Aplicación de redes Long Short-Term Memory para predicción de la calidad de la oliva en campaña

realizado por José Enrique Prieto Menacho como trabajo de fin de grado en I.Informática- TI en la Universidad de Sevilla

INSTALANDO EL ENTORNO

-Instalar anaconda desde la web.
-Instalar pycharm desde la web.
-Ejecutar el prompt de anaconda.
-Crear un entorno: conda create -n redes_neuronales python=3.6.8 (3.7 da conflicto con keras y tensorflow).
-Activar el entorno: conda activate redes_neuronales.
-Instalar tensorflow en el entorno: conda install -c conda-forge tensorflow.
-Instalar keras en el entorno: conda install -c conda-forge keras.
-Abrir un proyecto en pycharm, file>settings>proyect interpreter>add interpeter>C:\Users\jose9\Anaconda3\envs\redes_neuronales\python.exe (o ruta correspondiente)

PROBLEMAS/SOLUCIONES.

-SI SE QUEDA EN SOLVING ENVIROMENT USAR conda update conda o mirar el path.
-Al instalar keras error, se cierra el prompt-> solución
-En Anaconda3 editar keras_activate.bat cambiar donde ponga
>nul
por
1>

ARCHIVOS Y FUNCIONAMIENTO

Una vez importado el proyecto a nuestro entorno simplemente hemos de ejecutar el archivo python que queramos.
En "files" se encuentran los datos usados, tanto en bruto como una vez hecho el tratamiento de estos.

¿Qué hace cada fichero?

Predicción con una variable

• performance_prediction.py -> Predicción del rendimiento de la oliva usando rendimientos observados.
• acidity_prediction.py -> Predicción de la acidez de la oliva usando acideces observadas.

  Predicción con múltiples variables: Dos variables
  

• performance_acidity_prediction.py -> Predicción del rendimiento de la oliva usando rendimientos y acideces observadas.
• performance_humidity_prediction.py -> Predicción del rendimiento de la oliva usando rendimientos y humedad observadas.
• temp_precip_acidity.py -> Predicción de la acidez de la oliva usando datos de temperatura y precipitación.

  Predicción usando la media ponderada de rendimiento y acidez de las cargas recibidas por días.
  

• weighted_average_acidity_prediction.py -> Predicción de la acidez de la oliva usando las medias de las acideces observadas.
• weighted_average_performance_prediction.py -> Predicción del rendimiento de la oliva usando las medias de los rendimientos observados.
• weighted_average_performance_acidity_prediction.py -> Predicción del rendimiento de la oliva usando las medias de los rendimientos y acideces observadas.

  Pruebas de predicción usando STL (Seasonal and Trend decomposition using Loess)
  

• STL_prediction_acidity.py -> Predicción de la acidez usando los datos de la descomposición STL de la acidez.
• STL_prediction_performance.py -> Preddicción del rendimiento usando los datos de la descomposición STL del rendimiento.
• STL_weighted_average_acidity_prediction.py -> Descomposición STL de la acidez.
• STL_weighted_average_performance_prediction.py -> Descomposición STL del rendimiento.

  Otros
  

• json_to_csv.py -> Pasar datos de json (AEMET) a csv para su tratamiento.
• air_quality_example.py -> Ejemplo realizado para aprender.

  ¿En qué orden ejecuto?
  

• 1º performance_prediction.py y acidity_prediction.py
• 2º performance_acidity_prediction.py, performance_humidity_prediction.py y temp_precip_acidity.py.
• 3º weighted_average_acidity_prediction.py y weighted_average_performance_prediction.py (Mejores resultados).
• 4º weighted_average_performance_acidity_prediction.py
• 5º STL_weighted_average_acidity_prediction.py y STL_weighted_average_performance_prediction.py
• 6º STL_prediction_acidity.py y STL_prediction_performance.py