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))