def input_data(self):
"""
Ingresar información (edificio y departamento) para obtener dataset de la base de datos.
"""
Console.highlight("1. SELECCIONAR CONJUNTO DE DATOS")
self.building = str(input("Ingrese nombre de edificio: ")).upper()
self.apartment = str(input("Ingrese nombre de vivienda: ")).upper()
def create_model_neural_network(self):
"""
Creamos modelo de red neuronal feed forward.
Arquitectura.
01 capa oculta con "n" neuronas.
Función de activación: Tangente Hiperbólica.(Valores -1 a 1)
Optimizador: Adam
Métrica de Pérdida: (Loss) Error Absoluto Medio
Para calcular el acuracy, se utilizará Error Cuadrático Medio (MSE)
"""
Console.highlight("6. CREANDO LA RED NEURONAL")
self.print_info_neural_network()
self.neurals_hidden_layer = int(
input("Neuronas para la capa de entrada: "))
print("\n")
self.model_nn = Sequential()
self.model_nn.add(
Dense(self.neurals_hidden_layer,
input_shape=(1, self.train_predictive_months),
activation=self.activation))
self.model_nn.add(Flatten())
self.model_nn.add(Dense(1, activation=self.activation))
self.model_nn.compile(loss=self.loss,
optimizer=self.optimizer,
metrics=["mse"])
self.model_nn.summary()
Console.stop_continue("[Enter para continuar]")
def data_partition(self):
Console.highlight("5. PARTICION DEL CONJUNTO DE DATOS")
self.input_data_partition()
self.set_data_partition()
self.build_xy_train_test()
self.print_data_partition()
Console.stop_continue("[Enter para continuar]")
def predict_next_wc(self):
"""
Realiza la predicción del próximo consumo de agua (wc = water consumption)
"""
Console.highlight("8. PREDECIR PROXIMO CONSUMO MENSUAL DE AGUA")
self.set_df_predict()
self.build_matrix_predict()
self.predict_model()
print("El pronostico de su proximo consummo de agua es : {} m3".format(
self.predicted_value))
def question_continue_prediction(self):
"""
Muestra texto con pregunta a fin de confirmar si se continua
con el entrenamiento o si se va realizar la predicción
"""
Console.highlight("VOLVER A ENTRENAR?")
print("1. Si, volver a entrenar.")
print("2. No, continuar con la prediccion.")
response = int(input("=> "))
self.iterate_train() if response == 1 else self.predict_next_wc()
def execution_model_neural_network(self):
Console.highlight("7. ENTRENAMIENTO DE LA RED NEURONAL")
self.epochs = int(input("Numero de epochs: "))
self.model_nn.fit(self.x_train,
self.y_train,
epochs=self.epochs,
validation_data=(self.x_val, self.x_val),
batch_size=self.train_predictive_months)
print("\nFin de entrenamiento")
Console.stop_continue("[Enter para ver resultado]")
def normalize_wc(self):
"""
Normalizar valores del consumo de m3 a valores entre -1 a 1.
"""
Console.highlight("3. NORMALIZACION DE LOS DATOS")
scaler = MinMaxScaler(feature_range=(-1, 1))
self.wc_normalize = scaler.fit_transform(self.df.values.reshape(-1, 1))
print("Datos de la serie de tiempo normalizados [-1,1].")
print(self.wc_normalize)
Console.stop_continue("[Enter para continuar]")
def build_wc_df(self):
"""
Construir dataframe de consumo de agua
"""
Console.highlight(
"2. CONSUMOS MENSUALES DE AGUA DEL DEPARTAMENTO {}".format(
self.apartment))
self.get_dataset_water_consumption()
self.set_dataframe_wc()
self.show_dataframe_wc()
Console.stop_continue("[Ver consumos del {}]".format(self.apartment))
print(self.df)
Console.stop_continue("[Enter para continuar]")
def convert_time_series_to_supervised_learning_matrix(self):
"""
Convertimos serie de tiempo en una matrix de aprendizaje supervisado, con tantas variables predictoras
ingresadas por consola.
"""
Console.highlight(
"4. CONVERTIR SERIE DE TIEMPO EN MATRIZ DE APRENDIZAJE SUPERVISADO"
)
self.train_predictive_months = int(
input("Ingresar la cantidad de variables predictoras: "))
self.matrix_sl = self.convert_sequence_to_matrix(1)
print(
"Matriz de la serie de tiempo con {} variables predictoras (entrenamiento)"
.format(self.train_predictive_months))
print("\n")
print(self.matrix_sl)
Console.stop_continue("[Enter para continuar]")