feat: 분석 페이지 고도화 및 AI 위험 적응형(AAS) SOI 모델 도입

prediction_service.py

@@ -0,0 +1,78 @@
+import math
+from datetime import datetime
+from sql_queries import DashboardQueries
+
+class SOIPredictionService:
+    """시계열 데이터를 기반으로 SOI 예측 전담 서비스"""
+
+    @staticmethod
+    def get_historical_soi(cursor, project_id):
+        """특정 프로젝트의 과거 SOI 이력을 가져옴"""
+        sql = """
+            SELECT crawl_date, recent_log, file_count 
+            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
+
+    @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
+
+        # 최근 5일 데이터에 가중치 부여 (Time-Weighted Regression)
+        recent = history_points[-5:]
+        
+        # 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)
+        
+        if not slopes: return None
+        
+        # 최근 기울기의 평균 (Deep Decay Trend)
+        avg_slope = sum(slopes) / len(slopes)
+        current_soi = history_points[-1]['soi']
+        
+        # 1. 선형적 하락 추세 반영
+        linear_pred = current_soi + (avg_slope * days_ahead)
+        
+        # 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)
+        
+        # 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))