Update app.py

app.py

@@ -2,9 +2,14 @@ import gradio as gr
 import pandas as pd
 import numpy as np
 from statsmodels.tsa.seasonal import STL
-from sklearn.ensemble import IsolationForest
+from pmdarima import auto_arima
 import matplotlib.pyplot as plt
 
+def detect_periodicity(series):
+    # Use o método auto_arima para determinar a periodicidade da série
+    stepwise_model = auto_arima(series, start_p=1, start_q=1, max_p=3, max_q=3, m=12, seasonal=True, trace=True)
+    return stepwise_model.seasonal_order[0]
+
 def detect_anomalies(series, seasonality_window=7, anomaly_threshold=0.05):
     # Decompose series using Seasonal-Trend decomposition using LOESS (STL)
     decomposition = STL(series, seasonal=seasonality_window).fit()
@@ -42,9 +47,8 @@ def anomaly_detection_app(time_series_txt):
     df['Date'] = pd.to_datetime(df['Date'])
     df = df.set_index('Date')
 
-    # Determinar a periodicidade da série (assumindo que é diária)
-    # Se os dados forem de outra periodicidade, ajuste o valor apropriado aqui
-    periodicity = 1
+    # Determinar a periodicidade da série automaticamente
+    periodicity = detect_periodicity(df['Value'])
 
     # Detectar anomalias na série temporal
     anomalies = detect_anomalies(df['Value'], seasonality_window=periodicity)
@@ -54,9 +58,6 @@ def anomaly_detection_app(time_series_txt):
 
     return anomalies
 
-# Resto do código continua o mesmo
-
-
 # Interface do Gradio
 iface = gr.Interface(
     fn=anomaly_detection_app,