app.py

import gradio as gr
import pandas as pd
import modules.plot_map as plot_map
import modules.predict as predict
from datetime import datetime, timedelta
import numpy as np
from modules.model import LSTMModel
import torch
import pickle

with open("min_max_scalers.pkl", "rb") as f:
    loaded_scalers = pickle.load(f)
    
scaler_list = loaded_scalers

model_point = []
for i in range(55):  # hoặc len(models)
    # model = torch.load(f"models/lstm_model_full_{i}.pt")
    model = LSTMModel(input_size=3, hidden_size=64)
    model.load_state_dict(torch.load(f"models/lstm_model_full_{i}.pt"))
    model.eval()  # để đưa về chế độ đánh giá
    model_point.append(model)

# Load dữ liệu
df = pd.read_excel("output/AQI_PM25_VietNam.xlsx")
# df = df[df['Datetime'] == "12:00 25/01/2025"]
df['ID Vị Trí'] = df['Tên'].astype('category').cat.codes

# Lấy danh sách các ID vị trí
name_locations = df["Tên"].unique().tolist()
# available_locations = df["ID Vị Trí"].unique().tolist()
location_mapping = df.set_index('Tên')['ID Vị Trí'].to_dict()
available_times = sorted(df["Datetime"].astype(str).unique().tolist())

print(name_locations)

SEQ_LEN = 24

# Hàm tạo bản đồ
def create_map(df, datetime_str):
    print(datetime_str)
    # df["Datetime"] = pd.to_datetime(df["Datetime"], format="%H:%M %d/%m/%Y", errors='coerce')
    # target_time = pd.to_datetime(datetime_str, format="%H:%M %d/%m/%Y")
    df = df[df['Datetime'] == datetime_str]
    # print(df)
    m = plot_map.plot_map(df)
    return m._repr_html_()  # Xuất HTML của bản đồ

# Hàm dự đoán AQI_PM2.5 cho 1 địa điểm
def predict_aqi(location_id, datetime_str):
    print(location_mapping[location_id])
    original_time = datetime.strptime(datetime_str, "%H:%M %d/%m/%Y")
    one_hour_later = original_time + timedelta(hours=1)
    formatted_time = one_hour_later.strftime("%H:%M %d/%m/%Y")

    pred_original, dataframe = predict.infer_and_append_aqi(df, location_mapping[location_id], datetime_str, scaler_list, model_point)
    print(dataframe[dataframe["Datetime"]==formatted_time])
    return f"📍 Vị trí {location_id} - 🕒 {datetime_str}\n🔮 Dự đoán AQI_PM2.5 tại - {formatted_time}: {pred_original[0]:.2f}", dataframe[dataframe["Datetime"]==formatted_time]

# Hàm chính hiển thị bản đồ và dữ liệu
def show_map_and_data(datetime_str):
    map_html = create_map(df, datetime_str)
    return map_html, df[df['Datetime'] == datetime_str]

# Gradio UI
with gr.Blocks() as demo:
    gr.Markdown("## 🌍 Bản đồ chất lượng không khí và dự đoán PM2.5")

    with gr.Row():
        time_selector = gr.Dropdown(
            choices=available_times,
            label="🕒 Chọn thời gian (HH:MM dd/mm/yyyy)"
        )

    with gr.Row():
        map_display = gr.HTML()
        data_display = gr.Dataframe(interactive=False)

    btn = gr.Button("📍 Hiển thị bản đồ và dữ liệu hiện tại")
    btn.click(fn=show_map_and_data, inputs=[time_selector], outputs=[map_display, data_display])

    gr.Markdown("## 🔍 Dự đoán AQI_PM2.5 tại vị trí cụ thể")
    location_selector = gr.Dropdown(choices=name_locations, label="Chọn Vị Trí", value=name_locations[0])

    predict_btn = gr.Button("🔮 Dự đoán")
    predict_output = gr.Textbox(label="Kết quả dự đoán")
    predict_display = gr.Dataframe(interactive=False)
    

    predict_btn.click(fn=predict_aqi, inputs=[location_selector, time_selector], outputs=[predict_output, predict_display])

# Chạy
# demo.launch(share=True)
if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860)