README.md

---
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:
   ```bash
   git lfs install
   git lfs track "*.pt" "*.npz" "*.npy"
   git add .gitattributes
   ```

## Probarlo local antes de subir

```bash
pip install -r requirements.txt
python app.py
```

Abre `http://127.0.0.1:7860`.