forked from natanaeltnn/ELM_PSO
-
Notifications
You must be signed in to change notification settings - Fork 0
/
func_auxiliares.py
151 lines (122 loc) · 4.09 KB
/
func_auxiliares.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
import numpy as np
from elm import ELM
from Candle import candle
from func_aux_pso import *
from sistema_ativos import Ativo
#from IO import *
import os
import matplotlib.pyplot as plt
from kelm import KELM
from datetime import datetime, timedelta
import copy
def dividir_dados(dados,delay):
train_data = np.empty(shape = [0, delay])
test_data = np.empty(shape = [0,delay])
train_saida = np.empty(shape = [0, 1])
num_instacias = len(dados)-delay
for i in range(num_instacias):
aux = np.copy(dados[i:(i+delay)])
train_data = np.append(train_data, [aux], axis=0)
train_saida = np.append(train_saida,dados[i+delay])
#print(delay)
#print(dados)
#print(dados[num_instacias:len(dados)])
test_data = np.append(test_data,[dados[num_instacias:len(dados)]],axis=0)
return (train_data,train_saida,test_data)
def definir_mat_elm(a_delay,a_neurons):
a_elm = list()
num_ativos = len(a_delay)
num_ind = len(a_delay[0])
for i in range(num_ativos):
aux = list()
for j in range(num_ind):
#print(a_delay[i][j],a_neurons[i][j])
el = ELM(int(a_delay[i][j]),int(a_neurons[i][j]))
#el = ELM(3,50)
aux.append(el)
a_elm.append(aux)
del aux
return a_elm
def definir_mat_kelm(array_c,num_ativos,param = None,tipo = None):
a_elm = list()
num_ind = 4
for i in range(num_ativos):
aux = list()
for j in range(num_ind):
if tipo == None:
el = KELM(array_c[j])
aux.append(el)
else:
el = KELM(array_c[j],'R',tipo,param[j])
aux.append(el)
a_elm.append(aux)
del aux
return a_elm
def criar_candle(dados1,dados2,dados3,dados4,delay,el,nome_ativo,j):
dados = [dados1,dados2,dados3,dados4]
predicoes = list()
for i in range(4):
in_train,out_train,test_dados = dividir_dados(dados[i],delay[i])
el[i].train(in_train,out_train)
result = el[i].test(test_dados)
predicoes.append(result)
del in_train
del out_train
del test_dados
x_sol,ps = func_CPSO(nome_ativo,predicoes,j)
cand = candle(x_sol[0],x_sol[1],x_sol[2],x_sol[3],predicoes[0],predicoes[1],predicoes[2],predicoes[3],ps)
return cand
def processamento(caminho,indicadores,delay,elm_instancias,num_rodadas):
num_ativos = len(caminho)
at = Ativo(num_rodadas)
for j in range(num_rodadas):
for i in range(num_ativos):
lista_dados = list()
for ind in indicadores:
aux = caminho[i]+"/"+ind
x = ler_dados_arq(aux)
lista_dados.append(x)
del x
nome_ativo = pegar_nome_ativo(caminho[i])
cand = criar_candle(lista_dados[0],lista_dados[1],lista_dados[2],lista_dados[3],delay[i],elm_instancias[i],nome_ativo,j)
at.inserir_teste_ativo(nome_ativo,cand)
return at
def predicao(num_rodadas=5):
caminhos = [os.path.join('../historico', nome) for nome in os.listdir('../historico')]
arquivos = files_path09('../parametros/')
indicador = ["Variacao_relativa_valores.txt","Preco_Tipico_valores.txt","Kni_Indicator_valores.txt","Variacao_valores.txt"]
tam = len(caminhos)
params_delay,params_janela,params_neurons = ler_params(arquivos,tam)
a_elm = definir_mat_elm(params_delay,params_neurons)
at = processamento(caminhos,indicador,params_delay,a_elm,num_rodadas)
registrar_resultados(at)
#registrar_resultados_elm(at)
for i in range(at.num_rodadas):
#writer.writerow('rodada '+str(i))
for keys,values in at.conj_ativo.items():
list_aux = [keys]
#print(list_aux+values[i].retornar_valor_elm())
print(list_aux+values[i].retornar_valores())
i = i+1
def grafico(fit_a,nome_ativo):
x = range(1,(len(fit_a)+1))
plt.plot(x,fit_a)
plt.set_title(nome_ativo)
plt.savefig('graficos/'+nome_ativo)
#plt.show()
def norm(serie):
max_valor = np.amax(serie)
min_valor = np.amin(serie)
for i in range(len(serie)):
v = (serie[i]-min_valor)/(max_valor-min_valor)
serie[i] = np.copy(v)
return (serie,min_valor,max_valor)
def norm_mean_std(serie):
media = np.mean(serie)
std = np.std(serie)
for i in range(len(serie)):
v = (serie[i]-media)/std
serie[i] = np.copy(v)
return (serie,media,std)
def des_norm(min_v,max_v,x):
return ((max_v-min_v)*x)+min_v