import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Dropout, Dense, SimpleRNN
import matplotlib.pyplot as plt
import os
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error
import math
# 讀取股票文件
maotai = pd.read_csv('./SH600519.csv')
# 前(2426-300=2126)天的開(kāi)盤(pán)價(jià)作為訓(xùn)練集,表格從0開(kāi)始計(jì)數(shù)，2:3 是提取[2:3)列，前閉后開(kāi),故提取出C列開(kāi)盤(pán)價(jià)
training_set = maotai.iloc[0:2426 - 300, 2:3].values
# 后300天的開(kāi)盤(pán)價(jià)作為測(cè)試集
test_set = maotai.iloc[2426 - 300:, 2:3].values

# 歸一化
sc = MinMaxScaler(feature_range=(0, 1))  # 定義歸一化：歸一化到(0，1)之間
training_set_scaled = sc.fit_transform(training_set)  # 求得訓(xùn)練集的最大值，最小值這些訓(xùn)練集固有的屬性，并在訓(xùn)練集上進(jìn)行歸一化
test_set = sc.transform(test_set)  # 利用訓(xùn)練集的屬性對(duì)測(cè)試集進(jìn)行歸一化

x_train = []
y_train = []

x_test = []
y_test = []

# 測(cè)試集：csv表格中前2426-300=2126天數(shù)據(jù)
# 利用for循環(huán)，遍歷整個(gè)訓(xùn)練集，提取訓(xùn)練集中連續(xù)60天的開(kāi)盤(pán)價(jià)作為輸入特征x_train，第61天的數(shù)據(jù)作為標(biāo)簽，for循環(huán)共構(gòu)建2426-300-60=2066組數(shù)據(jù)。
for i in range(60, len(training_set_scaled)):
    x_train.append(training_set_scaled[i - 60:i, 0])
    y_train.append(training_set_scaled[i, 0])
# 對(duì)訓(xùn)練集進(jìn)行打亂
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)
# 將訓(xùn)練集由list格式變?yōu)閍rray格式
x_train, y_train = np.array(x_train), np.array(y_train)

# 使x_train符合RNN輸入要求：[送入樣本數(shù)， 循環(huán)核時(shí)間展開(kāi)步數(shù)， 每個(gè)時(shí)間步輸入特征個(gè)數(shù)]。
# 此處整個(gè)數(shù)據(jù)集送入，送入樣本數(shù)為x_train.shape[0]即2066組數(shù)據(jù)；輸入60個(gè)開(kāi)盤(pán)價(jià)，預(yù)測(cè)出第61天的開(kāi)盤(pán)價(jià)，循環(huán)核時(shí)間展開(kāi)步數(shù)為60; 每個(gè)時(shí)間步送入的特征是某一天的開(kāi)盤(pán)價(jià)，只有1個(gè)數(shù)據(jù)，故每個(gè)時(shí)間步輸入特征個(gè)數(shù)為1
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
# 測(cè)試集：csv表格中后300天數(shù)據(jù)
# 利用for循環(huán)，遍歷整個(gè)測(cè)試集，提取測(cè)試集中連續(xù)60天的開(kāi)盤(pán)價(jià)作為輸入特征x_test，第61天的數(shù)據(jù)作為標(biāo)簽y_test，for循環(huán)共構(gòu)建300-60=240組數(shù)據(jù)。
for i in range(60, len(test_set)):
    x_test.append(test_set[i - 60:i, 0])
    y_test.append(test_set[i, 0])
# 測(cè)試集變array并reshape為符合RNN輸入要求：[送入樣本數(shù)， 循環(huán)核時(shí)間展開(kāi)步數(shù)， 每個(gè)時(shí)間步輸入特征個(gè)數(shù)]
x_test, y_test = np.array(x_test), np.array(y_test)
x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))

model = tf.keras.Sequential([
    SimpleRNN(80, return_sequences=True),# 第一層循環(huán)計(jì)算層：記憶體設(shè)定80個(gè)，每個(gè)時(shí)間步推送ht給下一層
    Dropout(0.2),   #使用0.2的Dropout
    SimpleRNN(100),# 第二層循環(huán)計(jì)算層，設(shè)定記憶體100個(gè)
    Dropout(0.2),   #
    Dense(1)    # 由于輸出值是第61天的開(kāi)盤(pán)價(jià)，只有一個(gè)數(shù)，所以Dense是1
])

model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
              loss='mean_squared_error')  # 損失函數(shù)用均方誤差
# 該應(yīng)用只觀測(cè)loss數(shù)值，不觀測(cè)準(zhǔn)確率，所以刪去metrics選項(xiàng)，一會(huì)在每個(gè)epoch迭代顯示時(shí)只顯示loss值

checkpoint_save_path = "./checkpoint/rnn_stock.ckpt"

if os.path.exists(checkpoint_save_path + '.index'):
    print('-------------load the model-----------------')
    model.load_weights(checkpoint_save_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
                                                 save_weights_only=True,
                                                 save_best_only=True,
                                                 monitor='val_loss')

history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1,
                    callbacks=[cp_callback])

model.summary()

file = open('./weights.txt', 'w')  # 參數(shù)提取
for v in model.trainable_variables:
    file.write(str(v.name) + '\n')
    file.write(str(v.shape) + '\n')
    file.write(str(v.numpy()) + '\n')
file.close()

loss = history.history['loss']
val_loss = history.history['val_loss']

plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()

################## predict ######################
# 測(cè)試集輸入模型進(jìn)行預(yù)測(cè)
predicted_stock_price = model.predict(x_test)
# 對(duì)預(yù)測(cè)數(shù)據(jù)還原---從（0，1）反歸一化到原始范圍
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
# 對(duì)真實(shí)數(shù)據(jù)還原---從（0，1）反歸一化到原始范圍
real_stock_price = sc.inverse_transform(test_set[60:])
# 畫(huà)出真實(shí)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)的對(duì)比曲線
plt.plot(real_stock_price, color='red', label='MaoTai Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted MaoTai Stock Price')
plt.title('MaoTai Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('MaoTai Stock Price')
plt.legend()
plt.show()

##########evaluate##############
# calculate MSE 均方誤差 ---> E[(預(yù)測(cè)值-真實(shí)值)^2] (預(yù)測(cè)值減真實(shí)值求平方后求均值)
mse = mean_squared_error(predicted_stock_price, real_stock_price)
# calculate RMSE 均方根誤差--->sqrt[MSE]    (對(duì)均方誤差開(kāi)方)
rmse = math.sqrt(mean_squared_error(predicted_stock_price, real_stock_price))
# calculate MAE 平均絕對(duì)誤差----->E[|預(yù)測(cè)值-真實(shí)值|](預(yù)測(cè)值減真實(shí)值求絕對(duì)值后求均值）
mae = mean_absolute_error(predicted_stock_price, real_stock_price)
print('均方誤差: %.6f' % mse)
print('均方根誤差: %.6f' % rmse)
print('平均絕對(duì)誤差: %.6f' % mae)