import numpy as np
import skfuzzy as fuzz
import matplotlib.pyplot as plt

# Генерируем синтетический временной ряд с тенденцией
np.random.seed(42)
time = np.arange(0, 50)
trend = 0.5 * time + np.random.normal(0, 2, size=time.shape)
plt.plot(time, trend, label='Данные временного ряда')
plt.xlabel('Время')
plt.ylabel('Значение')
plt.title('Пример временного ряда')
plt.legend()
plt.show()
# Определение универсальных множеств для текущих значений
value_range = np.linspace(min(trend), max(trend), 100)

# Нечеткие множества (термы): 'низкий', 'средний', 'высокий'
low = fuzz.trimf(value_range, [min(trend), min(trend), np.median(trend)])
medium = fuzz.trimf(value_range, [min(trend), np.median(trend), max(trend)])
high = fuzz.trimf(value_range, [np.median(trend), max(trend), max(trend)])

# Визуализация
plt.figure()
plt.plot(value_range, low, label='Низкий')
plt.plot(value_range, medium, label='Средний')
plt.plot(value_range, high, label='Высокий')
plt.title('Нечеткие множества значений')
plt.xlabel('Значение')
plt.ylabel('Принадлежность')
plt.legend()
plt.show()


def fuzzy_rule(value):
    # Вычисляем принадлежности
    low_level = fuzz.interp_membership(value_range, low, value)
    medium_level = fuzz.interp_membership(value_range, medium, value)
    high_level = fuzz.interp_membership(value_range, high, value)

    # Определяем выводные множества для тенденции
    # Для простоты, назначим вероятностные веса
    decline_weight = low_level
    stable_weight = medium_level
    increase_weight = high_level

    # Находим центр масс для каждого вывода
    # Здесь можно применить более сложные методы
    # Для примера используем простое взвешенное среднее
    trend_centers = {'понижение': -1, 'стабилизация': 0, 'повышение': 1}
    numerator = (decline_weight * trend_centers['понижение'] +
                 stable_weight * trend_centers['стабилизация'] +
                 increase_weight * trend_centers['повышение'])
    denominator = decline_weight + stable_weight + increase_weight
    if denominator == 0:
        return 0
    return numerator / denominator


# Анализ последнего значения
last_value = trend[-1]
predicted_trend = fuzzy_rule(last_value)

# Масштабируем прогноз
# Предположим, что тенденция влияет на следующий уровень
# Можно добавить более сложную модель
next_value = last_value + predicted_trend  # простая модель
print(f'Последнее значение: {last_value:.2f}')
print(f'Прогнозируемое изменение: {predicted_trend:.2f}')
print(f'Следующее значение: {next_value:.2f}')

predictions = []
current_value = trend[-1]
for _ in range(10):  # прогноз на 10 шагов вперед
    trend_estimate = fuzzy_rule(current_value)
    current_value = current_value + trend_estimate
    predictions.append(current_value)

# Визуализация
plt.plot(range(len(trend)), trend, label='Исходные данные')
plt.plot(range(len(trend), len(trend) + len(predictions)), predictions, label='Прогноз')
plt.xlabel('Время')
plt.ylabel('Значение')
plt.legend()
plt.title('Прогнозирование с помощью нечеткой модели')
plt.show()