ISS-Server - Inteligentna Stacja Pogodowa

Inteligentna stacja pogodowa z funkcją interpretacji i predykcji stanu pogody z wykorzystaniem uczenia maszynowego. Aplikacja webowa napisana w Pythonie (Flask) pozwala na monitorowanie danych z prywatnej stacji pogodowej, zarządzanie urządzeniami oraz uruchamianie modelu AI do prognozowania warunków na podstawie danych historycznych.

Kluczowe Funkcje

• System Użytkowników: Rejestracja i logowanie w celu uzyskania dostępu do prywatnych stacji.
• Zarządzanie Urządzeniami: Możliwość dodawania i przypisywania urządzeń (stacji pogodowych) do konta użytkownika oraz nadawania im przyjaznych nazw.
• Wizualizacja Danych:
  • Panel "Aktualne Warunki" pokazujący zagregowane dane z ostatnich 30 minut.
  • Interaktywne wykresy (temperatura, ciśnienie) prezentujące dane w 30-minutowych interwałach.
• Predykcja AI na Żądanie:
  • Możliwość wyboru konkretnej daty i godziny w celu uruchomienia predykcji.
  • System weryfikuje, czy dostępne jest wystarczająco dużo danych historycznych (48 godzin) do przeprowadzenia analizy.
  • Asynchroniczna obsługa zadań AI (w osobnym wątku), aby nie blokować interfejsu użytkownika.
• Hierarchiczny Model Predykcyjny: Wykorzystanie zaawansowanego, hierarchicznego modelu XGBoost do klasyfikacji stanu pogody na podstawie ponad 100 wygenerowanych cech.
• Eksport Danych: Możliwość pobrania surowych, niezagregowanych danych pomiarowych w formacie CSV.

Architektura i Stos Technologiczny

Aplikacja opiera się na klasycznej architekturze webowej z serwerem backendowym i renderowanym frontem.

• Backend: Python 3, Flask
• Baza Danych: SQLite
• Uczenie Maszynowe:
  • Model: XGBoost
  • Przetwarzanie danych: Pandas, NumPy
  • Biblioteki pomocnicze: Scikit-learn, Joblib
• Frontend:
  • HTML5 / CSS3
  • JavaScript (Vanilla JS)
  • Wykresy: Plotly.js

Struktura Projektu

ISS-SERVER/
├── routes/             # Logika poszczególnych podstron (Flask Blueprints)
│   ├── ai_service.py   # Endpointy do uruchamiania i sprawdzania statusu AI
│   ├── boards.py       # Zarządzanie urządzeniami użytkownika
│   ├── device_data.py  # Wyświetlanie danych, agregacja, eksport CSV
│   └── ...             # Inne trasy (home, login, etc.)
├── static/             # Pliki statyczne (CSS, obrazy ikon pogody)
├── templates/          # Szablony HTML (Jinja2)
├── trained_models_wien/ # Wytrenowane modele AI (.json) i enkodery (.pkl)
├── ai_main.py          # Główny moduł AI do przetwarzania danych i predykcji
├── app.py              # Główny plik aplikacji Flask, inicjalizacja i routing
├── config.py           # Konfiguracja aplikacji
├── measurements.db     # Baza danych SQLite
└── README.md

Instalacja i Uruchomienie

Aby uruchomić projekt lokalnie, postępuj zgodnie z poniższymi krokami:

1. Sklonuj repozytorium:

   git clone https://github.com/Tomciom/ISS-Server.git
   cd ISS-Server

2. Utwórz i aktywuj wirtualne środowisko (zalecane):

   # Windows
   python -m venv venv
   .\venv\Scripts\activate
   
   # macOS / Linux
   python3 -m venv venv
   source venv/bin/activate

3. Zainstaluj wymagane biblioteki:

   pip install -r requirements.txt

4. Uruchom aplikację:

   python app.py

   Aplikacja zostanie uruchomiona na http://localhost:5000. app.py automatycznie utworzy i zainicjalizuje bazę danych measurements.db przy pierwszym uruchomieniu.

Sposób Działania Modelu AI

Mechanizm predykcji jest sercem projektu. Jego działanie można opisać w kilku krokach:

1. Inicjacja przez Użytkownika: Użytkownik wybiera datę i godzinę, na którą chce uzyskać predykcję.
2. Pobieranie Danych: System pobiera z bazy SQLite surowe dane z 48 godzin poprzedzających wybraną godzinę.
3. Agregacja i Inżynieria Cech: Dane są agregowane do interwałów godzinowych. Następnie skrypt ai_main.py generuje ponad 100 cech, w tym m.in.:
   • Wartości opóźnione (np. temperatura 6 godzin temu).
   • Różnice czasowe (np. zmiana ciśnienia w ciągu ostatniej godziny).
   • Statystyki kroczące (średnia, min, max, std z okien 3, 6, 12, 24h).
   • Flagi binarne (np. flag_near_freezing, flag_windy_and_precip).
   • Brakujące dane (NaN) powstałe w tym procesie są uzupełniane (imputowane), aby zapewnić ciągłość.
4. Hierarchiczna Predykcja: Wytrenowany model XGBoost dokonuje predykcji w kilku etapach:
   • Model 1: Rozstrzyga, czy wystąpią opady (Opady vs Brak Opadów).
   • Model 2 (jeśli brak opadów): Rozróżnia Mgła od pozostałych warunków bezopadowych.
   • Model 3 (jeśli są opady): Klasyfikuje typ opadu (Deszcz, Śnieg, Burza).
   • Model 4 (jeśli brak mgły i opadów): Rozróżnia Czyste Niebo/Lekkie Zachmurzenie od Pochmurno/Całkowite Zachmurzenie.
5. Zwrócenie Wyniku: Ostateczna, sklasyfikowana kategoria pogodowa jest zwracana do interfejsu użytkownika i prezentowana wraz z odpowiednią ikoną.

Licencja

Projekt jest dystrybuowany na licencji MIT. Zobacz plik LICENSE, aby uzyskać więcej informacji.

Autorzy

Tomasz Madeja - Tomciom

Michał Krzempek - miskrz0421

Kacper Machnik - KacperMachnik