import streamlit as st
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX


st.title("Airline Passenger Forecasting")

st.write("This app forecasts future airline passenger traffic using a SARIMA time series model.")


# Code Açıklama:
# Veri setini okuyoruz.

df = pd.read_csv("src/air traffic.csv")


# Code Açıklama:
# Year ve Month sütunlarından tarih değişkeni oluşturuyoruz.

df["Date"] = pd.to_datetime(
    df["Year"].astype(str) + "-" + df["Month"].astype(str)
)

df = df.set_index("Date")


# Code Açıklama:
# Pax sütununu sayısal formata çeviriyoruz.

df["Pax"] = df["Pax"].astype(str).str.replace(",", "")

df["Pax"] = pd.to_numeric(df["Pax"])


# Code Açıklama:
# Tahmin yapılacak zaman serisini seçiyoruz.

ts = df["Pax"]


st.subheader("Historical Passenger Traffic")

fig1, ax1 = plt.subplots(figsize=(12, 5))

ax1.plot(ts)

ax1.set_title("Historical Passenger Traffic")
ax1.set_xlabel("Date")
ax1.set_ylabel("Passenger Count")

st.pyplot(fig1)


# Code Açıklama:
# Kullanıcıdan kaç aylık tahmin istediğini alıyoruz.

forecast_months = st.slider(
    "Select forecast period in months",
    min_value=6,
    max_value=36,
    value=24
)


# Code Açıklama:
# SARIMA modelini tüm veriyle eğitiyoruz.

model = SARIMAX(
    ts,
    order=(1, 1, 1),
    seasonal_order=(1, 1, 1, 12)
)

model_fit = model.fit()


# Code Açıklama:
# Seçilen ay sayısı kadar gelecek tahmini yapıyoruz.

forecast = model_fit.forecast(forecast_months)


st.subheader("Forecast Results")

fig2, ax2 = plt.subplots(figsize=(12, 5))

ax2.plot(ts, label="Historical Data")

ax2.plot(
    forecast.index,
    forecast,
    label="Forecast"
)

ax2.set_title("Future Passenger Forecast")
ax2.set_xlabel("Date")
ax2.set_ylabel("Passenger Count")
ax2.legend()

st.pyplot(fig2)


# Code Açıklama:
# Tahmin sonuçlarını tablo halinde gösteriyoruz.

forecast_df = pd.DataFrame({
    "Date": forecast.index,
    "Forecast Passenger Count": forecast.values.astype(int)
})

st.subheader("Forecast Table")

st.dataframe(forecast_df)