Predicción de Temperatura con LSTM - Weather Dataset

Proyecto de Deep Learning para predicción de temperatura usando redes neuronales recurrentes (LSTM) con TensorFlow/Keras.

Descripción del Proyecto

Este proyecto implementa un modelo de aprendizaje profundo basado en arquitectura LSTM (Long Short-Term Memory) para predecir la temperatura 24 horas adelante, utilizando datos históricos de variables meteorológicas.

Características Principales

• Dataset: Weather Dataset de Kaggle (~96,453 registros horarios)
• Modelo: LSTM multicapa con regularización
• Objetivo: Predicción de temperatura 24 horas adelante
• Framework: TensorFlow 2.x + Keras
• Métricas: MAE, RMSE, R², MAPE
• Gestión de dependencias: UV (moderno y rápido)

Estructura del Proyecto

deep-learning/
├── weather_temperature_prediction.ipynb  # Notebook principal
├── download_dataset.py                   # Script para descargar dataset
├── predict.py                            # Script para predicciones
├── pyproject.toml                        # Dependencias (UV)
├── requirements.txt                      # Dependencias (pip legacy)
├── README.md                            # Este archivo
├── .gitignore                           
│
├── .venv/                               # Entorno virtual (generado por UV)
├── datasets/                            # Datos (se genera al descargar)
│   └── weatherHistory.csv              
├── models/                              # Modelos entrenados (se genera)
│   ├── temperature_lstm_model_final.keras
│   ├── scaler.pkl
│   └── metadata.json
└── results/                             # Visualizaciones (se genera)

Instalación

1. Clonar el repositorio

git clone https://github.com/zam-cv/deep-learning
cd deep-learning

2. Instalar dependencias con UV

Este proyecto usa UV para gestión de dependencias (más rápido que pip).

# UV instalará automáticamente las dependencias y creará .venv/
uv sync

Alternativa con pip tradicional:

python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

3. Configurar Kaggle API

El dataset se descarga desde Kaggle. Configura tus credenciales:

# 1. Ve a https://www.kaggle.com/settings/account
# 2. Sección "API" → "Create New Token"
# 3. Se descargará kaggle.json

# En Mac/Linux:
mkdir -p ~/.kaggle
mv ~/Downloads/kaggle.json ~/.kaggle/
chmod 600 ~/.kaggle/kaggle.json

# En Windows:
# Crea: C:\Users\<TuUsuario>\.kaggle\
# Mueve kaggle.json ahí

4. Descargar el Dataset

Opción A: Script automático (RECOMENDADO)

uv run python download_dataset.py

Opción B: Desde el notebook

El notebook descargará el dataset automáticamente si tienes Kaggle configurado.

Opción C: Descarga manual

1. Ve a: https://www.kaggle.com/datasets/muthuj7/weather-dataset
2. Click "Download" (requiere cuenta Kaggle gratis)
3. Descomprime y coloca weatherHistory.csv en datasets/

Uso

Ejecutar el Notebook (Entrenamiento)

# Con UV
uv run jupyter notebook weather_temperature_prediction.ipynb

# O activa el entorno manualmente
source .venv/bin/activate
jupyter notebook weather_temperature_prediction.ipynb

El notebook está organizado en:

1. Introducción - Planteamiento del problema
2. Datos - Carga, análisis y preprocesamiento
3. Desarrollo - Modelo baseline y LSTM V1
4. Ajuste - LSTM V2 mejorado con regularización
5. Resultados - Evaluación en conjunto de prueba
6. Conclusiones - Análisis y mejoras futuras
7. Aplicación - Función de predicción lista para usar

Usar el Modelo Entrenado

Después de entrenar el modelo en el notebook:

uv run python predict.py

Arquitectura del Modelo Final (LSTM V2)

Input: (168 horas, 13 características)
  ↓
LSTM(128) → Dropout(0.2) → BatchNormalization
  ↓
LSTM(64) → Dropout(0.2) → BatchNormalization
  ↓
LSTM(32) → Dropout(0.2)
  ↓
Dense(16, relu) → Dropout(0.1)
  ↓
Dense(1) → Temperatura predicha 24h adelante

Mejoras implementadas:

• 3 capas LSTM (vs 2 en V1)
• Dropout (20%) para regularización
• Batch Normalization para estabilidad
• 128→64→32 unidades (arquitectura descendente)
• Capa densa adicional antes de salida

Resultados

Métrica	Valor
MAE	X.XX°C
RMSE	X.XX°C
R²	0.XXX
MAPE	X.XX%

Los valores exactos se obtienen al ejecutar el notebook

Dependencias Principales

• TensorFlow 2.20.0
• Pandas 2.3.3
• NumPy 2.3.4
• Scikit-learn 1.7.2
• Matplotlib 3.10.7
• Jupyter Notebook 7.4.7
• Kaggle 1.7.4 (para descarga de datos)

Ver pyproject.toml para la lista completa.

Solución de Problemas

Error 404 al descargar dataset

Si ves "HTTP Error 404: Not Found":

1. Verifica credenciales de Kaggle:

   cat ~/.kaggle/kaggle.json  # Debe existir

2. Usa el script de descarga:

   uv run python download_dataset.py

3. Descarga manual:

   • Ve a Kaggle (enlace arriba)
   • Descarga manualmente
   • Coloca en datasets/

Problemas con UV

Si UV no está instalado:

curl -LsSf https://astral.sh/uv/install.sh | sh

Referencias

Dataset

• Weather Dataset - Kaggle

Papers

• Hochreiter & Schmidhuber (1997). Long Short-Term Memory
• Cho et al. (2014). Learning Phrase Representations using RNN Encoder-Decoder

Documentación

• TensorFlow Time Series
• Keras LSTM
• UV Package Manager

Autor

Alberto Velázquez

Licencia

Proyecto académico - Uso educativo

---

Última actualización: Noviembre 2025