README.md

metadata

title: LSTTN Traffic Forecast PEMS04
emoji: 🚦
colorFrom: green
colorTo: blue
sdk: gradio
sdk_version: 4.44.0
app_file: app.py
pinned: false

LSTTN — Demo de pronóstico de tráfico (PEMS-04)

Demo interactiva del modelo LSTTN (GraphWaveNet + Transformer, Luo et al. 2024) entrenado sobre el dataset PEMS-04. Permite elegir un sensor y una muestra de test y comparar la predicción del modelo contra el flujo de tráfico real.

Cómo generar los artefactos (una sola vez, local o en Colab)

1. En tu notebook Entregable_4_Grupo_5.ipynb, después de que la celda de entrenamiento del LSTTN (celda "Entrenamiento") termine, pega el contenido de export_artifacts.py en una nueva celda y ejecútala.
2. Esto crea la carpeta lsttn_artifacts/ con:
   • model_state.pt — pesos entrenados
   • adjacency.npy — matriz de adyacencia A
   • mean_std.npy — estadísticas de normalización
   • meta.npy — num_nodes, window_size, horizon
   • demo_samples.npz — 500 muestras del test set para la demo
3. Copia esa carpeta lsttn_artifacts/ a este mismo directorio (junto a app.py).

Cómo desplegar en Hugging Face Spaces

1. Crea un Space nuevo en https://huggingface.co/new-space, SDK = Gradio.

2. Sube estos archivos a la raíz del repo del Space:

   • app.py
   • lsttn_model.py
   • requirements.txt
   • README.md (este archivo, con el YAML de arriba)
   • la carpeta lsttn_artifacts/ completa

3. El Space instala requirements.txt y levanta app.py automáticamente.

   Si el repo pesa mucho por los .npz/.pt, usa Git LFS:

   git lfs install
   git lfs track "*.pt" "*.npz" "*.npy"
   git add .gitattributes
   

Probarlo local antes de subir

pip install -r requirements.txt
python app.py

Abre http://127.0.0.1:7860.