Update app.py

app.py

@@ -5,6 +5,7 @@ import joblib
 import plotly.graph_objects as go
 from datetime import datetime
 from typing import List
+import numpy as np
 
 # Import your utility scripts from the 'src' directory
 try:
@@ -306,30 +307,40 @@ else:
 
 
 # --- CRITICAL CUSTOMIZATION (Hourly Targets) ---
-HOURLY_TARGET_COLS = ['target_temp_next_24h', 'target_temp_next_48h', 'target_temp_next_72h', 
-                      'target_temp_next_96h', 'target_temp_next_120h'] 
+HOURLY_TARGET_COLS = ['target_temp_next_24h', 'target_temp_next_48h', 'target_temp_next_72h',
+                      'target_temp_next_96h', 'target_temp_next_120h']
 
 # Load models và data mới
-hourly_data_df = load_hourly_data(file_path="data/final_hourly_feature_dataset.csv") # Dùng tên file features demo
+hourly_data_df = load_hourly_data(file_path="data/final_hourly_features_demo.xlsx - Sheet1.csv") # Dùng tên file features demo chính xác
 hourly_models_24h = load_24_hourly_models() # Dùng 24 mô hình LGBM
 hourly_agg_model = load_hourly_aggregate_model() # Dùng mô hình Aggregate T+24h
 
-# Tạo input features cho Hourly (giữ nguyên logic)
+# Tạo input features cho Hourly
 if not hourly_data_df.empty:
     HOURLY_FEATURE_COLS = [col for col in hourly_data_df.columns if col not in HOURLY_TARGET_COLS]
-    X_test_hourly = hourly_data_df.loc[TEST_START_DATE:TEST_END_DATE][HOURLY_FEATURE_COLS]
+    
+    # Lấy test set
+    X_test_hourly = hourly_data_df.loc[TEST_START_DATE:TEST_END_DATE][HOURLY_FEATURE_COLS].copy()
+
+    # FIX LỖI 1 (Model Prediction Dtypes): Loại bỏ các cột object (sunrise/sunset)
+    columns_to_drop_objects = ['sunrise', 'sunset']
+    X_test_hourly = X_test_hourly.drop(columns=columns_to_drop_objects, errors='ignore')
+
+    HOURLY_FEATURE_COLS = X_test_hourly.columns.tolist() # Cập nhật lại feature list sau khi drop
 else:
     X_test_hourly = pd.DataFrame()
 
-# --- Định nghĩa Hàm Dự đoán 24h Thực tế ---
+# --- Định nghĩa Hàm Dự đoán 24h Thực tế (Giữ nguyên logic bên trong) ---
 def predict_next_24_hours(input_features: pd.DataFrame, models: dict) -> List[float]:
-    """Chạy các mô hình LGBM chuyên biệt (T+1h đến T+24h) để tạo ra 24 điểm dự báo."""
+    # ... (Code hàm này giữ nguyên như lần trước)
     predictions = []
     num_horizons = len(models) 
     
     if input_features.empty or not models:
         # Nếu thiếu model, tạo 24 giá trị giả lập dựa trên nhiệt độ hiện tại (temp)
         last_temp = input_features['temp'].iloc[-1] if not input_features.empty else 28.0
+        # Dùng np đã được import
+        np.random.seed(42)
         return [last_temp + 1.5 * np.sin(2 * np.pi * (h + 10) / 24) + np.random.normal(0, 0.5)
                 for h in range(num_horizons)]
 
@@ -337,7 +348,6 @@ def predict_next_24_hours(input_features: pd.DataFrame, models: dict) -> List[fl
     for h in range(1, num_horizons + 1):
         try:
             model = models[h]
-            # Predict chỉ 1 giá trị
             pred = model.predict(input_features)[0] 
             predictions.append(pred)
         except:
@@ -731,7 +741,6 @@ with tab3:
     else:
         st.warning("Loading performance data...")
 
-
 # --- TAB 4: Hourly Prediction ---
 with tab4:
     st.title("Hourly Prediction (Next 24 Hours) 🌡️")
@@ -742,25 +751,46 @@ with tab4:
     st.subheader("Forecast Start Time")
     
     if not X_test_hourly.empty:
-        min_date_hourly = X_test_hourly.index.min().date()
-        max_date_hourly = X_test_hourly.index.max().date()
-        
-        selected_date_hourly = st.date_input(
-            "Select the day you want the forecast to START from:",
-            value=min_date_hourly,
-            min_value=min_date_hourly,
-            max_value=max_date_hourly,
+        min_ts = X_test_hourly.index.min()
+        max_ts = X_test_hourly.index.max()
+        
+        # 1. Date Selection
+        selected_date = st.date_input(
+            "Select the date:",
+            value=max_ts.date(), # Mặc định chọn ngày cuối cùng
+            min_value=min_ts.date(),
+            max_value=max_ts.date(),
             format="YYYY-MM-DD"
         )
         
-        latest_time_for_day = X_test_hourly.index[X_test_hourly.index.date == selected_date_hourly].max()
+        # 2. Hour Selection (Chỉ show các giờ có sẵn trong ngày đã chọn)
+        available_hours_in_day = X_test_hourly[X_test_hourly.index.date == selected_date].index.hour.unique().sort_values()
+        
+        if available_hours_in_day.empty:
+            st.warning(f"No hourly data found for {selected_date}. Please select a different date.")
+            st.stop()
+            
+        # Chọn giờ: Mặc định chọn giờ muộn nhất trong ngày (latest known hour)
+        default_hour = available_hours_in_day.max()
+        default_hour_index = available_hours_in_day.get_loc(default_hour)
+
+        selected_hour = st.selectbox(
+            "Select the latest known hour:",
+            options=available_hours_in_day.tolist(),
+            index=default_hour_index,
+            format_func=lambda x: f"{x:02d}:00:00"
+        )
+        
+        # Kết hợp ngày và giờ thành Timestamp duy nhất
+        latest_time_for_day = pd.to_datetime(f"{selected_date} {selected_hour:02d}:00:00")
+        
+        # Lấy Input Features cho timestamp đã chọn
         input_features_hourly = X_test_hourly.loc[[latest_time_for_day]]
         
         st.info(f"The model runs based on data up to the latest known hour: **{latest_time_for_day.strftime('%Y-%m-%d %H:%M:%S')}**")
-
         st.divider()
 
-        # 1. Chạy Dự đoán Hourly (GỌI HÀM THỰC TẾ)
+        # 3. Chạy Dự đoán Hourly (GỌI HÀM THỰC TẾ)
         predictions_24h = predict_next_24_hours(input_features_hourly, hourly_models_24h)
         
         # --- TÍNH TOÁN METRIC T+24H CHÍNH XÁC ---
@@ -768,11 +798,13 @@ with tab4:
         if hourly_agg_model:
             # Model Aggregated Day 1 (từ file bạn gửi) dự đoán T+24h
             try:
+                # Features đã được dọn dẹp ở Section 4
                 t_plus_24h_metric = hourly_agg_model.predict(input_features_hourly)[0]
             except Exception as e:
-                st.error(f"Error predicting T+24h with loaded model: {e}")
+                # Xử lý lỗi model Prediction (đã được sửa lỗi Dtypes, chỉ in lỗi khác nếu có)
+                st.error(f"Error predicting T+24h with loaded model: {e}") 
         
-        # 2. Hiển thị Dự đoán T+24h (Tức là giờ đó ngày mai)
+        # 4. Hiển thị Dự đoán T+24h (Tức là giờ đó ngày mai)
         st.subheader(f"Summary Forecast for Next Day (Starting {latest_time_for_day.strftime('%H:%M')})")
         
         forecast_start_ts = latest_time_for_day + pd.Timedelta(hours=1)
@@ -789,15 +821,19 @@ with tab4:
         # Sử dụng các giá trị từ 24 điểm dự báo để tính Max/Min/Mean 24h
         if predictions_24h:
             with col_daily_pred[1]:
-                st.metric(label="Next 24h Average Temp", value=f"{np.nanmean(predictions_24h):.1f}°C")
+                # Sử dụng np đã được import
+                st.metric(label="Next 24h Average Temp", value=f"{np.nanmean(predictions_24h):.1f}°C") 
             with col_daily_pred[2]:
+                # Sử dụng np đã được import
                 st.metric(label="Next 24h Max Temp", value=f"{np.nanmax(predictions_24h):.1f}°C", delta="Peak Heat")
-        
+                
         st.markdown("---")
         
-        # 3. Graph: Nhiệt độ Từng Giờ
+        # 5. Graph: Nhiệt độ Từng Giờ
+        
         st.subheader("Hourly Temperature Breakdown (T+1h to T+24h)")
         
+        # ... (Biểu đồ giữ nguyên)
         hourly_index = pd.date_range(start=forecast_start_ts, periods=len(predictions_24h), freq='H')
         df_hourly_forecast = pd.DataFrame({
             'Time': hourly_index,
@@ -823,7 +859,7 @@ with tab4:
         )
         st.plotly_chart(fig_hourly, use_container_width=True)
 
-        # 4. Hiển thị Features Dùng để Dự đoán
+        # 6. Hiển thị Features Dùng để Dự đoán (Giữ nguyên)
         st.markdown("---") 
         with st.expander("🔍 Feature Inspector: Hourly Inputs for the Forecast"):
             if not input_features_hourly.empty:
@@ -846,5 +882,6 @@ with tab4:
                             st.metric(label=label, value=f"{value:.2f}")
             else:
                 st.warning("No hourly feature data available for the selected hour.")
+        
     else:
         st.warning("Please wait... Loading hourly data or models.")