✈️ FlightOnTime - Previsão de Atrasos de Voos

O FlightOnTime é uma solução completa para previsão de pontualidade de voos utilizando Inteligência Artificial. O sistema é composto por uma arquitetura de microsserviços que integra um modelo de Machine Learning, um Backend robusto e um Frontend interativo, todos orquestrados via Docker.

Projeto desenvolvido pela Equipe Chronos durante o Hackathon G8 ONE.

🏗️ Arquitetura de Microsserviços

O projeto é dividido em 5 serviços principais, gerenciados via docker-compose:

• 🖥️ Frontend (frontend): Aplicação React (construída com Vite) responsável pela interface do usuário.
• ⚙️ Backend (backend): API REST desenvolvida em Java Spring Boot. Gerencia regras de negócio e comunica-se com a API de ML e o Banco de Dados.
• 🧠 ML API (ml-api): Serviço em Python (FastAPI) que hospeda o modelo de Machine Learning para prever a probabilidade de atraso.
• 🗄️ Database (db): Banco de dados PostgreSQL 15 para persistência dos dados.
• 🌐 Nginx (nginx): Proxy Reverso que centraliza o acesso na porta 80, roteando para o frontend ou backend conforme necessário.

🛠️ Tecnologias Utilizadas

🚀 Como Executar o Projeto com Docker

Pré-requisitos

• Docker e Docker Compose instalados na máquina.

Passo a Passo

1. Clone o repositório para sua máquina local.

2. Configuração de Ambiente: Crie um arquivo .env na raiz do projeto definindo as variáveis obrigatórias (veja a seção Variáveis de Ambiente abaixo).

3. Build e Execução: Na raiz do projeto, execute o comando para construir as imagens e subir os containers:

   docker-compose up -d --build

4. Acessar a Aplicação: Após a inicialização, os serviços estarão disponíveis através do Nginx na porta 80:

   • Aplicação Web: http://localhost
   • Documentação da API (Swagger): http://localhost/api/docs
   • ML API Healthcheck: http://localhost/ml-api/

🔧 Variáveis de Ambiente

As seguintes variáveis devem ser definidas no arquivo .env na raiz do projeto, pois são utilizadas pelo docker-compose.yml para configurar os serviços.

Obrigatórias (Configuração do Banco de Dados)

Variável	Descrição	Exemplo
DB_NAME	Nome do banco de dados PostgreSQL	flightontime
DB_USER	Usuário do banco de dados	postgres
DB_PASSWORD	Senha do banco de dados	minhasenha
TZ	Fuso horário dos containers	America/Sao_Paulo

Opcionais / Específicas dos Serviços

Estas variáveis possuem valores padrão definidos no Dockerfile ou docker-compose.yml, mas podem ser sobrescritas no .env.

Backend (Spring Boot):

• SERVER_PORT: Porta interna do servidor (Padrão: 8080)
• API_PREVISAO: URL de comunicação com o serviço de ML (Padrão no Docker: http://ml-api:8000/predict)
• SWAGGER_ENABLED: Habilita/desabilita o Swagger UI (Padrão: true)

Frontend:

• VITE_API_BASE_URL: URL base da API para o frontend. Em ambiente Docker com Nginx, o padrão /api é recomendado.

ML API:

• LOG_LEVEL: Nível de log da aplicação Python (Ex: INFO, DEBUG)

👥 Autores - Equipe Chronos

• Ebenézer Carvalho (Data Scientist | Líder) - GitHub
• Cassiano Baldin (Data Scientist) - GitHub
• Daniela Vieira (Backend Developer) - GitHub
• Lucas Soares (Backend Developer) - GitHub
• Wallen Silva (Backend Developer) - GitHub