Update app.py

app.py

@@ -1,85 +1,117 @@
+# app.py (v3.0 - 최종 버전)
 import gradio as gr
-import torch
-import numpy as np
-import pandas as pd
-import joblib
-import os
+import subprocess
 import json
-import sys # 👈 이 줄 추가
+import os
+import pandas as pd
+
+# 공통 설정
+STATIONS = ["DT_0001", "DT_0052"] # 지원하는 관측소 목록
 
-# --- 모델 및 스케일러 로딩 ---
-MODEL_LOADED = False
-MODEL_ERROR = "Unknown"
-try:
-    # ⭐️⭐️⭐️ 바로 이 부분입니다! ⭐️⭐️⭐️
-    # 현재 폴더(.)를 파이썬의 모듈 검색 경로에 추가합니다.
-    # 이렇게 하면 app.py가 models, utils 폴더를 찾을 수 있게 됩니다.
-    sys.path.append('.') 
+def get_common_args(station_id):
+    """관측소별 공통 인자를 반환하는 함수"""
+    # 이 부분은 inference.py의 기본값과 일치하거나, .sh 파일의 설정을 따릅니다.
+    return [
+        "--model", "TimeXer",
+        "--features", "MS",
+        "--seq_len", "144",
+        "--pred_len", "72",
+        "--label_len", "96",
+        "--enc_in", "5",
+        "--dec_in", "5",
+        "--c_out", "1",
+        "--d_model", "256",
+        "--d_ff", "512",
+        "--n_heads", "8",
+        "--e_layers", "1",
+        "--d_layers", "1",
+        "--factor", "3",
+        "--patch_len", "16",
+        "--expand", "2",
+        "--d_conv", "4",
+    ]
 
-    from models.TimeXer import Model as TimeXerModel
-    from utils.tools import dotdict
-    from utils.timefeatures import time_features
+def execute_inference(command):
+    """subprocess를 실행하고 결과를 처리하는 공통 함수"""
+    try:
+        print(f"Running command: {' '.join(command)}")
+        # 스크립트 실행
+        result = subprocess.run(command, capture_output=True, text=True, check=True)
+        # 스크립트의 표준 출력(stdout)을 그대로 반환 (디버깅용)
+        # stderr에 담긴 진행 과정 로그도 함께 보여주면 좋습니다.
+        output = f"--- STDOUT ---\n{result.stdout}\n\n--- STDERR ---\n{result.stderr}"
+        return output
+    except subprocess.CalledProcessError as e:
+        # 스크립트 실행 중 오류 발생 시
+        error_message = f"스크립트 실행 실패:\n--- STDERR ---\n{e.stderr}"
+        raise gr.Error(error_message)
+    except Exception as e:
+        raise gr.Error(f"알 수 없는 오류 발생: {str(e)}")
 
-    # 1. 훈련 스크립트(.sh)의 모든 설정을 그대로 가져옵니다.
-    args = dotdict()
-    args.model_id = 'DT_0001_144_72'
-    args.model = 'TimeXer'
-    args.task_name = 'long_term_forecast'
-    args.seq_len = 144
-    args.label_len = 96
-    args.pred_len = 72
-    args.features = 'MS'
-    args.target = 'residual'
-    args.e_layers = 1
-    args.d_layers = 1
-    args.factor = 3
-    args.enc_in = 5
-    args.dec_in = 5
-    args.c_out = 1
-    args.d_model = 256
-    args.n_heads = 8
-    args.d_ff = 512
-    args.output_attention = True
-    args.device = torch.device('cpu')
+# --- 모드 1: 단일 미래 예측 ---
+def single_prediction(station_id, input_csv_file):
+    if input_csv_file is None:
+        raise gr.Error("예측을 위한 입력 파일을 업로드해주세요.")
+    
+    # 공통 인자 가져오기
+    common_args = get_common_args(station_id)
+    
+    # 모델 및 스케일러 경로 설정
+    checkpoint_path = f"./checkpoints/long_term_forecast_{station_id}_144_72_TimeXer_TIDE_ftMS_sl144_ll96_pl72_dm256_nh8_el1_dl1_df512_expand2_dc4_fc3_ebtimeF_dtTrue_Exp_0/checkpoint.pth"
+    scaler_path = f"./checkpoints/long_term_forecast_{station_id}_144_72_TimeXer_TIDE_ftMS_sl144_ll96_pl72_dm256_nh8_el1_dl1_df512_expand2_dc4_fc3_ebtimeF_dtTrue_Exp_0/scaler.gz"
 
-    # 2. 모델 뼈대를 만들고 학습된 가중치를 입힙니다.
-    model = TimeXerModel(args).float()
-    model.load_state_dict(torch.load('checkpoints/checkpoint.pth', map_location=args.device))
-    model.eval()
+    # 실행할 명령어 조합
+    command = [
+        "python", "inference.py",
+        "--checkpoint_path", checkpoint_path,
+        "--scaler_path", scaler_path,
+        "--predict_input_file", input_csv_file.name, # 업로드된 파일의 경로
+    ] + common_args
+    
+    return execute_inference(command)
 
-    # 3. 스케일러를 불러옵니다.
-    scaler = joblib.load('checkpoints/scaler.gz')
-    MODEL_LOADED = True
-    print("✅ 모델과 스케일러 로딩 성공!")
+# --- 모드 2: 전체 기간 롤링 평가 ---
+def rolling_evaluation(station_id):
+    # 공통 인자 가져오기
+    common_args = get_common_args(station_id)
+    
+    # 모델, 스케일러, 평가 데이터 경로 설정
+    setting_name = f"long_term_forecast_{station_id}_144_72_TimeXer_TIDE_ftMS_sl144_ll96_pl72_dm256_nh8_el1_dl1_df512_expand2_dc4_fc3_ebtimeF_dtTrue_Exp_0"
+    checkpoint_path = f"./checkpoints/{setting_name}/checkpoint.pth"
+    scaler_path = f"./checkpoints/{setting_name}/scaler.gz"
+    evaluate_file_path = f"./dataset/{station_id}_final_training_data.csv"
 
-except Exception as e:
-    MODEL_ERROR = str(e)
-    print(f"❌ 모델 로딩 중 에러 발생: {MODEL_ERROR}")
+    # 실행할 명령어 조합
+    command = [
+        "python", "inference.py",
+        "--checkpoint_path", checkpoint_path,
+        "--scaler_path", scaler_path,
+        "--evaluate_file", evaluate_file_path,
+    ] + common_args
+    
+    return execute_inference(command)
 
-# --- 예측을 수행하는 함수 ---
-def predict_tide(input_csv_string):
-    # (이 부분은 수정할 필요 없습니다)
-    # ... 이전 코드와 동일 ...
-    if not MODEL_LOADED:
-        raise gr.Error(f"모델 로딩 실패: {MODEL_ERROR}")
-    # ...
-    # ...
-    return json.dumps({"prediction": prediction.flatten().tolist()}, indent=2)
 
-# --- Gradio 인터페이스 생성 ---
-# NameError를 방지하기 위해, try 블록 바깥에 있는 args 참조를 제거하거나
-# 모델 로딩이 실패했을 경우를 대비해 기본값을 사용하도록 수정합니다.
-desc_text = "과거 144개 시점의 다변량 데이터를 입력하면, 미래 72개 시점의 조위 편차(residual)를 예측합니다."
-if MODEL_LOADED:
-    desc_text = f"과거 {args.seq_len}개 시점의 다변량 데이터를 입력하면, 미래 {args.pred_len}개 시점의 조위 편차(residual)를 예측합니다."
+# --- Gradio UI 구성 ---
+with gr.Blocks() as demo:
+    gr.Markdown("# 조위 예측 모델 v3.0")
+    
+    with gr.Tabs():
+        with gr.TabItem("단일 미래 예측"):
+            with gr.Row():
+                station_dropdown1 = gr.Dropdown(choices=STATIONS, label="관측소 (Station ID)")
+                file_input = gr.File(label="입력 데이터 (.csv 파일)", file_types=[".csv"])
+            submit_btn1 = gr.Button("예측 실행")
+            output1 = gr.Textbox(label="실행 결과", lines=15)
+            
+        with gr.TabItem("전체 기간 롤링 평가"):
+            station_dropdown2 = gr.Dropdown(choices=STATIONS, label="관측소 (Station ID)")
+            submit_btn2 = gr.Button("평가 실행")
+            output2 = gr.Textbox(label="실행 결과", lines=15)
 
-demo = gr.Interface(
-    fn=predict_tide,
-    inputs=gr.Textbox(lines=10, placeholder="CSV 형식으로 144개의 데이터를 입력하세요.\n첫 줄은 헤더(date,OT,...)여야 합니다."),
-    outputs="json",
-    title="조위 예측 모델 (TimeXer)",
-    description=desc_text
-)
+    # 버튼 클릭 이벤트 연결
+    submit_btn1.click(fn=single_prediction, inputs=[station_dropdown1, file_input], outputs=output1)
+    submit_btn2.click(fn=rolling_evaluation, inputs=station_dropdown2, outputs=output2)
 
 if __name__ == "__main__":
     demo.launch()