-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathprevisao_indicadores_ver1.1.py
192 lines (154 loc) · 8.91 KB
/
previsao_indicadores_ver1.1.py
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
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler,StandardScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error
import keras.backend as K
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
from keras.callbacks import EarlyStopping
def configuraConjuntoInicial(caminhoArquivo=None,colunas=None):
if caminhoArquivo is None:
caminhoArquivo = 'DECFEC_light_2000_2017.csv'
dataSet = pd.read_csv(caminhoArquivo)
# mes_normalizado = np.array([float(i.split("-")[1])/12 for i in dataSet.index])
# dataSet['Data'] = pd.to_datetime(dataSet["Data"])
dataSet = dataSet.set_index(["Data"])
if colunas is not None:
dataSet = dataSet[colunas]
return dataSet
def separaConjuntosDeTreinoETeste(conjunto, dataReferencia=None):
if dataReferencia is None:
dataReferencia = '2016-01-01'
conjuntoTreino = conjunto[:dataReferencia]
conjuntoTreino = conjuntoTreino[:-1]
conjuntoTeste = conjunto[dataReferencia:]
return conjuntoTreino,conjuntoTeste
def normalizaConjunto(conjunto):
scaler = MinMaxScaler()
colunasConjunto = [i for i in conjunto]
conjuntoNormalizado = scaler.fit_transform(pd.DataFrame(conjunto))
conjuntoNormalizado = pd.DataFrame(conjuntoNormalizado, index=conjunto.index,columns=colunasConjunto)
return conjuntoNormalizado,scaler
def codificaMesesDoConjunto(conjunto):
mesCodificado = np.array([float(i.split("-")[1])/12 for i in conjunto.index])
return mesCodificado
def configuraConjuntosDeEntradaEDeReferencia(conjuntoDeDados, janelasDeObservacao=None,atraso=1, colunaAdicional=None,labelColunaAdicional=None):
if janelasDeObservacao is None:
janelasDeObservacao = 12
dataSetDeEntrada = []
dataSetDeReferencia = []
for ii in range(len(conjuntoDeDados) - janelasDeObservacao):
janelaDeDados = conjuntoDeDados[ii:ii+ janelasDeObservacao]
valorDeReferencia = conjuntoDeDados[ii+janelasDeObservacao]
dataSetDeEntrada.append(janelaDeDados)
dataSetDeReferencia.append(valorDeReferencia)
dataSetDeEntrada = np.array(dataSetDeEntrada)
dataSetDeReferencia = np.array(dataSetDeReferencia)
conjuntoDeEntrada = pd.DataFrame(dataSetDeEntrada)
conjuntoDeReferencia = pd.DataFrame(dataSetDeReferencia)
if colunaAdicional is not None and labelColunaAdicional is not None:
conjuntoDeEntrada[labelColunaAdicional] = colunaAdicional[janelasDeObservacao:]
return conjuntoDeEntrada, conjuntoDeReferencia
def configuraRedeMLP(conjuntoEntrada,conjuntoSaida,neuronios_1=None,neuronios_2=None,showPlot=False):
dimEntrada = len([i for i in conjuntoEntrada])
conjuntoEntrada = conjuntoEntrada.values
conjuntoSaida = conjuntoSaida.values
earlyStopping = EarlyStopping(monitor = 'val_loss', patience = 100, verbose = 1)
K.clear_session()
model = Sequential()
if neuronios_1 is None:
neuronios_1 = 12
model.add(Dense(neuronios_1, input_shape=(dimEntrada,),activation='relu',kernel_initializer ='random_normal'))
if neuronios_2 is not None:
model.add(Dense(neuronios_2, input_shape=(neuronios_1,), activation='relu'))
# model.add(Dense(3, input_shape=(6,), activation='tanh'))
model.add(Dense(1))
model.compile(optimizer=Adam(lr=0.0001), loss='mean_squared_error',metrics=['mae'])
historico = model.fit(conjuntoEntrada , conjuntoSaida,
validation_split=0.20, epochs=1000,
callbacks=[earlyStopping], verbose=0)
if(showPlot):
model.summary()
plt.plot(historico.history['mean_absolute_error'])
plt.plot(historico.history['val_loss'])
plt.legend(['mean_absolute_error','val_loss'])
plt.grid(True)
plt.show()
return model,historico
def executaPrevisaoDoModelo(modelo,conjuntoEntrada,conjuntoSaida=None,scalerSaida=None,showPlot=False):
previsaoDeDados = modelo.predict(conjuntoEntrada)
if(showPlot and scalerSaida is not None and conjuntoSaida is not None):
dadosReais = scalerSaida.inverse_transform(conjuntoSaida)
previsaoDeDados = scalerSaida.inverse_transform(previsaoDeDados)
plt.plot(dadosReais)
plt.plot(previsaoDeDados)
plt.legend(['Real','Previsão'])
plt.grid(True)
plt.show()
return previsaoDeDados,dadosReais
return previsaoDeDados
def calculaErros(previsao,verdadeiro):
rmse = (mean_squared_error(verdadeiro, previsao))**0.5
mape = np.mean(np.abs((verdadeiro - previsao) / verdadeiro)) * 100
print('Root Mean Squared Error: %f'%rmse)
print('Mean Absolute Percentage Error: %f'%mape)
return rmse,mape
def executaPrevisaoEmMultiEstagios(modelo:Sequential,conjuntoEntradaInicial,numeroEstagios,conjuntoSaida=None,scalerSaida=None,showPlot=False):
dadosDeEntrada = conjuntoEntradaInicial.iloc[0:1]
labels = [i for i in conjuntoEntradaInicial]
previsaoFinal = []
for i in range(numeroEstagios):
previsao = executaPrevisaoDoModelo(modelo=modelo,conjuntoEntrada=dadosDeEntrada)
previsao = previsao.flatten().tolist()[0]
previsaoFinal.append(previsao)
if i == (numeroEstagios-1):
continue
proximaEntrada = dadosDeEntrada.drop(columns='mes_codificado').values.flatten().tolist()
proximaEntrada.append(previsao)
proximaEntrada.append(conjuntoEntradaInicial['mes_codificado'].iloc[i+1])
proximaEntrada.pop(0)
dataFrameDeEntrada = []
dataFrameDeEntrada.append(proximaEntrada)
dadosDeEntrada = pd.DataFrame(dataFrameDeEntrada,columns=labels)
previsaoFinal = pd.DataFrame(np.array(previsaoFinal))
if(showPlot and scalerSaida is not None and conjuntoSaida is not None):
dadosReais = scalerSaida.inverse_transform(conjuntoSaida)
previsaoDeDados = scalerSaida.inverse_transform(previsaoFinal)
plt.plot(dadosReais)
plt.plot(previsaoDeDados)
plt.legend(['Real','Previsão'])
plt.grid(True)
plt.show()
return previsaoDeDados,dadosReais
return previsaoFinal
### Execução do codigo de fato:
indicador = 'FEC'
conjunto = configuraConjuntoInicial(colunas=[indicador])
treino,teste = separaConjuntosDeTreinoETeste(conjunto=conjunto,dataReferencia='2013-01-01')
treinoNormalizado,scalerTreino = normalizaConjunto(conjunto=treino)
testeNormalizado,scalerTeste = normalizaConjunto(conjunto=teste)
mesCodificadoTreino = codificaMesesDoConjunto(treinoNormalizado)
mesCodificadoTeste = codificaMesesDoConjunto(testeNormalizado)
# treinoInput,treinoOutput = configuraConjuntosDeEntradaEDeReferencia(conjuntoDeDados=np.ndarray.flatten(treino.values),janelasDeObservacao=5,colunaAdicional=mesCodificadoTreino, labelColunaAdicional='mes_codificado')
# testeInput,testeOutput = configuraConjuntosDeEntradaEDeReferencia(conjuntoDeDados=np.ndarray.flatten(teste.values),janelasDeObservacao=5,colunaAdicional=mesCodificadoTeste, labelColunaAdicional='mes_codificado')
treinoInput,treinoOutput = configuraConjuntosDeEntradaEDeReferencia(conjuntoDeDados=np.ndarray.flatten(treinoNormalizado.values),janelasDeObservacao=12,atraso=1,colunaAdicional=mesCodificadoTreino, labelColunaAdicional='mes_codificado')
testeInput,testeOutput = configuraConjuntosDeEntradaEDeReferencia(conjuntoDeDados=np.ndarray.flatten(testeNormalizado.values),janelasDeObservacao=12,atraso=1,colunaAdicional=mesCodificadoTeste, labelColunaAdicional='mes_codificado')
modelo = Sequential()
modelo,historico = configuraRedeMLP(conjuntoEntrada=treinoInput,conjuntoSaida=treinoOutput,neuronios_1=12,neuronios_2=None,showPlot=True)
prev,real = executaPrevisaoEmMultiEstagios(modelo=modelo,conjuntoEntradaInicial=testeInput,numeroEstagios=testeOutput.size,conjuntoSaida=testeOutput,scalerSaida=scalerTeste,showPlot=True)
calculaErros(previsao=prev,verdadeiro=real)
# ## Previsão dos dados de treino:
# previsaoTreino, dadosReaisTreino = executaPrevisaoDoModelo(modelo=modelo,conjuntoEntrada=treinoInput,conjuntoSaida=treinoOutput,scalerSaida=scalerTreino,showPlot=True)
# calculaErros(previsao=previsaoTreino,verdadeiro=dadosReaisTreino)
# ## Previsão dos dados de teste:
# previsaoTeste, dadosReaisTeste = executaPrevisaoDoModelo(modelo=modelo,conjuntoEntrada=testeInput,conjuntoSaida=testeOutput,scalerSaida=scalerTeste,showPlot=True)
# calculaErros(previsao=previsaoTeste,verdadeiro=dadosReaisTeste)
conjunto = conjunto.set_index(pd.to_datetime(conjunto.index),drop=True)
previsao_final = pd.DataFrame(prev, columns=['Previsão do FEC'], index= pd.to_datetime(teste.iloc[-len(prev):].index))
ax = conjunto.plot(y=indicador,figsize=(12,7))
previsao_final.plot(y='Previsão do FEC',ax=ax)
plt.title('Resultado da previsão')
plt.grid(True)
plt.show()