diff --git a/Test/energy-prediction.py b/Test/energy-prediction.py
index 52dcaa0..247116c 100644
--- a/Test/energy-prediction.py
+++ b/Test/energy-prediction.py
@@ -2,15 +2,15 @@ import requests
 import zipfile
 import os
 import pandas as pd
-from sklearn.model_selection import train_test_split, cross_val_score
+from sklearn.model_selection import train_test_split
 from sklearn.ensemble import RandomForestRegressor
 from sklearn.metrics import mean_squared_error
-from sklearn.preprocessing import StandardScaler, LabelEncoder
+from sklearn.preprocessing import LabelEncoder
 import matplotlib.pyplot as plt
 import matplotlib
+from sklearn.linear_model import LinearRegression
 import numpy as np
 
-
 def main():
     # 设置支持中文的字体（例如：SimHei 字体）
     matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 或使用 'Microsoft YaHei'
@@ -53,85 +53,78 @@ def main():
     generation_columns = ['generation_gwh_2013', 'generation_gwh_2014', 'generation_gwh_2015',
                           'generation_gwh_2016', 'generation_gwh_2017']
 
-    # 确保所有发电量列都存在
-    missing_cols = [col for col in generation_columns if col not in data.columns]
-    if missing_cols:
-        print(f"警告: 缺少以下列: {', '.join(missing_cols)}")
-        return
-
     # 聚合不同年份的发电数据
     data['total_generation'] = data[generation_columns].sum(axis=1)
 
-    # 清理数据，移除异常值
-    data = data[(data['capacity_mw'] > 0) & (data['capacity_mw'] < 5000)]  # 假设容量过大或过小的数据无效
-    data = data[data['total_generation'] >= 0]  # 确保发电量是正数
-
-    # 再次检查数据的统计信息
-    print(data.describe())
-
     # 选择特征（X）和目标变量（y）
-    X = data[['capacity_mw', 'latitude', 'longitude', 'primary_fuel', 'total_generation']]
+    X = data[['capacity_mw', 'latitude', 'longitude', 'primary_fuel', 'total_generation']]  # 示例特征
     y = data['generation_gwh_2017']  # 预测目标：2017年的发电量
 
     # 将数据分割为训练集和测试集
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
-    # 特征标准化
-    scaler = StandardScaler()
-    X_train_scaled = scaler.fit_transform(X_train)
-    X_test_scaled = scaler.transform(X_test)
-
     # 初始化并训练随机森林回归模型
     model = RandomForestRegressor(n_estimators=100, random_state=42)
-    model.fit(X_train_scaled, y_train)
+    model.fit(X_train, y_train)
 
     # 在测试集上进行预测
-    y_pred = model.predict(X_test_scaled)
+    y_pred = model.predict(X_test)
 
     # 评估模型
     mse = mean_squared_error(y_test, y_pred)
     rmse = mse ** 0.5
     print(f"均方根误差（RMSE）：{rmse}")
 
-    # 可视化预测值与实际值，使用不同颜色标记
-    plt.scatter(y_test, y_pred, color='blue', label='预测发电量', alpha=0.6)
-    plt.scatter(y_test, y_test, color='red', label='实际发电量', alpha=0.6)
+    # 绘制预测值与实际值的对比图（预测值为 y 轴，实际值为 x 轴）
+    plt.figure(figsize=(10, 6))
+    plt.scatter(y_test, y_pred, color='blue', alpha=0.6)
+    plt.plot([min(y_test), max(y_test)], [min(y_test), max(y_test)], color='red', linestyle='--')
     plt.xlabel('实际发电量 (GWh)')
     plt.ylabel('预测发电量 (GWh)')
-    plt.title('实际 vs 预测发电量')
-    plt.legend()
-    plt.show()
-
-    # 交叉验证（例如使用10折交叉验证）
-    cv_scores = cross_val_score(model, X_train_scaled, y_train, cv=10, scoring='neg_mean_squared_error')
-
-    # 检查是否存在 NaN 值
-    if np.any(np.isnan(cv_scores)):
-        print("警告: 交叉验证中发现 NaN 值，可能由数据问题导致。")
-
-    # 输出交叉验证的每折得分（RMSE）
-    print("交叉验证的每折结果（负均方误差）：")
-    for i, score in enumerate(cv_scores, 1):
-        if np.isnan(score):
-            print(f"折 {i}: 无效得分")
-        else:
-            print(f"score: {score}")
-            print(f"折 {i}: {(-score) ** 0.5:.4f} RMSE")
-
-    # 输出交叉验证的平均RMSE
-    mean_rmse = (-cv_scores.mean()) ** 0.5
-    print(f"交叉验证的平均RMSE：{mean_rmse:.4f}")
-
-    # 可视化交叉验证结果
-    plt.figure(figsize=(8, 6))
-    plt.plot(range(1, 11), -cv_scores, marker='o', label='每折负均方误差')
-    plt.xlabel('折数')
-    plt.ylabel('负均方误差')
-    plt.title('交叉验证结果（每折负均方误差）')
-    plt.xticks(range(1, 11))
-    plt.legend()
+    plt.title('实际发电量与预测发电量对比')
     plt.grid(True)
     plt.show()
 
+    # 使用线性回归预测未来30年的增长趋势
+    years = [2013, 2014, 2015, 2016, 2017]  # 使用已有的年份
+    generation_values = data[generation_columns].mean(axis=0)  # 使用这些年份的平均发电量
+
+    # 创建一个线性回归模型来拟合这些数据
+    linear_regressor = LinearRegression()
+    linear_regressor.fit(np.array(years).reshape(-1, 1), generation_values)
+
+    # 预测未来30年的发电量
+    future_years = list(range(2018, 2018 + 30))
+    future_generation = linear_regressor.predict(np.array(future_years).reshape(-1, 1))
+
+    # 输出未来30年的预测发电量
+    print("未来30年发电量预测（单位：GWh）：")
+    for i, generation in enumerate(future_generation):
+        print(f"第 {i+1} 年 ({future_years[i]}): {generation:.2f} GWh")
+
+    # 获取2013到2017年已知的发电量数据
+    known_generation = data[generation_columns].mean(axis=0)
+
+    # 合并已知发电量数据和未来30年预测的发电量
+    all_years = years + future_years
+    all_generation = list(known_generation) + list(future_generation)
+
+    # 可视化年份和发电量的增长趋势（已知数据和预测数据）
+    plt.figure(figsize=(10, 6))
+
+    # 绘制已知数据的发电量趋势（2013-2017年，用绿色标色）
+    plt.plot(years, known_generation, marker='o', color='green', label='已知发电量 (2013-2017)', linestyle='-', markersize=8)
+
+    # 绘制未来预测数据的发电量趋势（2018-2047年，用蓝色标色）
+    plt.plot(future_years, future_generation, marker='o', color='blue', label='预测发电量 (2018-2047)', linestyle='-', markersize=8)
+
+    plt.xlabel('年份')
+    plt.ylabel('发电量 (GWh)')
+    plt.title('2013-2047年发电量增长趋势（已知数据和预测数据）')
+    plt.grid(True)
+    plt.legend()
+    plt.show()
+
+
 if __name__ == "__main__":
     main()