Análisis de Data Drift en Series Temporales: Generación de Datos Sintéticos, Aumentación de Datos y Evaluación de Modelos Predictivos

Este proyecto ofrece un entorno completo para el análisis y monitoreo de drift en series temporales, complementado con herramientas de generación de datos sintéticos, técnicas de aumentación y evaluación de modelos predictivos.

🚀 Instalación

1. Clona el repositorio

git clone https://github.com/davidraamirez/drift-detection_data-augmentation.git
cd drift-detection_data-augmentation

2. Crea un entorno virtual e instala las dependencias:

python -m venv env
source env/bin/activate
pip install -r requirements.txt

Configuration

1. Copia el archivo de entorno de ejemplo y configura tus variables personalizadas:

cp .env.template .env

Edita el archivo .env con tus credenciales o parámetros necesarios, como claves de API, rutas de datos, etc.

2. Iniciar la API local Arranca la API principal para que pueda ser utilizada por la aplicación en casos_uso/ u otras herramientas que dependan de ella:

fastapi dev main_api.py --port=8000

Esto levantará la API localmente en: http://127.0.0.1:8000

💻 Interfaz de Usuario con Streamlit

Este proyecto cuenta con una interfaz web desarrollada en Streamlit, accesible localmente, que permite explorar todas las funcionalidades del sistema de forma visual y ordenada. La interfaz está dividida en distintas secciones, cada una enfocada en un aspecto clave del análisis de series temporales:

📊 Página de Inicio: Reporte Estadístico Muestra un informe descriptivo y visual de las series temporales cargadas, incluyendo estadísticas básicas.

⚠️ Detección de Drift Permite aplicar técnicas de detección de cambios en la distribución de los datos (drift), útiles para validar la consistencia de los modelos en el tiempo.

🧪 Ampliación de Características Ofrece herramientas para aplicar técnicas de aumentación y enriquecimiento de variables sobre las series temporales, con el objetivo de mejorar el rendimiento predictivo de los modelos.

➕ Variable Exógena Sección para crear e incorporar una variable exógena adicional, y comparar los resultados de predicción del modelo con y sin dicha variable, evaluando su impacto en la mejora del rendimiento.

▶️ Ejecutar la interfaz Para iniciar la aplicación en tu navegador local:

streamlit run casos_uso/Report.py 

Esto abrirá automáticamente la interfaz en: http://localhost:8501/

📁 Estructura del Proyecto

aumentacion/ Técnicas de aumentación de datos aplicadas a series temporales.

casos_uso/ Aplicación que prueba la API en los casos de uso de ampliación de características, creación de variables exógenas y detección de drift.

drift/ Modelos y métodos para la detección de drift en los datos.

ejemplos/ Ejemplos de series sintéticas, técnicas de aumentación y el dataset usado en el caso de uso de creación de variable exógena.

modelos_prediccion/ Contiene los modelos de predicción implementados.

series_sinteticas/ Modelos para la generación de series sintéticas.

main_api.py Archivo principal de la API que centraliza el acceso a los modelos de Detección de Data Drift en Series Temporales, Generación de Datos Sintéticos, Aumentación de Datos y Evaluación de Modelos Predictivos.