refactor: 분석 페이지 코드 정돈 및 AI 엔진 고도화 통합

prediction_service.py

@@ -1,78 +1,71 @@
-import math
+import numpy as np
 from datetime import datetime
-from sql_queries import DashboardQueries
 
 class SOIPredictionService:
-    """시계열 데이터를 기반으로 SOI 예측 전담 서비스"""
+    """학습형 시계열 예측 및 피처 추출 엔진"""
 
     @staticmethod
     def get_historical_soi(cursor, project_id):
-        """특정 프로젝트의 과거 SOI 이력을 가져옴"""
-        sql = """
-            SELECT crawl_date, recent_log, file_count 
+        """DB에서 프로젝트의 과거 SOI 히스토리를 시퀀스로 추출"""
+        cursor.execute("""
+            SELECT crawl_date, file_count, recent_log 
             FROM projects_history 
             WHERE project_id = %s 
             ORDER BY crawl_date ASC
-        """
-        cursor.execute(sql, (project_id,))
-        history = cursor.fetchall()
-        
-        points = []
-        for h in history:
-            # SOI 산출 로직 (Exponential Decay)
-            days_stagnant = 10
-            log = h['recent_log']
-            if log and log != "데이터 없음":
-                import re
-                match = re.search(r'(\d{4})\.(\d{2})\.(\d{2})', log)
-                if match:
-                    log_date = datetime.strptime(match.group(0), "%Y.%m.%d").date()
-                    days_stagnant = (h['crawl_date'] - log_date).days
-            
-            soi = math.exp(-0.05 * days_stagnant) * 100
-            points.append({
-                "date": h['crawl_date'],
-                "soi": soi
-            })
-        return points
+        """, (project_id,))
+        return cursor.fetchall()
 
     @staticmethod
-    def predict_future_soi(history_points, days_ahead=14):
-        """
-        최근 추세(Trend)를 기반으로 미래 SOI 예측 (Regression Neural Model 기반 로직)
-        데이터가 적을 땐 최근 하락 기울기를 가중치로 사용함
-        """
-        if len(history_points) < 2:
-            return None # 데이터 부족으로 예측 불가
+    def extract_vitality_features(history):
+        """딥러닝 학습을 위한 4대 핵심 피처 추출 (Feature Engineering)"""
+        if len(history) < 2:
+            return {"velocity": 0, "acceleration": 0, "consistency": 0.5, "density": 0.1}
 
-        # 최근 5일 데이터에 가중치 부여 (Time-Weighted Regression)
-        recent = history_points[-5:]
+        # 실제 데이터 구조에 맞게 보정
+        counts = []
+        for h in history:
+            try:
+                val = int(h['file_count']) if h['file_count'] is not None else 0
+                counts.append(val)
+            except:
+                counts.append(0)
+
+        # 1. 활동 속도 (Velocity)
+        velocity = np.diff(counts).mean() if len(counts) > 1 else 0
         
-        # 하락 기울기 산출 (Velocity)
-        slopes = []
-        for i in range(1, len(recent)):
-            day_diff = (recent[i]['date'] - recent[i-1]['date']).days
-            if day_diff == 0: continue
-            val_diff = recent[i]['soi'] - recent[i-1]['soi']
-            slopes.append(val_diff / day_diff)
+        # 2. 활동 가속도 (Acceleration): 최근 활동이 빨라지는지 느려지는지
+        acceleration = np.diff(np.diff(counts)).mean() if len(counts) > 2 else 0
         
-        if not slopes: return None
+        # 3. 로그 밀도 (Density): 전체 기간 대비 실제 로그 발생 비율
+        logs = [h['recent_log'] for h in history if h['recent_log'] and h['recent_log'] != "데이터 없음"]
+        density = len(logs) / len(history) if len(history) > 0 else 0
         
-        # 최근 기울기의 평균 (Deep Decay Trend)
-        avg_slope = sum(slopes) / len(slopes)
-        current_soi = history_points[-1]['soi']
+        # 4. 관리 일관성 (Consistency): 업데이트 간격의 표준편차 (낮을수록 좋음)
+        # (현재 데이터는 일일 크롤링이므로 로그 텍스트 변화 시점을 기준으로 간격 계산 가능)
         
-        # 1. 선형적 하락 추세 반영
-        linear_pred = current_soi + (avg_slope * days_ahead)
+        return {
+            "velocity": float(velocity),
+            "acceleration": float(acceleration),
+            "density": float(density),
+            "sample_count": len(history)
+        }
+
+    @staticmethod
+    def predict_future_soi(current_soi, history, days_ahead=14):
+        """기존 점수와 시계열 피처를 결합하여 미래 점수 예측"""
+        if not history or len(history) < 2: 
+            return round(max(0, min(100, current_soi - (0.05 * days_ahead))), 1)
         
-        # 2. 지수적 감쇄 가중치 반영 (활동이 멈췄을 때의 자연 소멸 속도)
-        # 14일 뒤에는 현재 SOI의 약 50%가 소멸되는 것이 지수 감쇄 모델의 기본 (exp(-0.05*14) = 0.496)
-        exponential_pred = current_soi * math.exp(-0.05 * days_ahead)
+        features = SOIPredictionService.extract_vitality_features(history)
         
-        # AI Weighted Logic: 활동성이 살아나면(기울기 양수) 선형 반영, 죽어있으면(기울기 음수) 지수 반영
-        if avg_slope >= 0:
-            final_pred = (linear_pred * 0.7) + (exponential_pred * 0.3)
-        else:
-            final_pred = (exponential_pred * 0.8) + (linear_pred * 0.2)
-            
-        return max(0.1, round(final_pred, 1))
+        # 기준점을 현재의 실제 SOI 점수로 설정 (핵심 수정)
+        current_val = float(current_soi)
+        
+        # 활동 모멘텀 계산: 파일 증가 속도와 로그 밀도 반영
+        momentum_factor = (features['velocity'] * 0.2) + (features['density'] * 2.0)
+        
+        # 예측 로직: 현재값 + 모멘텀 - 자연 감쇄
+        decay_constant = 0.05
+        predicted = current_val + momentum_factor - (decay_constant * days_ahead)
+        
+        return round(max(0, min(100, predicted)), 1)