✈️ FlightOnTime

---

🎥 Demo del proyecto

👉 https://www.youtube.com/watch?v=HkuUwp7c9UM

📌 Descripción

Proyecto desarrollado en el marco del Hackatón ONE – No Country 2025.

FlightOnTime es una solución predictiva que estima la probabilidad de que un vuelo despegue puntual o con retraso, a partir de datos históricos y características del vuelo.

---

🏭 Sector de negocio

Aviación Civil / Logística / Transporte Aéreo

Empresas aéreas, aeropuertos y pasajeros que dependen de la puntualidad de los vuelos.

---

🎯 Objetivo del proyecto

Crear un MVP (Producto Mínimo Viable) que:

• Reciba información de un vuelo
• Procese los datos usando un modelo predictivo
• Devuelva:
  • el estado del vuelo (Puntual / Retrasado)
  • la probabilidad asociada

---

🏗️ Arquitectura general

[ Cliente / Frontend ]
          |
          v
[ Backend Spring Boot ]
   |      |          |
   |      |          └── Base de Datos MySQL
   |      |
   |      └── Endpoints /stats
   |
   └── HTTP
          v
[ Microservicio Flask ]
   |
   └── Modelo ML (.joblib)

---

🧑‍🤝‍🧑 Equipo

Backend

Integración, persistencia, estadísticas y APIs REST

• Estefanía González
• Gabriel Romero
• Juan Gómez Martínez
• Javier Alberto Chávez Córdova

Data Science

Limpieza de datos, entrenamiento y exportación del modelo

• Luis Cavero
• Cristian Saenz

Front End

Visualización y consumo de APIs

• Gabriel Romero

---

🔧 Tecnologías utilizadas

🛠️ Tecnologías

Backend

• Java 17
• Spring Boot 3.4.1
• Maven 4.0
• API REST
• MySQL
• Spring Data JPA
• Lombok

Microservicio ML

• Python 3.10+
• Flask 3.0.0
• flask-cors 4.0.0
• scikit-learn
• joblib 1.3.2
• pandas 2.3.3
• numpy 2.3.2
• waitress 2.1.2

Data Science

• Jupyter Notebook

Herramientas

• IntelliJ IDEA
• Visual Studio Code
• Git & GitHub
• Insomnia / Postman

---

📦 Dataset utilizado

El modelo fue entrenado utilizando datasets públicos de Kaggle:

• https://www.kaggle.com/datasets/hrishitpatil/flight-data-2024/data
• https://www.kaggle.com/datasets/aadharshviswanath/flight-data/data

Incluyen información histórica de vuelos y variables operativas, complementadas con datos climáticos.

---

🧠 Modelo de Machine Learning

Modelo activo

• Archivo: champion_clima.joblib

• Tipo: sklearn.pipeline.Pipeline

• Clasificador: HistGradientBoostingClassifier

Variables utilizadas

Numéricas:

• crs_dep_time
• crs_arr_time
• crs_elapsed_time
• distancia_km
• is_weekend
• Temperature_Celsius
• Wind_Speed_knots
• Visibility_km

Categóricas:

• op_unique_carrier
• origin
• dest
• day_of_week
• month
• day_of_month
• bloque_horario
• Turbulence_Level

El modelo devuelve:

• Clase: 0 = A TIEMPO, 1 = RETRASADO
• Probabilidades asociadas

---

🐍 Microservicio Flask (Predicción)

Responsabilidad

• Cargar el modelo entrenado
• Transformar requests provenientes del backend Java
• Ejecutar predicciones
• Retornar resultados vía HTTP

Endpoint principal

POST /predict

Entrada:

{
"aerolinea": "American Airlines",
"origen": "JFK",
"destino": "LAX",
"fechaPartida": "2026-06-15T14:30:00",
"distanciaKm": 3983
}

Salida:

{
"prevision": "RETRASADO",
"probabilidad": 0.9529,
"detalle": {
"prob_a_tiempo": 0.0471,
"prob_retraso": 0.9529}
}

---

☕ Backend Spring Boot

Flujo de predicción

• El cliente envía la solicitud
• Se guarda el vuelo (FlightRequest)
• Se consulta el microservicio Flask
• Se guarda la predicción (Prediction)
• Se retorna la respuesta al cliente

---

🔧 Prerrequisitos

Antes de ejecutar el proyecto, asegúrese de:

• Tener MySQL instalado y en ejecución

  👉 Instalación y configuración de MySQL

• Tener creada la base de datos

  👉 Creación de la base de datos

• Tener activo el microservicio Flask

  👉 Configuración del microservicio Flask

• Variables de entorno configuradas según los archivos de configuración del backend y del microservicio

  👉 configuración de las variables de entorno

  El microservicio de Machine Learning se encuentra en:👉 microservice/

• Incluye:

  • API Flask (api.py)
  • Carga del modelo .joblib
  • Endpoint /predict

---

📁 Estructura del repositorio

El repositorio está organizado por dominios de responsabilidad, siguiendo una arquitectura de microservicios y separación de capas:

flightOnTime/
│
├── frontend/
│ ├── index.html
│ ├── styles.css
│ └── script.js
│
├── backend/
│ ├── src/main/java/
│ ├── docs/
│ └── pom.xml
│
├── microservice/
│ ├── api.py
│ ├── champion_clima.joblib
│ └── requirements.txt
│
├── datascience/
│ ├── notebooks/
│ ├── datasets/
│ └── models/
└── README.md # Documentación principal

📌 Nota: algunas carpetas pueden vivir en ramas específicas durante el desarrollo, pero esta es la estructura lógica final del proyecto.

---

🌿 Estrategia de ramas (Branching)

Ramas principales

• main
  Rama estable del proyecto.

• backend
  Desarrollo de la API REST.

• datascience
  Desarrollo del modelo predictivo.

• frontend
  Desarrollo y visualización del consumo de la API.

---

🔗 Accesos rápidos

• 🐍 Microservicio ML (Flask): /microservice
• 🧠 Data Science: /data-science
• 🎨 Frontend: /frontend
• ☕ Frontend: /backend

---

🚀 Guía de instalación paso a paso

▶️ Cómo ejecutar el proyecto (uso local)

• Iniciar MySQL
• Ejecutar el backend Spring Boot desde IntelliJ
• Activar entorno virtual y ejecutar api.py
• Probar endpoints con Insomnia o Postman

👉 Instrucciones completas para ejecutar el proyecto: Cómo ejecutar el proyecto

⚙️ Configuración del microservicio

El backend Spring Boot se comunica con el microservicio de Machine Learning mediante una URL configurable por variable de entorno.

ORACLE_PREDICTION_URL = http://127.0.0.1:5000/predict

instrucciones para Configuración del microservicio Flask

📌 Estado del proyecto

Proyecto en desarrollo como MVP para la Hackatón ONE – No Country 2025.