Centro de Pronóstico de Energía
Modelos de regresión comparativa (Random Forest, XGBoost) en Python y R con pipelines modulares de entrenamiento continuo, servido con FastAPI y Streamlit.
Resumen del Proyecto
Sistema modular para el pronóstico de demanda y generación energética a partir de series temporales históricas. Se refactorizó un código monolítico hacia una estructura de paquete modular con pruebas comparativas exhaustivas entre modelos lineales, Random Forest y XGBoost.
Aspectos Destacados
- Evaluación de Rendimiento: Selección de Random Forest como modelo de producción tras superar a los competidores en métricas de error cuadrático medio (RMSE).
- Pipeline Modular: Automatización de extracción de características temporales y pronóstico multivariado a varios días.
- Servicio y Visualización: API de inferencia en FastAPI contenedorizada con Docker, complementada con un panel de control interactivo en Streamlit.