def train(self, training_data=None):
"""
تدريب نموذج التنبؤ بالأسعار
المعلمات:
training_data: بيانات التدريب (اختياري)، إذا لم يتم توفيرها سيتم استخدام البيانات المتاحة
إرجاع:
مؤشرات أداء النموذج
"""
# تجهيز بيانات التدريب
if training_data is None:
# استخدام البيانات المتاحة لتوليد مجموعة تدريب
X, y = self._prepare_training_data()
else:
X, y = self._extract_features_target(training_data)
# تقسيم البيانات إلى تدريب واختبار
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
# تطبيع البيانات
self.scaler = StandardScaler()
X_train_scaled = self.scaler.fit_transform(X_train)
X_test_scaled = self.scaler.transform(X_test)
# تدريب النموذج
self.model.fit(X_train_scaled, y_train)
# تقييم النموذج
y_pred = self.model.predict(X_test_scaled)
# حساب مؤشرات الأداء
mae = mean_absolute_error(y_test, y_pred)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
r2 = r2_score(y_test, y_pred)
# حفظ النموذج
try:
joblib.dump(self.model, self.model_path)
joblib.dump(self.scaler, os.path.join(os.path.dirname(self.model_path), 'price_scaler.pkl'))
except Exception as e:
print(f"خطأ في حفظ النموذج: {str(e)}")
return {
'mae': mae,
'rmse': rmse,
'r2': r2
}
def _prepare_training_data(self):
"""تجهيز بيانات التدريب من البيانات المتاحة"""
# توليد بيانات تدريب افتراضية
data = []
target = []
# استخدام بيانات المواد وأسعارها التاريخية
for material_name, material_info in self.materials_data.items():
for i in range(len(material_info['تاريخ'])):
# استخراج المؤشرات في التاريخ المقابل
date_index = self.market_indices['تاريخ'].index(material_info['تاريخ'][i]) if material_info['تاريخ'][i] in self.market_indices['تاريخ'] else 0
# تكوين ميزات التدريب (المؤشرات السوقية والشهر)
features = [
material_info['تاريخ'][i].month, # الشهر
self.market_indices['مؤشر_البناء'][date_index],
self.market_indices['مؤشر_النفط'][date_index],
self.market_indices['مؤشر_سعر_الصرف'][date_index],
self.market_indices['مؤشر_التضخم'][date_index]
]
# إضافة معرّف للمادة (تمثيل رقمي)
material_id = list(self.materials_data.keys()).index(material_name)
features.append(material_id)
data.append(features)
target.append(material_info['سعر'][i])
# إضافة ضوضاء عشوائية لزيادة حجم البيانات
for _ in range(5):
noisy_features = features.copy()
for j in range(1, 5): # إضافة ضوضاء للمؤشرات فقط
noisy_features[j] += np.random.normal(0, 0.5)
noisy_price = material_info['سعر'][i] * (1 + np.random.normal(0, 0.02)) # ضوضاء 2%
data.append(noisy_features)
target.append(noisy_price)
return np.array(data), np.array(target)
def _extract_features_target(self, training_data):
"""استخراج الميزات والأهداف من بيانات التدريب"""
# استخراج الميزات والأهداف من البيانات المقدمة
features = []
target = []
for item in training_data:
features.append([
item['date'].month, # الشهر
item['building_index'],
item['oil_index'],
item['exchange_rate'],
item['inflation_rate'],
item['material_id']
])
target.append(item['price'])
return np.array(features), np.array(target)
def predict_prices(self, materials, prediction_date=None, market_conditions=None):
"""
التنبؤ بأسعار المواد
المعلمات:
materials: قائمة المواد المطلوب التنبؤ بأسعارها
prediction_date: تاريخ التنبؤ (اختياري)، إذا لم يتم توفيره سيتم استخدام التاريخ الحالي
market_conditions: ظروف السوق (اختياري)، إذا لم يتم توفيرها سيتم استخدام آخر قيم متاحة
إرجاع:
قاموس بأسعار المواد المتنبأ بها
"""
if prediction_date is None:
prediction_date = datetime.now()
if market_conditions is None:
# استخدام آخر قيم متاحة للمؤشرات
market_conditions = {
'مؤشر_البناء': self.market_indices['مؤشر_البناء'][0],
'مؤشر_النفط': self.market_indices['مؤشر_النفط'][0],
'مؤشر_سعر_الصرف': self.market_indices['مؤشر_سعر_الصرف'][0],
'مؤشر_التضخم': self.market_indices['مؤشر_التضخم'][0]
}
# التحقق من وجود المواد في البيانات
material_names = list(self.materials_data.keys())
valid_materials = [m for m in materials if m in material_names]
if not valid_materials:
return {}
# تحميل المعايير إذا كانت متوفرة
scaler_path = os.path.join(os.path.dirname(self.model_path), 'price_scaler.pkl')
if self.scaler is None and os.path.exists(scaler_path):
try:
self.scaler = joblib.load(scaler_path)
except Exception as e:
print(f"خطأ في تحميل المعايير: {str(e)}")
# إنشاء معايير جديدة
X, _ = self._prepare_training_data()
self.scaler = StandardScaler()
self.scaler.fit(X)
# إعداد ميزات التنبؤ
features = []
for material in valid_materials:
material_id = material_names.index(material)
material_features = [
prediction_date.month, # الشهر
market_conditions['مؤشر_البناء'],
market_conditions['مؤشر_النفط'],
market_conditions['مؤشر_سعر_الصرف'],
market_conditions['مؤشر_التضخم'],
material_id
]
features.append(material_features)
# تطبيع الميزات
if self.scaler is not None:
features_scaled = self.scaler.transform(features)
else:
features_scaled = features
# التنبؤ بالأسعار
predicted_prices = self.model.predict(features_scaled)
# إرجاع النتائج
results = {}
for i, material in enumerate(valid_materials):
# تطبيق عامل تصحيح (2% عشوائية)
correction_factor = 1.0 + np.random.uniform(-0.02, 0.02)
price = max(0, predicted_prices[i] * correction_factor)
results[material] = {
'سعر': price,
'وحدة': self.materials_data[material]['وحدة'],
'تاريخ_التنبؤ': prediction_date.strftime('%Y-%m-%d'),
'هامش_الخطأ': '±5%' # تقدير هامش الخطأ
}
return results
def get_price_trends(self, material, periods=6):
"""
الحصول على اتجاهات الأسعار المستقبلية
المعلمات:
material: المادة المطلوب التنبؤ باتجاهات أسعارها
periods: عدد الفترات المستقبلية (الشهور)
إرجاع:
قائمة بالأسعار المتوقعة للفترات المستقبلية
"""
if material not in self.materials_data:
return []
# الحصول على التاريخ الحالي
current_date = datetime.now()
# التنبؤ بالأسعار للفترات المستقبلية
price_trends = []
for i in range(periods):
prediction_date = current_date + timedelta(days=30 * (i + 1))
# افتراض تغيرات طفيفة في المؤشرات مع مرور الوقت
market_conditions = {
'مؤشر_البناء': self.market_indices['مؤشر_البناء'][0] * (1 + 0.01 * i), # زيادة 1% شهرياً
'مؤشر_النفط': self.market_indices['مؤشر_النفط'][0] * (1 + 0.005 * i), # زيادة 0.5% شهرياً
'مؤشر_سعر_الصرف': self.market_indices['مؤشر_سعر_الصرف'][0], # ثابت
'مؤشر_التضخم': self.market_indices['مؤشر_التضخم'][0] * (1 + 0.01 * i) # زيادة 1% شهرياً
}
# التنبؤ بالسعر
predicted_price = self.predict_prices([material], prediction_date, market_conditions)
price_trends.append({
'تاريخ': prediction_date.strftime('%Y-%m'),
'سعر': predicted_price[material]['سعر'] if material in predicted_price else 0
})
return price_trends
def analyze_factors(self, material):
"""
تحليل العوامل المؤثرة على سعر المادة
المعلمات:
material: المادة المطلوب تحليلها
إرجاع:
قاموس بالعوامل المؤثرة وأهميتها النسبية
"""
if material not in self.materials_data or not hasattr(self.model, 'feature_importances_'):
return {}
# الحصول على أهمية الميزات من النموذج
feature_importances = self.model.feature_importances_
# أسماء الميزات
feature_names = ['الشهر', 'مؤشر البناء', 'مؤشر النفط', 'سعر الصرف', 'معدل التضخم', 'نوع المادة']
# ترتيب الميزات حسب الأهمية
importance_pairs = [(name, importance) for name, importance in zip(feature_names, feature_importances)]
importance_pairs.sort(key=lambda x: x[1], reverse=True)
# إرجاع العوامل المؤثرة وأهميتها
factors = {}
for name, importance in importance_pairs:
factors[name] = round(importance * 100, 2) # تحويل إلى نسبة مئوية
return {
'العوامل_المؤثرة': factors,
'المادة': material,
'وحدة': self.materials_data[material]['وحدة'],
'سعر_حالي': self.materials_data[material]['سعر'][0],
'اتجاه_السعر': self._get_price_trend(material)
}
def _get_price_trend(self, material):
"""تحديد اتجاه سعر المادة بناءً على البيانات التاريخية"""
if material not in self.materials_data:
return "غير معروف"
prices = self.materials_data[material]['سعر']
if len(prices) < 2:
return "غير معروف"
# حساب متوسط التغير الشهري
price_changes = [(prices[i] - prices[i+1]) / prices[i+1] * 100 for i in range(len(prices)-1)]
avg_monthly_change = sum(price_changes) / len(price_changes)
if avg_monthly_change > 1:
return "ارتفاع حاد"
elif avg_monthly_change > 0.2:
return "ارتفاع معتدل"
elif avg_monthly_change > -0.2:
return "استقرار"
elif avg_monthly_change > -1:
return "انخفاض معتدل"
else:
return "انخفاض حاد"
def export_price_forecast(self, materials, periods=6, output_file=None):
"""
تصدير توقعات الأسعار إلى ملف
المعلمات:
materials: قائمة المواد المطلوب التنبؤ بأسعارها
periods: عدد الفترات المستقبلية (الشهور)
output_file: مسار ملف الإخراج (اختياري)
إرجاع:
مسار الملف المصدر أو البيانات مباشرة إذا لم يتم تحديد ملف
"""
# التحقق من وجود المواد في البيانات
valid_materials = [m for m in materials if m in self.materials_data]
if not valid_materials:
return None
# إعداد بيانات التوقعات
forecast_data = []
for material in valid_materials:
# الحصول على اتجاهات الأسعار
price_trends = self.get_price_trends(material, periods)
for trend in price_trends:
forecast_data.append({
'المادة': material,
'الوحدة': self.materials_data[material]['وحدة'],
'التاريخ': trend['تاريخ'],
'السعر المتوقع': trend['سعر'],
'هامش الخطأ': '±5%'
})
# تحويل البيانات إلى DataFrame
forecast_df = pd.DataFrame(forecast_data)
# تصدير البيانات إلى ملف إذا تم تحديده
if output_file:
try:
ext = os.path.splitext(output_file)[1].lower()
if ext == '.csv':
forecast_df.to_csv(output_file, index=False, encoding='utf-8-sig')
elif ext in ['.xlsx', '.xls']:
forecast_df.to_excel(output_file, index=False)
elif ext == '.json':
forecast_df.to_json(output_file, orient='records', force_ascii=False)
else:
print(f"تنسيق غير مدعوم: {ext}")
return None
return output_file
except Exception as e:
print(f"خطأ في تصدير توقعات الأسعار: {str(e)}")
return None
return forecast_df |