🌡️ PyTorch Weather Prediction

📝 Descripción

Este proyecto utiliza una red neuronal LSTM en PyTorch para predecir temperaturas máximas y mínimas a partir de datos climáticos históricos. Se basa en datos recopilados diariamente durante el año 2024, que incluyen información sobre temperatura, precipitación, viento y humedad.

✨ Características

• Implementación de un modelo de red neuronal LSTM para la predicción de series temporales.
• Preprocesamiento de datos climáticos desde archivos CSV.
• Normalización de datos con MinMaxScaler de sklearn.
• Entrenamiento del modelo con PyTorch.
• Visualización de los resultados mediante gráficos.

📌 Requisitos

Para ejecutar este proyecto, es necesario tener instaladas las siguientes bibliotecas:

• Python 3.8+

• PyTorch

• Pandas

• Scikit-learn

• Matplotlib (opcional, para visualización)

Instala las dependencias con:

pip install -r requirements.txt

🚀 Uso

1. Coloca el archivo de datos en la carpeta data/.

2. Ejecuta el script principal:

python main.py

3. El modelo entrenará y generará predicciones de temperaturas máximas y mínimas.

📊 Datos

Los datos meteorológicos provienen de registros diarios e incluyen:

• t_max: Temperatura máxima diaria

• t_min: Temperatura mínima diaria

• precipitacion: Nivel de precipitación (mm)

• viento: Velocidad del viento (km/h)

• humedad: Humedad relativa (%)

📁 Estructura del repositorio

📂 pytorch-weather-prediction
│── data/                         # Carpeta para almacenar los datos CSV
│   ├── clima_limpio_2024.csv     # Datos climáticos usados
│── 📄 main.ipynb    # Código completo del modelo en jupyter notebook
│── 📄 main.py    # Código completo del modelo
│── 📄 README.md    # Documentación del proyecto
│── 📄 requirements.txt    # Lista de dependencias

🔍 Notas

• El modelo usa una ventana de 30 días para predecir las temperaturas.

• La normalización se aplica para mejorar el rendimiento del modelo.

📈 Resultados

Tras el entrenamiento, el modelo logra aprender tendencias en la temperatura y genera predicciones razonables basadas en los datos históricos.

Ejemplo de gráfico de predicciones:

🚧 Futuras mejoras

• Incluir más variables climáticas para mejorar la precisión.
• Optimizar los hiperparámetros del modelo.
• Implementar una API para consultar predicciones en tiempo real.

👤 Autor

Patricia Cañadas
Si tienes preguntas o sugerencias, no dudes en abrir un issue en el repositorio.

📜 Licencia

Este proyecto está bajo la licencia MIT.