Influenza_fund_linkage_system/models/__init__.py

"""
models包功能：
该包主要实现了4种主要的时间序列预测模型：向量自回归(VAR)、自回归移动平均(ARIMA)、
季节性自回归移动平均 (SARIMA) 以及随机森林（Random Forest）。

modules:
    - utils.py: 包含用于数据读取和数据保存的通用函数。
    - VAR_model.py: 实现向量自回归 (VAR)预测模型。
    - ARIMA_model.py: 实现自回归移动平均 (ARIMA)预测模型。
    - SARIMA_model.py: 实现季节性自回归移动平均 (SARIMA)预测模型。
    - RF_model.py: 实现随机森林（Random Forest）预测模型。

函数：
    - run(): 是整个预测过程的主函数。该函数首先读取数据，然后调用所有模型进行预测，
    最后把预测结果保存到文件中。

使用示例:
    ```
    from models import run
    run_result = run(forecast_target=target_column,
                     exog_columns=exog_columns_list,
                     models=[VAR_Forecasting])
    ```
"""
from typing import List, Type
from . import utils, VAR_Forecasting, ARIMA_Forecasting, SARIMA_Forecasting, RF_Forecasting

__all__ = [
    'utils', 'VAR_Forecasting', 'ARIMA_Forecasting', 'SARIMA_Forecasting',
    'RF_Forecasting'
]


def run(
    forecast_target: str,
    exog_columns: List[str],
    steps: int = 20,
    file_path: str = 'data/normalized_df.csv',
    models: List[Type] = [
        VAR_Forecasting, ARIMA_Forecasting, SARIMA_Forecasting, RF_Forecasting
    ],
) -> None:
    """
    执行数据读取、预处理、模型训练、预测并保存预测结果等一系列步骤的主函数。

    Args:
        forecast_target (str): 需要被预测的目标变量的列名。
        exog_columns (List[str]): 用于预测的特征变量的列名列表。
        steps (int, default=20): 需要进行预测的步数。
        file_path (str, default='data/normalized_df.csv'): 数据文件的路径。
        models (List[Type]) : 需要运行的预测模型列表，默认包括VAR、ARIMA、SARIMA和Random Forest模型。

    Returns:
        None
    """
    # 载入数据
    input_df = utils.read_csv(file_path)

    # 使用每个模型进行预测并保存结果
    for model in models:
        try:
            model_name = model.__name__.split('.')[-1]
            print(f"正在执行 {model_name} 模型进行预测...")

            # 调用模型进行预测
            model_df = model.run(input_df, forecast_target, exog_columns,
                                 steps)

            # 保存预测结果
            utils.save_csv(model_df, f'data/{model_name}_df.csv')

            print(f"{model_name} 模型的预测结果已保存至 data/{model_name}_df.csv")

        except Exception as e:
            print(f"{model_name} 模型预测过程出现错误: {e}")
    print("所有模型预测都已完成。")