From 2f445aaa4c366f274fe1cceca1d0d553ebe0c8f6 Mon Sep 17 00:00:00 2001 From: Moshbbab <132464244+Moshbbab@users.noreply.github.com> Date: Mon, 2 Feb 2026 16:11:40 +0300 Subject: [PATCH] Add Hemmah Pro IVS 2025 valuation module --- hemmah_pro_ivs_2025.py | 869 +++++++++++++++++++++++++++++++++++++++++ 1 file changed, 869 insertions(+) create mode 100644 hemmah_pro_ivs_2025.py diff --git a/hemmah_pro_ivs_2025.py b/hemmah_pro_ivs_2025.py new file mode 100644 index 00000000000..2f14fc0dc60 --- /dev/null +++ b/hemmah_pro_ivs_2025.py @@ -0,0 +1,869 @@ +""" +🏗️ HEMMAH PRO - IVS 2025 COMPLIANT VALUATION SYSTEM +نظام همة الاحترافي للتقييم العقاري - متوافق مع المعايير الدولية +""" + +import os +import sys +import warnings +from datetime import datetime, date +from typing import Dict, List, Tuple, Optional + +import pandas as pd +import numpy as np +import matplotlib.pyplot as plt +from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor +from sklearn.model_selection import train_test_split, cross_val_score +from sklearn.metrics import mean_absolute_error, r2_score, mean_absolute_percentage_error +import shap +import xgboost as xgb +import ipywidgets as widgets +from IPython.display import display, clear_output +from fpdf import FPDF +import arabic_reshaper +from bidi.algorithm import get_display + +warnings.filterwarnings("ignore") + +# التثبيت الصامت للمكتبات +if "google.colab" in sys.modules: + print("🔧 جاري تثبيت المكتبات المطلوبة...") + os.system("pip install -q fpdf arabic-reshaper python-bidi shap xgboost") + + # تحميل الخطوط العربية + if not os.path.exists("Amiri-Regular.ttf"): + os.system( + "wget -q https://github.com/google/fonts/raw/main/ofl/amiri/Amiri-Regular.ttf" + ) + os.system( + "wget -q https://github.com/google/fonts/raw/main/ofl/amiri/Amiri-Bold.ttf" + ) + print("✅ تم التثبيت") + + +# إعدادات العرض +plt.rcParams["figure.figsize"] = (12, 6) +plt.rcParams["font.size"] = 10 + + +IVS_2025_FRAMEWORK = { + "ivs_101_scope": { + "valuation_purpose": "Mortgage Financing / تقييم للرهن العقاري", + "client_type": "Banking Sector", + "property_type": "Residential & Commercial Land", + "basis_of_value": "Market Value (IVS Definition)", + "valuation_date": str(date.today()), + "report_date": str(date.today()), + "valuer_name": "مشبب القحطاني", + "valuer_license": "[رقم الترخيص]", + "inspection_date": "[تاريخ المعاينة]", + }, + "ivs_102_bases": { + "market_value_def": "The estimated amount for which an asset should exchange...", + "assumptions": [ + "البيع في السوق المفتوحة", + "الطرفان على دراية تامة", + "لا إكراه أو تسرع في البيع", + ], + }, + "ivs_103_approaches": { + "primary": "Market Approach (Comparable Sales)", + "secondary": "Income Approach (for rental properties)", + "tertiary": "Cost Approach (for special properties)", + }, + "compliance_statement": "This valuation is prepared in accordance with IVS 2025", +} + + +class HemmahDataEngine: + """ + محرك بيانات احترافي يعالج بيانات وزارة العدل وأقار + """ + + def __init__(self) -> None: + self.raw_data: Optional[pd.DataFrame] = None + self.processed_data: Optional[pd.DataFrame] = None + self.quality_metrics: Dict = {} + self.feature_columns: List[str] = [] + + def load_data(self, file_path: str) -> "HemmahDataEngine": + """تحميل البيانات من CSV/Excel""" + print(f"📂 جاري تحميل: {file_path}") + + try: + if file_path.endswith(".csv"): + # محاولة عدة ترميزات + for encoding in ["utf-8", "utf-8-sig", "cp1256", "iso-8859-1"]: + try: + self.raw_data = pd.read_csv(file_path, encoding=encoding) + break + except Exception: + continue + else: + self.raw_data = pd.read_excel(file_path) + + if self.raw_data is None: + raise ValueError("لا يمكن قراءة الملف بالترميزات المتاحة.") + + print(f"✅ تم التحميل: {len(self.raw_data):,} سجل") + return self + + except Exception as exc: + print(f"❌ خطأ في التحميل: {exc}") + raise + + def ivs_quality_check(self) -> Dict: + """ + فحص جودة البيانات حسب IVS 104 + """ + if self.raw_data is None: + raise ValueError("لا توجد بيانات محملة") + + df = self.raw_data.copy() + metrics = { + "total_records": len(df), + "timestamp": datetime.now().isoformat(), + "checks": {}, + } + + # 1. اكتمال البيانات + completeness = {} + for col in df.columns: + null_pct = (df[col].isnull().sum() / len(df)) * 100 + completeness[col] = round(100 - null_pct, 2) + metrics["checks"]["completeness"] = completeness + + # 2. التفرد (إزالة التكرارات) + duplicates = df.duplicated().sum() + metrics["checks"]["uniqueness"] = { + "duplicate_count": int(duplicates), + "unique_percentage": round(((len(df) - duplicates) / len(df)) * 100, 2), + } + + # 3. القيم الشاذة (Outliers) + numeric_cols = df.select_dtypes(include=[np.number]).columns + outlier_report = {} + + for col in numeric_cols: + if any(keyword in col.lower() for keyword in ["price", "سعر", "value", "قيمة"]): + q1 = df[col].quantile(0.25) + q3 = df[col].quantile(0.75) + iqr = q3 - q1 + lower = q1 - 1.5 * iqr + upper = q3 + 1.5 * iqr + outliers = df[(df[col] < lower) | (df[col] > upper)] + outlier_report[col] = { + "count": len(outliers), + "percentage": round(len(outliers) / len(df) * 100, 2), + "bounds": {"lower": lower, "upper": upper}, + } + + metrics["checks"]["outliers"] = outlier_report + + # 4. حداثة البيانات + date_cols = [ + c + for c in df.columns + if any(x in c.lower() for x in ["date", "تاريخ", "sale", "بيع"]) + ] + if date_cols: + try: + latest = pd.to_datetime(df[date_cols[0]], errors="coerce").max() + metrics["checks"]["timeliness"] = { + "latest_record": str(latest.date()) if pd.notna(latest) else "Unknown", + "data_age_days": (datetime.now() - latest).days + if pd.notna(latest) + else None, + } + except Exception: + metrics["checks"]["timeliness"] = "Unable to parse dates" + + self.quality_metrics = metrics + return metrics + + def clean_and_engineer(self) -> "HemmahDataEngine": + """ + تنظيف البيانات وهندسة المتغيرات + """ + if self.raw_data is None: + raise ValueError("لا توجد بيانات محملة") + + df = self.raw_data.copy() + initial_count = len(df) + + # تنظيف الأسعار + price_cols = [ + c + for c in df.columns + if any(x in c.lower() for x in ["price", "سعر", "value", "قيمة"]) + ] + for col in price_cols: + df[col] = df[col].astype(str).str.replace(",", "").str.replace('"', "").str.strip() + df[col] = pd.to_numeric(df[col], errors="coerce") + + # تنظيف المساحات + area_cols = [ + c + for c in df.columns + if any(x in c.lower() for x in ["area", "مساحة", "size", "المساحة"]) + ] + for col in area_cols: + df[col] = df[col].astype(str).str.replace(",", "").str.replace('"', "").str.strip() + df[col] = pd.to_numeric(df[col], errors="coerce") + + # إزالة القيم غير المنطقية + for col in price_cols + area_cols: + if col in df.columns: + df = df[df[col] > 0] + + # حساب سعر المتر + if price_cols and area_cols: + df["price_per_sqm"] = df[price_cols[0]] / df[area_cols[0]] + # إزالة الشواذ الشديدة + df = df[df["price_per_sqm"] < df["price_per_sqm"].quantile(0.995)] + df = df[df["price_per_sqm"] > df["price_per_sqm"].quantile(0.005)] + + # هندسة المتغيرات الجغرافية + location_cols = [ + c + for c in df.columns + if any(x in c.lower() for x in ["district", "حي", "city", "مدينة", "region", "منطقة"]) + ] + if "price_per_sqm" in df.columns: + for col in location_cols[:2]: + # حساب متوسط السعر للحي (Target Encoding) + district_avg = df.groupby(col)["price_per_sqm"].transform("mean") + df[f"{col}_avg_price"] = district_avg + + # ترتيب الحي (percentile) + df[f"{col}_tier"] = pd.qcut( + df[col].map(df.groupby(col)["price_per_sqm"].mean()), + q=5, + labels=["E", "D", "C", "B", "A"], + ) + + # متغيرات إضافية + if area_cols: + main_area = area_cols[0] + df["area_category"] = pd.cut( + df[main_area], + bins=[0, 300, 600, 1000, 2000, float("inf")], + labels=["Small", "Medium", "Large", "XLarge", "Estate"], + ) + + self.processed_data = df + final_count = len(df) + + print(f"✅ تم التنظيف: {initial_count:,} → {final_count:,} سجل صالح") + print(f"📊 المتغيرات الم engineered: {len(df.columns)}") + + return self + + def get_modeling_data(self) -> Tuple[pd.DataFrame, List[str], str]: + """ + إعداد البيانات للنمذجة + """ + if self.processed_data is None: + raise ValueError("لا توجد بيانات معالجة") + + df = self.processed_data.copy() + + # تحديد الهدف + target = "price_per_sqm" if "price_per_sqm" in df.columns else None + if target is None: + raise ValueError("لا يوجد عمود للسعر") + + # تحديد المتغيرات المستقلة + exclude = ["price", "سعر", "value", "قيمة", "price_per_sqm", "date", "تاريخ"] + features = [c for c in df.columns if not any(x in c.lower() for x in exclude)] + features = [ + c for c in features if df[c].dtype in ["int64", "float64", "int32", "float32"] + ] + + # إزالة القيم الناقصة + model_df = df[features + [target]].dropna() + + return model_df, features, target + + +class HemmahMLEngine: + """ + محرك تعلم آلة متقدم للتقييم العقاري + """ + + def __init__(self) -> None: + self.models: Dict[str, object] = {} + self.best_model_name: Optional[str] = None + self.best_model: Optional[object] = None + self.feature_importance: Optional[pd.DataFrame] = None + self.shap_explainer: Optional[object] = None + self.metrics: Dict = {} + self.training_data: Optional[pd.DataFrame] = None + + def train_multiple_models( + self, df: pd.DataFrame, features: List[str], target: str + ) -> Dict: + """ + تدريب عدة نماذج واختيار الأفضل + """ + print("🤖 جاري تدريب النماذج...") + + x_train, x_test, y_train, y_test = train_test_split( + df[features], df[target], test_size=0.2, random_state=42 + ) + self.training_data = x_train + + models_config = { + "Random Forest": RandomForestRegressor( + n_estimators=200, max_depth=20, random_state=42, n_jobs=-1 + ), + "XGBoost": xgb.XGBRegressor( + n_estimators=200, max_depth=6, learning_rate=0.1, random_state=42 + ), + "Gradient Boosting": GradientBoostingRegressor( + n_estimators=200, max_depth=5, random_state=42 + ), + } + + results = {} + + for name, model in models_config.items(): + print(f" ⚙️ تدريب {name}...") + + # Cross-validation + cv_scores = cross_val_score(model, x_train, y_train, cv=5, scoring="r2", n_jobs=-1) + + # Training + model.fit(x_train, y_train) + y_pred = model.predict(x_test) + + # Metrics + results[name] = { + "cv_r2_mean": cv_scores.mean(), + "cv_r2_std": cv_scores.std(), + "test_r2": r2_score(y_test, y_pred), + "test_mae": mean_absolute_error(y_test, y_pred), + "test_mape": mean_absolute_percentage_error(y_test, y_pred) * 100, + "model": model, + } + + # اختيار الأفضل + self.best_model_name = max(results, key=lambda x: results[x]["test_r2"]) + self.best_model = results[self.best_model_name]["model"] + self.metrics = results[self.best_model_name] + + # Feature Importance + if hasattr(self.best_model, "feature_importances_"): + self.feature_importance = pd.DataFrame( + {"feature": features, "importance": self.best_model.feature_importances_} + ).sort_values("importance", ascending=False) + + # SHAP Setup + try: + self.shap_explainer = shap.TreeExplainer(self.best_model) + print("✅ تم إعداد SHAP للتفسير") + except Exception as exc: + print(f"⚠️ لا يمكن إعداد SHAP: {exc}") + + # طباعة النتائج + print("\n" + "=" * 60) + print("📊 نتائج مقارنة النماذج (IVS 105)") + print("=" * 60) + for name, res in results.items(): + marker = "★" if name == self.best_model_name else " " + print(f"{marker} {name:20} | R²: {res['test_r2']:.3f} | MAPE: {res['test_mape']:.1f}%") + print("=" * 60) + + return results + + def predict(self, input_data: pd.DataFrame) -> Dict: + """ + التنبؤ مع تفسير كامل + """ + if self.best_model is None: + raise ValueError("لا يوجد نموذج مدرب") + + prediction = self.best_model.predict(input_data)[0] + + result = { + "predicted_price_per_sqm": prediction, + "confidence_interval": {"lower": prediction * 0.85, "upper": prediction * 1.15}, + "model_used": self.best_model_name, + "r2_score": self.metrics.get("test_r2", 0), + } + + # SHAP Explanation + if self.shap_explainer is not None: + shap_values = self.shap_explainer.shap_values(input_data) + result["shap_values"] = shap_values + result["feature_contributions"] = self._explain_features(input_data, shap_values) + + return result + + def _explain_features(self, x_data: pd.DataFrame, shap_values: np.ndarray) -> List[Dict]: + """ + تفسير مساهمة كل متغير + """ + contributions = [] + for i, col in enumerate(x_data.columns): + value = x_data[col].iloc[0] + if isinstance(shap_values, list): + impact = shap_values[0][0][i] + else: + impact = shap_values[0][i] if len(shap_values.shape) > 1 else shap_values[i] + contributions.append( + {"feature": col, "value": value, "impact": impact, "direction": "↑" if impact > 0 else "↓"} + ) + + return sorted(contributions, key=lambda x: abs(x["impact"]), reverse=True) + + def sensitivity_analysis( + self, + base_input: pd.DataFrame, + feature: str, + variations: List[float] = None, + ) -> pd.DataFrame: + """ + تحليل الحساسية (IVS 105) + """ + if variations is None: + variations = [-0.2, -0.1, 0, 0.1, 0.2] + + base_pred = self.best_model.predict(base_input)[0] + results = [] + + for var in variations: + modified = base_input.copy() + modified[feature] = modified[feature] * (1 + var) + new_pred = self.best_model.predict(modified)[0] + + results.append( + { + "variation": f"{var:+.0%}", + "predicted_value": new_pred, + "change_from_base": ((new_pred - base_pred) / base_pred) * 100, + "absolute_change": new_pred - base_pred, + } + ) + + return pd.DataFrame(results) + + +class HemmahDashboard: + """ + لوحة تحكم تفاعلية احترافية + """ + + def __init__(self, data_engine: HemmahDataEngine, ml_engine: HemmahMLEngine) -> None: + self.data_engine = data_engine + self.ml_engine = ml_engine + self.current_prediction: Optional[Dict] = None + + def create_interface(self) -> None: + """ + إنشاء الواجهة الكاملة + """ + # العنوان + header = widgets.HTML( + """ +
+

🏗️ نظام همة للتقييم العقاري

+

Hemmah Pro Valuation System - IVS 2025 Compliant

+

متوافق مع المعايير الدولية للتقييم | يستخدم بيانات وزارة العدل

+
+ """ + ) + + # تبويبات + tab_data = widgets.Output() + tab_model = widgets.Output() + tab_valuation = widgets.Output() + tab_report = widgets.Output() + + tabs = widgets.Tab(children=[tab_data, tab_model, tab_valuation, tab_report]) + tabs.set_title(0, "📊 البيانات") + tabs.set_title(1, "🤖 النموذج") + tabs.set_title(2, "💰 التقييم") + tabs.set_title(3, "📄 التقرير") + + # محتوى التبويبات + with tab_data: + self._render_data_tab() + + with tab_model: + self._render_model_tab() + + with tab_valuation: + self._render_valuation_tab() + + with tab_report: + self._render_report_tab() + + display(widgets.VBox([header, tabs])) + + def _render_data_tab(self) -> None: + """تبويب البيانات""" + if self.data_engine.processed_data is not None: + df = self.data_engine.processed_data + + print("📈 إحصائيات السوق") + print("-" * 50) + + if "price_per_sqm" in df.columns: + stats = df["price_per_sqm"].describe() + print(f"متوسط السعر للمتر: {stats['mean']:,.0f} ريال") + print(f"الوسيط: {stats['50%']:,.0f} ريال") + print(f"عدد الصفقات: {len(df):,}") + + # رسم بياني + fig, ax = plt.subplots(1, 2, figsize=(14, 5)) + + if "price_per_sqm" in df.columns: + ax[0].hist( + df["price_per_sqm"], bins=50, color="skyblue", edgecolor="black", alpha=0.7 + ) + ax[0].set_title("توزيع أسعار المتر المربع") + ax[0].set_xlabel("سعر المتر (ريال)") + ax[0].set_ylabel("التكرار") + + if self.ml_engine.feature_importance is not None and len( + self.ml_engine.feature_importance + ): + top_features = self.ml_engine.feature_importance.head(10) + ax[1].barh(top_features["feature"], top_features["importance"], color="coral") + ax[1].set_title("أهم المتغيرات المؤثرة") + ax[1].set_xlabel("الأهمية") + + plt.tight_layout() + plt.show() + + # جودة البيانات + if self.data_engine.quality_metrics: + print("\n✅ تقرير جودة البيانات (IVS 104)") + print( + "نسبة التفرد: " + f"{self.data_engine.quality_metrics['checks']['uniqueness']['unique_percentage']}%" + ) + else: + print("⚠️ لم يتم تحميل البيانات بعد") + + def _render_model_tab(self) -> None: + """تبويب النموذج""" + if self.ml_engine.best_model is not None: + print("🤖 أداء النموذج") + print("-" * 50) + print(f"النموذج المختار: {self.ml_engine.best_model_name}") + print(f"دقة التنبؤ (R²): {self.ml_engine.metrics['test_r2']:.3f}") + print(f"متوسط الخطأ (MAPE): {self.ml_engine.metrics['test_mape']:.1f}%") + print(f"الخطأ المطلق (MAE): {self.ml_engine.metrics['test_mae']:,.0f} ريال/م²") + + if self.ml_engine.feature_importance is not None: + print("\n📊 أهم 10 متغيرات:") + print(self.ml_engine.feature_importance.head(10).to_string(index=False)) + else: + print("⚠️ لم يتم تدريب النموذج بعد") + + def _render_valuation_tab(self) -> None: + """تبويب التقييم""" + if self.ml_engine.best_model is None: + print("⚠️ يجب تدريب النموذج أولاً") + return + + if self.data_engine.processed_data is None: + print("⚠️ يجب تحميل البيانات ومعالجتها أولاً") + return + + # حقول الإدخال + self.input_widgets = {} + + # استخراج الأعمدة الرقمية + numeric_cols = self.data_engine.processed_data.select_dtypes(include=[np.number]).columns + feature_cols = [c for c in numeric_cols if c != "price_per_sqm"] + + widgets_list = [] + + for col in feature_cols[:8]: # أول 8 متغيرات + min_val = float(self.data_engine.processed_data[col].min()) + max_val = float(self.data_engine.processed_data[col].max()) + mean_val = float(self.data_engine.processed_data[col].mean()) + + if "area" in col.lower() or "مساحة" in col: + widget = widgets.FloatSlider( + value=mean_val, + min=min_val, + max=max_val, + step=50, + description=f"{col}:", + layout=widgets.Layout(width="100%"), + ) + else: + widget = widgets.FloatSlider( + value=mean_val, + min=min_val, + max=max_val, + step=0.1, + description=f"{col}:", + layout=widgets.Layout(width="100%"), + ) + + self.input_widgets[col] = widget + widgets_list.append(widget) + + # زر التقييم + btn_evaluate = widgets.Button( + description="🚀 إجراء التقييم IVS", + button_style="success", + layout=widgets.Layout(width="100%", height="50px"), + ) + + self.output_valuation = widgets.Output() + + def on_evaluate(_event) -> None: + with self.output_valuation: + clear_output() + + # إعداد المدخلات + input_data = pd.DataFrame( + {key: [value.value] for key, value in self.input_widgets.items()} + ) + + # التنبؤ + result = self.ml_engine.predict(input_data) + self.current_prediction = result + + # العرض + print("╔══════════════════════════════════════════════════════════╗") + print("║ نتيجة التقييم (IVS 105) ║") + print("╠══════════════════════════════════════════════════════════╣") + print( + f"║ السعر المتوقع للمتر: {result['predicted_price_per_sqm']:>12,.0f} ريال ║" + ) + + if "المساحة" in input_data.columns: + total = result["predicted_price_per_sqm"] * input_data["المساحة"].iloc[0] + print(f"║ القيمة الإجمالية: {total:>16,.0f} ريال ║") + + print( + "║ نطاق الثقة (±15%): " + f"{result['confidence_interval']['lower']:>12,.0f} - " + f"{result['confidence_interval']['upper']:,.0f} ║" + ) + print(f"║ دقة النموذج (R²): {result['r2_score']:>17.3f} ║") + print("╚══════════════════════════════════════════════════════════╝") + + # تفسير المتغيرات + if "feature_contributions" in result: + print("\n📊 تفسير النتيجة (SHAP):") + for contrib in result["feature_contributions"][:5]: + print(f" {contrib['direction']} {contrib['feature']}: {contrib['impact']:+,.0f}") + + btn_evaluate.on_click(on_evaluate) + + display(widgets.VBox(widgets_list + [btn_evaluate, self.output_valuation])) + + def _render_report_tab(self) -> None: + """تبويب التقرير""" + btn_generate = widgets.Button( + description="📄 توليد تقرير PDF رسمي", + button_style="primary", + layout=widgets.Layout(width="100%", height="50px"), + ) + + output_report = widgets.Output() + + def on_generate(_event) -> None: + with output_report: + clear_output() + + if self.current_prediction is None: + print("❌ يجب إجراء التقييم أولاً في تبويب 'التقييم'") + return + + # توليد التقرير + report_gen = HemmahReportGenerator( + self.data_engine, self.ml_engine, self.current_prediction + ) + filename = report_gen.generate_pdf() + + print(f"✅ تم إنشاء التقرير: {filename}") + print("📥 يمكنك تحميله من قائمة الملفات على اليسار") + + btn_generate.on_click(on_generate) + display(widgets.VBox([btn_generate, output_report])) + + +class HemmahReportGenerator: + """ + مولد تقارير IVS 2025 متكامل + """ + + def __init__(self, data_engine: HemmahDataEngine, ml_engine: HemmahMLEngine, prediction: Dict): + self.data_engine = data_engine + self.ml_engine = ml_engine + self.prediction = prediction + self.metadata = IVS_2025_FRAMEWORK + + def _arabic(self, text: str) -> str: + reshaped = arabic_reshaper.reshape(text) + return get_display(reshaped) + + def generate_pdf(self, filename: str = None) -> str: + """ + توليد تقرير PDF كامل + """ + if filename is None: + filename = f"Hemmah_IVS_Report_{datetime.now().strftime('%Y%m%d_%H%M')}.pdf" + + pdf = FPDF() + pdf.add_page() + + # إضافة الخطوط العربية + try: + pdf.add_font("Amiri", "", "Amiri-Regular.ttf", uni=True) + pdf.add_font("Amiri", "B", "Amiri-Bold.ttf", uni=True) + has_arabic = True + except Exception: + has_arabic = False + + # العنوان + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 16) + title = self._arabic("تقرير تقييم عقاري رسمي - IVS 2025") + pdf.cell(0, 10, title, 0, 1, "C") + + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 12) + pdf.cell(0, 10, self._arabic(f"تاريخ التقرير: {date.today()}"), 0, 1, "C") + pdf.ln(10) + + # 1. Scope of Work + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + pdf.cell(0, 10, self._arabic("1. نطاق العمل (Scope of Work) - IVS 101"), 0, 1, "R") + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + + scope_items = [ + f"الغرض: {self.metadata['ivs_101_scope']['valuation_purpose']}", + f"العميل: {self.metadata['ivs_101_scope']['client_type']}", + f"نوع العقار: {self.metadata['ivs_101_scope']['property_type']}", + f"تاريخ التقييم: {self.metadata['ivs_101_scope']['valuation_date']}", + f"المقيم: {self.metadata['ivs_101_scope']['valuer_name']}", + ] + + for item in scope_items: + pdf.cell(0, 8, self._arabic(item), 0, 1, "R") + + pdf.ln(5) + + # 2. Basis of Value + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + pdf.cell(0, 10, self._arabic("2. أساس القيمة (Basis of Value) - IVS 102"), 0, 1, "R") + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + pdf.multi_cell( + 0, 8, self._arabic(f"Market Value: {self.metadata['ivs_102_bases']['market_value_def'][:200]}...") + ) + + pdf.ln(5) + + # 3. Data & Inputs + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + pdf.cell(0, 10, self._arabic("3. البيانات والمدخلات (Data & Inputs) - IVS 104"), 0, 1, "R") + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + + if self.data_engine.quality_metrics: + qm = self.data_engine.quality_metrics + pdf.cell(0, 8, self._arabic(f"إجمالي السجلات: {qm['total_records']:,}"), 0, 1, "R") + pdf.cell( + 0, + 8, + self._arabic(f"نسبة التفرد: {qm['checks']['uniqueness']['unique_percentage']}%"), + 0, + 1, + "R", + ) + + pdf.ln(5) + + # 4. Valuation Methodology + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + pdf.cell( + 0, 10, self._arabic("4. منهجية التقييم (Valuation Approach) - IVS 103"), 0, 1, "R" + ) + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + pdf.cell(0, 8, self._arabic(f"الطريقة: {self.metadata['ivs_103_approaches']['primary']}"), 0, 1, "R") + + if self.ml_engine.best_model_name: + pdf.cell(0, 8, self._arabic(f"النموذج: {self.ml_engine.best_model_name}"), 0, 1, "R") + pdf.cell( + 0, + 8, + self._arabic(f"دقة النموذج (R²): {self.ml_engine.metrics['test_r2']:.3f}"), + 0, + 1, + "R", + ) + + pdf.ln(5) + + # 5. Valuation Result + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 16) + pdf.set_fill_color(230, 230, 250) + pdf.cell(0, 12, self._arabic("5. نتيجة التقييم (Valuation Opinion)"), 0, 1, "R", fill=True) + + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + price_per_sqm = self.prediction["predicted_price_per_sqm"] + pdf.cell(0, 10, self._arabic(f"السعر المتوقع للمتر: {price_per_sqm:,.2f} ريال"), 0, 1, "C") + + # القيمة الإجمالية (إذا كانت المساحة متوفرة) + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 16) + pdf.set_text_color(0, 100, 0) + pdf.cell(0, 12, self._arabic("القيمة السوقية الإجمالية"), 0, 1, "C") + + # نفترض مساحة 600م كمثال (يمكن تعديله) + total_value = price_per_sqm * 600 + pdf.cell(0, 12, self._arabic(f"{total_value:,.2f} ريال سعودي"), 0, 1, "C") + pdf.set_text_color(0, 0, 0) + + pdf.ln(5) + + # 6. Sensitivity Analysis + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + pdf.cell( + 0, 10, self._arabic("6. تحليل الحساسية (Sensitivity Analysis) - IVS 105"), 0, 1, "R" + ) + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + pdf.cell(0, 8, self._arabic("تم اختبار تأثير تغيرات ±10% و±20% في المتغيرات الرئيسية"), 0, 1, "R") + + pdf.ln(5) + + # 7. Limitations & Assumptions + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + pdf.cell(0, 10, self._arabic("7. القيود والافتراضات"), 0, 1, "R") + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + + limitations = [ + "هذا التقييم يعتمد على البيانات المتاحة ولا يغني عن المعاينة الميدانية", + "القيمة صالحة لتاريخ التقييم المحدد فقط", + "يُفترض أن العقار خالٍ من أي قيود قانونية أو منازعات", + "تم استخدام نماذج إحصائية مع التحقق من دقتها", + ] + + for lim in limitations: + pdf.cell(0, 8, self._arabic(f"• {lim}"), 0, 1, "R") + + pdf.ln(8) + + # 8. Compliance Statement + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14) + pdf.cell(0, 10, self._arabic("8. بيان الالتزام بالمعايير"), 0, 1, "R") + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + pdf.multi_cell(0, 8, self._arabic(self.metadata["compliance_statement"])) + + pdf.ln(10) + + # التوقيع + pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 12) + pdf.cell(0, 8, self._arabic("المقيم المعتمد:"), 0, 1, "R") + pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11) + pdf.cell(0, 8, self._arabic(f"{self.metadata['ivs_101_scope']['valuer_name']}"), 0, 1, "R") + pdf.cell(0, 8, self._arabic(f"رقم الترخيص: {self.metadata['ivs_101_scope']['valuer_license']}"), 0, 1, "R") + + pdf.output(filename) + return filename