https://github.com/asdf8601/aguathon_2019

Aguathon 2019 ITAINNOVA River Ebro Hackathon
https://github.com/asdf8601/aguathon_2019

ebro hackathon river

Last synced: 23 days ago
JSON representation

Aguathon 2019 ITAINNOVA River Ebro Hackathon

• Host: GitHub
• URL: https://github.com/asdf8601/aguathon_2019
• Owner: asdf8601
• Created: 2019-02-28T20:55:17.000Z (over 7 years ago)
• Default Branch: master
• Last Pushed: 2019-10-03T16:41:19.000Z (over 6 years ago)
• Last Synced: 2026-02-01T15:56:16.638Z (5 months ago)
• Topics: ebro, hackathon, river
• Language: Jupyter Notebook
• Homepage:
• Size: 72.7 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 2
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# Aguathon 2019

| Autor  | Maximiliano Greco            |

| :---:  | :---------------:            |

| Github | https://github.com/mmngreco/ |

## 1. Instalación

### Conda

Definir un entorno virtual con conda.

```bash

conda env create -f environment.yml -n river

conda activate river

```

### Docker

```bash

docker build -t aguathon .

docker run -it aguathon

```

## 2. Uso

Para entrenar modelos:

```python

python CNN_feat2d.py -h  # para entrenar (no es necesario)

```

Para predecir con los modelos entrenados, solo hay que ejecutar:

```python

python predict.py  # para predecir

```

## 3. Motivación

Para la prediccón se ha usado una red neuronal que mezcla una capa

"convolucional", seguida de una capa oculta  y una capa "full conected" de

salida. Esta arquitectura es la que mejor me ha funcionado, otros proyectos que

he visto, usan LSTM o GRU, sin embargo, esa aproximación no me ha dado buenos

resultados con el añadido de que poco intuitivas y dificiles de entender.

Esta estructura la he definido a partir de la intuición y del ensayo error.

La mayoria de trabajos y proyectos que he consulado no hacían uso de las redes

recurrentes, en su lugar aplicaban redes neuronals o bien LSTM. Me pareció que

merecía la pena hacer la prueba ya que estas redes se aplican en imagen

fundamentalmente. En nuestro caso, a pesar de tener series temporales, parece

que funcionan especialmente bien debido a la similitud dimensional con las

imagenes, en cierta, forma estos río forman una "imagen" que queremos predecir.

### Estructura de la RED

Puede ver este diagrama usando un renderizador de [`mermaid`](https://mermaidjs.github.io/mermaid-live-editor/#/view/eyJjb2RlIjoiZ3JhcGggTFJcblhfMjQoKFgpKSAtLT4gQ05OXzFkXzI0XG55MjQoKHkyNCkpIC0tPiBDTk5fMWRfMjRcbkNOTl8xZF8yNCAtLT4gRGVuc2UxXzI0XG5EZW5zZTFfMjQgLS0-IERlbnNlMl8yNFxuRGVuc2UyXzI0IC0tPiBGbGF0dGVuXzI0XG5GbGF0dGVuXzI0IC0tPiBEZW5zZTNfMjRcbkRlbnNlM18yNCAtLT4geWhhdF8yNCgoeWhhdDI0KSlcblxuXG5YXzQ4KChYKSkgLS0-IENOTl8xZF80OFxueV80OCgoeTQ4KSkgLS0-IENOTl8xZF80OFxuQ05OXzFkXzQ4IC0tPiBEZW5zZTFfNDhcbkRlbnNlMV80OCAtLT4gRGVuc2UyXzQ4XG5EZW5zZTJfNDggLS0-IEZsYXR0ZW5fNDhcbkZsYXR0ZW5fNDggLS0-IERlbnNlM180OFxuRGVuc2UzXzQ4IC0tPiBCXzQ4KCh5aGF0NDgpKVxuXG5YXzcyKChYKSkgLS0-IENOTl8xZF83MlxueV83MigoeTcyKSkgLS0-IENOTl8xZF83MlxuQ05OXzFkXzcyIC0tPiBEZW5zZTFfNzJcbkRlbnNlMV83MiAtLT4gRGVuc2UyXzcyXG5EZW5zZTJfNzIgLS0-IEZsYXR0ZW5fNzJcbkZsYXR0ZW5fNzIgLS0-IERlbnNlM183MlxuRGVuc2UzXzcyIC0tPiBCXzcyKCh5aGF0NzIpKSIsIm1lcm1haWQiOnsidGhlbWUiOiJkZWZhdWx0In19).

![graph](./assets/figures/mermaid-diagram-20190501164854.svg)

En el script `CNN_feat2d.py` se encuentra la función `build_model()` que se encarga

de crear la red de acuerdo a unos parámetros. Pero en esencia es lo siguiente:

```python

model = Sequential()

model.add(Conv1D(

    filters=filters,

    kernel_size=kernel_size,

    activation='relu',

    input_shape=(n_steps, n_features),

))

model.add(Dense(

    NEURONS1,

    activation='relu',

    kernel_regularizer=L1L2,

))

model.add(Dense(

    n_features,

    activation='relu',

    kernel_regularizer=L1L2,

))

model.add(Flatten())

model.add(Dense(NEURONS_OUT))

model.compile(optimizer='adam', loss='mse')

```