Spaces:
Sleeping
Sleeping
File size: 3,491 Bytes
540fe64 |
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 |
import streamlit as st
import numpy as np
import pandas as pd
import pickle
from catboost import CatBoostRegressor
import datetime
st.set_page_config(page_title="# Прогнозирование заказов такси")
st.markdown('# Прогнозирование заказов такси')
with st.expander("Описание проекта"):
st.write("""
Компания «Чётенькое такси» собрала исторические данные о заказах такси в аэропортах.
Чтобы привлекать больше водителей в период пиковой нагрузки, нужно спрогнозировать количество заказов такси на следующий час.
Описание данных:
- datetime - время заказа
- num_orders - число заказов
""")
df_old = pd.read_csv('models/taxi.csv', index_col=[0], parse_dates=[0]).sort_index().resample('1H').sum()
def user_input_features():
date = st.date_input("дата заказа такси", datetime.date(2018, 9, 6))
time = st.time_input('время заказа такси', datetime.time(8, 45))
target_datetime = datetime.datetime.combine(date, time)
data = {'datetime': target_datetime }
features = pd.DataFrame(data, index=[0])
return features
df = user_input_features()
df = df.sort_index(axis=1)
def preprocessing_data(data, max_lag, rolling_mean_size, target_datetime):
df_new = data.copy()
df_new['month'] = df_new.index.month
df_new['day'] = df_new.index.day
df_new['dayofweek'] = df_new.index.dayofweek
df_new['hour'] = df_new.index.hour
# Создаем признаки - значения за предыдущие периоды
for lag in range(1, max_lag + 1):
df_new[f'lag_{lag}'] = df_new['num_orders'].shift(lag)
# Создаем признак "скользящее среднее"
df_new['rolling_mean'] = df_new['num_orders'].shift().rolling(rolling_mean_size).mean()
# Удаляем пропуски
df_new = df_new.dropna(axis=0)
# Создаем DataFrame для target_datetime
target_df = target_datetime.copy()
target_df['month'] = target_df['datetime'].dt.month
target_df['day'] = target_df['datetime'].dt.day
target_df['dayofweek'] = target_df['datetime'].dt.dayofweek
target_df['hour'] = target_df['datetime'].dt.hour
target_df = target_df.set_index('datetime')
# Создаем признаки - значения за предыдущие периоды для target_datetime
for lag in range(1, max_lag + 1):
target_df[f'lag_{lag}'] = df_new['num_orders'].shift(lag).iloc[-1]
# Создаем признак "скользящее среднее" для target_datetime
target_df['rolling_mean'] = df_new['num_orders'].shift().rolling(rolling_mean_size).mean().iloc[-1]
return target_df
@st.cache_resource
def get_model():
load_model = pickle.load(open('models/taxi_orders_prediction.pkl', 'rb'))
return load_model
model = get_model()
target_datetime = pd.to_datetime(df['datetime'].iloc[0])
features_for_prediction = preprocessing_data(df_old, 10, 10, df)
prediction = model.predict(features_for_prediction)
st.subheader('Прогназируемое количество заказов:')
st.write(str(round(prediction[0]))) |