modules/forecasting.py

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error
import plotly.graph_objects as go
import io

def generate_mock_export():
    """
    Genera un CSV con 4 settimane di dati (28 giorni) per simulare una pianificazione.
    Include pattern orari (picchi 10:00/16:00), settimanali (Lunedì alto) e festivi.
    """
    # Generiamo dati partendo da un Lunedì recente
    start_date = pd.Timestamp("2025-05-05")
    periods = 28 * 24 * 4
    dates = pd.date_range(start=start_date, periods=periods, freq='15min')
    df = pd.DataFrame({'Timestamp': dates})
    df['Hour'] = df['Timestamp'].dt.hour
    df['DayOfWeek'] = df['Timestamp'].dt.dayofweek
    base_volume = 10
    df['Volume'] = base_volume
    mask_work = (df['Hour'] >= 8) & (df['Hour'] <= 21)
    df.loc[mask_work, 'Volume'] += 50
    mask_peak1 = (df['Hour'] >= 10) & (df['Hour'] <= 11)
    mask_peak2 = (df['Hour'] >= 15) & (df['Hour'] <= 16)
    df.loc[mask_peak1, 'Volume'] += 40
    df.loc[mask_peak2, 'Volume'] += 30
    df.loc[df['Hour'] == 13, 'Volume'] -= 15
    df.loc[df['DayOfWeek'] <= 1, 'Volume'] *= 1.2
    df.loc[df['DayOfWeek'] >= 5, 'Volume'] *= 0.2
    df.loc[df['Hour'] < 7, 'Volume'] = np.random.randint(0, 5, size=sum(df['Hour'] < 7))
    noise = np.random.randint(-5, 10, size=len(df))
    df['Volume'] += noise
    df['Volume'] = df['Volume'].clip(lower=0).astype(int)
    
    csv_buffer = io.StringIO()
    df[['Timestamp', 'Volume']].to_csv(csv_buffer, index=False)
    csv_buffer.seek(0)
    return csv_buffer.getvalue()

def predict_workload(file_obj):
    """
    Logica Backtesting con Output PLOTLY (Interattivo).
    """
    if file_obj is None: return None, "⚠️ Seleziona un file CSV dalla sidebar laterale."
    
    try:
        # Caricamento file cvs
        if hasattr(file_obj, 'name'):
            df = pd.read_csv(file_obj.name)
        else:
            df = pd.read_csv(file_obj)
            
        df['Timestamp'] = pd.to_datetime(df['Timestamp'])
        df = df.sort_values('Timestamp')
        
        # --- LOGICA SPLIT settimana n da settimane n-1 ---
        last_timestamp = df['Timestamp'].max()
        days_to_subtract = last_timestamp.dayofweek
        split_date = (last_timestamp - pd.Timedelta(days=days_to_subtract)).normalize()
        
        train_df = df[df['Timestamp'] < split_date].copy()
        test_df = df[df['Timestamp'] >= split_date].copy()
        
        if len(train_df) == 0 or len(test_df) == 0:
            return None, "⚠️ Dati insufficienti per il backtesting."

        # --- TRAINING ---
        for d in [train_df, test_df]:
            d['Hour'] = d['Timestamp'].dt.hour
            d['Minute'] = d['Timestamp'].dt.minute
            d['DayOfWeek'] = d['Timestamp'].dt.dayofweek
        
        X_train = train_df[['Hour', 'Minute', 'DayOfWeek']]
        y_train = train_df['Volume']
        
        model = RandomForestRegressor(n_estimators=100, random_state=42)
        model.fit(X_train, y_train)
        
        # --- PREDICTION ---
        X_test = test_df[['Hour', 'Minute', 'DayOfWeek']]
        test_df['Predicted_Volume'] = model.predict(X_test).astype(int)
        
        # --- METRICS ---
        total_actual = test_df['Volume'].sum()
        total_pred = test_df['Predicted_Volume'].sum()
        mae = mean_absolute_error(test_df['Volume'], test_df['Predicted_Volume'])
        diff_perc = ((total_pred - total_actual) / total_actual) * 100

        # ==========================================
        # CREAZIONE GRAFICO INTERATTIVO (PLOTLY)
        # ==========================================
        
        # Creiamo un oggetto Figure
        fig = go.Figure()

        # 1. Serie: Dati Reali
        fig.add_trace(go.Scatter(
            x=test_df['Timestamp'],
            y=test_df['Volume'],
            mode='lines',
            name='Reale (Consuntivo)',
            line=dict(color='#3b82f6', width=2),
            fill='tozeroy', # Riempie l'area sotto
            fillcolor='rgba(59, 130, 246, 0.2)' # Blu trasparente
        ))

        # 2. Serie: Forecast AI (Previsione)
        fig.add_trace(go.Scatter(
            x=test_df['Timestamp'],
            y=test_df['Predicted_Volume'],
            mode='lines+markers', # Linea con pallini sui punti
            name='Forecast AI (Pianificato)',
            line=dict(color='#f97316', width=3, dash='solid'), 
            marker=dict(size=4)
        ))

        # 3. Layout e Stile
        fig.update_layout(
            title=f"<b>Analisi Comparativa:</b> Reale vs AI (Settimana corrente)",
            xaxis_title="Fascia Oraria (15min)",
            yaxis_title="Volume Chiamate",
            template="plotly_white", # Sfondo bianco pulito
            hovermode="x unified",   # mostra entrambi i valori al passaggio del mouse
            legend=dict(
                orientation="h",     # Legenda orizzontale in alto
                yanchor="bottom",
                y=1.02,
                xanchor="right",
                x=1
            ),
            height=500, # Altezza fissa
            margin=dict(l=20, r=20, t=60, b=20)
        )

        # 4. Aggiunta Range Slider (Barra sotto per scorrere i giorni)
        fig.update_xaxes(
            rangeslider_visible=True,
            rangeselector=dict(
                buttons=list([
                    dict(count=1, label="1gg", step="day", stepmode="backward"),
                    dict(count=3, label="3gg", step="day", stepmode="backward"),
                    dict(step="all", label="Settimana")
                ])
            )
        )

        # Statistiche testuali
        msg = (
            f"✅ **Analisi Interattiva Completata**\n"
            f"📊 **Risultati Backtesting:**\n"
            f"• Volume Reale: {total_actual}\n"
            f"• Volume Previsto AI: {total_pred} ({diff_perc:+.1f}%)\n"
            f"• Scostamento Medio (MAE): {mae:.1f} chiamate/slot\n\n"
            f"💡 *Usa lo slider in basso per zoomare su un giorno specifico.*"
        )
        
        # Gradio gr.Plot accetta l'oggetto fig direttamente
        return fig, msg

    except Exception as e:
        # In caso di errore restituiamo un grafico vuoto e il messaggio
        return go.Figure(), f"Errore Tecnico: {str(e)}"