🎯 基于 PyTorch 的彩票预测系统

⚠️ 重要提醒

彩票理论上属于完全随机事件，任何一种单一算法，都不可能精确的预测彩票结果！！
请合理投资博彩行业，切勿成迷！！

📖 项目简介

基于 Transformer 模型的彩票预测系统，源自 基于tensorflow lstm模型的彩票预测 项目，采用 PyTorch 重构并优化了所有核心代码。

📁 项目结构

predict_Lottery_ticket_pytorch/
├── src/                     # 核心源代码
│   ├── __init__.py         # 包初始化文件
│   ├── config.py           # 配置文件
│   ├── common.py           # 通用功能模块
│   └── modeling.py         # 模型定义模块
├── scripts/                # 可执行脚本
│   ├── get_data.py         # 数据获取脚本
│   ├── train_model.py      # 模型训练脚本
│   └── predict.py          # 预测脚本
├── tests/                  # 测试文件
│   ├── test_config.py      # 配置测试
│   └── test_modeling.py    # 模型测试
├── examples/               # 示例代码
│   └── DQN_test.ipynb      # Jupyter notebook示例
├── docs/                   # 文档
│   ├── README.md           # 详细文档
│   └── API.md              # API文档
├── data/                   # 数据目录
├── model/                  # 模型保存目录
├── results/                # 结果输出目录
├── .github/workflows/      # GitHub Actions CI/CD
├── requirements.txt        # 依赖包列表
├── README.md               # 项目说明
└── AGENTS.md              # 代理配置文件

🚀 快速开始

1. 安装依赖

pip install -r requirements.txt

2. 获取数据

python scripts/get_data.py --name kl8 --cq 0

网络抓取说明：爬虫默认只允许配置中的受信任域名，可在 src/config.py 中调整 HTTP_ALLOWLIST，并可通过 HTTP_CACHE_DIR 指定本地缓存目录以在网络不可用时回退。

3. 训练模型

python scripts/train_model.py --name kl8 --seq_len 5 --red_epochs 100

4. 执行预测

python scripts/predict.py --name kl8 --seq_len 5 --model Transformer

� Smoke test 与 Pipeline 快速示例

建议在改动训练/数据逻辑时先运行 smoke test 验证前向/反向与 checkpoint 保存加载链路：

python -m pytest tests/test_smoke_train.py -q

新增的集成 smoke 测试（更完整的前向/反向 + checkpoint roundtrip）：

pytest tests/test_smoke_integration.py -q

新增了一个轻量 Pipeline 帮助类 src.pipeline.LotteryPipeline，用于短期内减少对全局可变状态的依赖（非破坏性）：

示例：

from src.pipeline import DEFAULT_PIPELINE
# 推荐使用 DEFAULT_PIPELINE 在脚本入口注入 args，避免创建多个临时 pipeline 导致状态不一致
DEFAULT_PIPELINE.set_args(args)
ds = DEFAULT_PIPELINE.create_dataset('kl8', windows=5, dataset=1, ball_type='red')
# 训练、保存
DEFAULT_PIPELINE.save_checkpoint('path.ckpt', model, optimizer=opt, epoch=0)
# 加载时会自动恢复 extra_classes
ck = DEFAULT_PIPELINE.load_checkpoint('path.ckpt')
# 额外：你可以直接通过 DEFAULT_PIPELINE.run_predict(...) 调用预测流程，或 DEFAULT_PIPELINE.predict_ball_model(...) 调用预测子流程

更多 Pipeline 示例（迁移指南）:

from src.pipeline import DEFAULT_PIPELINE
# 1) 设置参数（推荐在脚本入口）
DEFAULT_PIPELINE.set_args(args)

# 2) 获取原始数据（从缓存读取，支持 refresh=True 强制刷新）
df = DEFAULT_PIPELINE.get_ori_data('kl8', cq=0)

# 3) 创建 dataset（自动使用 modeling.extra_classes）
ds = DEFAULT_PIPELINE.create_dataset('kl8', windows=5, dataset=1, ball_type='red')

# 4) 预测/保存/加载
DEFAULT_PIPELINE.save_checkpoint('models/ckpt.ckpt', model, optimizer=opt, epoch=0)
ck = DEFAULT_PIPELINE.load_checkpoint('models/ckpt.ckpt')

# 并发/多进程提示：get_ori_data 使用内部锁与 TTL 缓存以避免并发的磁盘读取，使用 refresh=True 强制刷新。

�📊 项目进度

✅ 已完成功能：

• 按论文复现并优化了 Transformer/LSTM 模型
• 完成基本的训练代码，已测试快乐8
• 完成基本的预测代码
• 增加 one-hot 编码方式和混合 one-hot 模式
• 重写了 loss function
• 模型参数保存至 ckpt 文件，支持断点续训
• 增加双向 LSTM 模型，集成嵌入层、卷积层、多头注意力机制
• 增加数据特征计算和归一化处理
• 项目结构重构，符合标准 Python 包结构

🔧 待解决问题：

• LSTM 模型复杂度有待提升
• 模型有时会输出历史数据而非预测数据
• 需要更多有效的特征工程方法

📈 当前效果（20240505测试）：

• 在特定参数下训练，loss 控制在 10% 以下
• 10 天测试结果：平均命中率 30%，最高 45%，最低 15%

🛠️ 技术栈

• 深度学习框架: PyTorch
• 模型类型: Transformer, LSTM
• 数据处理: Pandas, NumPy
• 可视化: TensorBoard
• 日志记录: Loguru
• 并发处理: prefetch_generator

📝 使用说明

详细的 API 文档和使用示例请参考 docs/API.md。

🤝 贡献指南

1. Fork 本项目
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 提交 Pull Request

⚖️ 免责声明

本项目仅用于技术研究和学习目的。彩票预测存在极大的不确定性，请理性对待，切勿用于实际投资决策。