Update app.py

app.py

@@ -1,62 +1,90 @@
-# เพิ่มในส่วนโหลดโมเดลและ hyperparameters
+import streamlit as st
+import torch
+import numpy as np
+import pandas as pd
+import time
+import json
+import io
+import base64
+import pickle
+import matplotlib.pyplot as plt
+from model import GRUModel, load_model, save_model_info
+from utils import (init_firebase, get_data_from_firebase, save_data_to_firebase, 
+                  preprocess_data, create_sequences, load_scalers_and_encoders,
+                  prepare_input_data, get_file_download_link, 
+                  save_scaler_to_bytes, save_encoders_to_bytes,
+                  create_default_scaler, create_default_encoders)
+
+# ตั้งค่าหน้าเว็บ
+st.set_page_config(page_title="GRU Model for PM0.1 Prediction", layout="wide")
+st.title("GRU Model for PM0.1 Prediction")
+
+# สร้าง session state สำหรับเก็บข้อมูลระหว่าง rerun
+if 'prediction_history' not in st.session_state:
+    st.session_state.prediction_history = []
+    st.session_state.timestamp_history = []
+    st.session_state.initialized = False
+    st.session_state.model_loaded = False
+    st.session_state.firebase_connected = False
+
+# โหลดโมเดลและ hyperparameters
 @st.cache_resource
 def load_model_resources():
     model_path = "model.pth"
     try:
         model, hyperparams = load_model(model_path)
-        
-        if model is None:
-            st.error("ไม่สามารถโหลดโมเดลอัตโนมัติได้ จะใช้การกำหนดค่าด้วยตนเอง")
-            # ถ้าโหลดไม่สำเร็จ ให้ใช้ค่าจากพารามิเตอร์เริ่มต้นที่คุณให้มา
-            input_size = st.number_input("Input Size", min_value=1, max_value=100, value=10)
-            hidden_size = st.number_input("Hidden Size", min_value=16, max_value=512, value=64)
-            num_layers = st.number_input("Number of Layers", min_value=1, max_value=5, value=2)
-            output_size = st.number_input("Output Size", min_value=1, max_value=100, value=1)
-            dropout_rate = st.slider("Dropout Rate", min_value=0.0, max_value=0.2, value=0.1, step=0.01)
-            
-            hyperparams = {
-                'input_size': input_size,
-                'hidden_size': hidden_size,
-                'num_layers': num_layers,
-                'output_size': output_size,
-                'dropout_rate': dropout_rate,
-                'sequence_length': st.slider("Sequence Length", min_value=3, max_value=30, value=10)
-            }
-            
-            # สร้างโมเดลใหม่ด้วยค่าที่กำหนดเอง
-            model = GRUModel(
-                input_size=hyperparams['input_size'],
-                hidden_size=hyperparams['hidden_size'],
-                num_layers=hyperparams['num_layers'],
-                output_size=hyperparams['output_size'],
-                dropout_rate=hyperparams['dropout_rate']
-            )
-                
-        # โหลด scalers และ encoders
         numeric_scaler, label_encoders, y_scaler = load_scalers_and_encoders(model_path)
         
-        # ตรวจสอบว่ามีการโหลด scalers และ encoders สำเร็จหรือไม่
-        if numeric_scaler is None or label_encoders is None or y_scaler is None:
-            st.warning("ไม่สามารถโหลด scalers และ encoders ได้ โปรดอัปโหลดไฟล์ใหม่หรือกำหนดค่าด้วยตนเอง")
-            
-            # ให้ผู้ใช้อัปโหลด scalers และ encoders ด้วยตนเอง (ตัวอย่าง)
-            scaler_file = st.file_uploader("อัปโหลดไฟล์ Scaler (pickle)", type=["pkl"])
-            if scaler_file is not None:
-                import pickle
-                numeric_scaler = pickle.load(scaler_file)
-            else:
-                from sklearn.preprocessing import MinMaxScaler
-                numeric_scaler = MinMaxScaler()
-                st.info("ใช้ MinMaxScaler เริ่มต้น")
-            
-            # สร้าง y_scaler ตัวใหม่
-            y_scaler = MinMaxScaler()
-            
-            # สร้าง label_encoders ตัวใหม่
-            from sklearn.preprocessing import LabelEncoder
-            label_encoders = [LabelEncoder(), LabelEncoder()]  # สมมติว่ามี categorical features 2 ตัว
+        # บันทึกข้อมูลโมเดลเป็น JSON สำหรับการตรวจสอบ
+        if model is not None and hyperparams is not None:
+            save_model_info(model, hyperparams, "model_info.json")
             
         return model, hyperparams, numeric_scaler, label_encoders, y_scaler
     except Exception as e:
         st.error(f"เกิดข้อผิดพลาดในการโหลดโมเดล: {str(e)}")
-        return None, None, None, None, None
+        return None, None, None, None, None
+
+# ส่วนของ sidebar สำหรับการตั้งค่า
+with st.sidebar:
+    st.header("การตั้งค่า")
+    
+    # การตั้งค่า Firebase
+    st.subheader("Firebase Configuration")
+    
+    # ใช้ secrets หรือป้อนข้อมูลโดยตรง
+    use_secrets = st.checkbox("ใช้ Secrets", value=True, 
+                           help="เลือกว่าจะใช้ค่า Secrets หรือป้อนข้อมูลโดยตรง")
+    
+    if use_secrets:
+        firebase_credentials = st.secrets.get("firebase_credentials", "{}")
+        firebase_url = st.secrets.get("firebase_url", "https://your-project-id.firebaseio.com")
+    else:
+        firebase_credentials = st.text_area("Firebase Service Account JSON", 
+                                         value="", height=100, 
+                                         help="ใส่ข้อมูล JSON ของ Service Account สำหรับเชื่อมต่อกับ Firebase")
+        
+        firebase_url = st.text_input("Firebase Database URL", 
+                                 value="https://your-project-id.firebaseio.com",
+                                 help="URL ของ Firebase Realtime Database")
+    
+    input_path = st.text_input("Firebase Input Path", 
+                            value="input_data",
+                            help="พาธสำหรับดึงข้อมูลจาก Firebase")
+    
+    output_path = st.text_input("Firebase Output Path", 
+                             value="prediction_results",
+                             help="พาธสำหรับบันทึกผลลัพธ์ลงใน Firebase")
+    
+    # การตั้งค่าการทำนาย
+    st.subheader("Prediction Configuration")
+    
+    auto_predict = st.checkbox("Auto-predict", value=False,
+                             help="เปิดใช้การทำนายอัตโนมัติตามระยะเวลาที่กำหนด")
+    
+    if auto_predict:
+        predict_interval = st.number_input("Prediction Interval (seconds)", 
+                                        min_value=10, max_value=3600, value=60,
+                                        help="ความถี่ในการทำนายอัตโนมัติ (วินาที)")
+
+# โหลดโมเดลและ hyperparameters
+model, hyperparams, numeric_scaler, label_