Projeto Lumière, Previsão de Consumo de Energia

Este repositório contém um aplicativo Flask para disponibilizar modelos de Machine Learning treinados para previsão de consumo de energia. O objetivo do projeto é demonstrar a integração entre os modelos de classificação e regressão, permitindo a realização de previsões em um ambiente web.

Tecnologias Utilizadas

• Flask: Framework web para Python, utilizado para criar a API.
• Scikit-learn: Biblioteca utilizada para treinar os modelos de Machine Learning.
• Joblib: Biblioteca para carregar e salvar modelos treinados.
• HTML & CSS: Para a interface de usuário.

Arquitetura

O sistema consiste em um servidor Flask que oferece dois tipos de modelos preditivos:

1. Modelo de Classificação: Previsão sobre o tipo de mudança no consumo de energia ("Aumento" ou "Diminuição").
2. Modelo de Regressão: Previsão do consumo de energia no futuro, dado o consumo histórico, média de consumo, número de moradores e a renda da família.

Instruções de Instalação

1. Clonando o repositório

   git clone https://github.com/seu_usuario/projeto_consumo_energia.git
   cd projeto_consumo_energia

2. Criando o Ambiente Virtual Crie um ambiente virtual para o projeto. Caso ainda não tenha o virtualenv instalado, instale com:

   pip install virtualenv

   Crie o ambiente virtual:

   virtualenv venv

   Ative o ambiente virtual:

   • No Windows:

     venv\Scripts\activate

   • No Linux ou MacOS:

     source venv/bin/activate

3. Instalando dependências Você pode instalar as dependências necessárias usando o pip:

   pip install -r requirements.txt

   Se o arquivo requirements.txt não existir, você pode instalar as dependências manualmente:

   pip install flask scikit-learn joblib

4. Carregando os Modelos Certifique-se de que os arquivos dos modelos treinados (modelo_classificacao.pkl, modelo_regressao.pkl, scaler.pkl) estejam na pasta modelos/ conforme a estrutura do projeto.

Execução

Para rodar o servidor Flask localmente, use o seguinte comando:

python app.py

O servidor será iniciado e estará disponível em http://127.0.0.1:5000/.

Interface Web

A página inicial (index.html) contém dois botões, cada um para enviar dados para um dos modelos:

1. Classificação: Envia dados para o modelo de classificação, retornando "Aumento" ou "Diminuição" com base no consumo.
2. Regressão: Envia dados para o modelo de regressão, retornando o valor estimado para o consumo de energia no futuro.

Exemplo de entrada de dados

• Consumo_Anterior: Consumo de energia no mês anterior (em kWh).
• Média_consumo: Média de consumo de energia nos meses anteriores (em kWh).
• Num_moradores: Número de moradores da residência.
• Renda: Renda da família (em R$).

Fluxo de Trabalho

1. O usuário insere os dados nos campos de input.
2. Ao clicar no botão correspondente (Classificação ou Regressão), os dados são enviados para a API.
3. O modelo retorna a previsão e ela é exibida na mesma página.

Endpoints da API

• POST /predict/classificacao: Previsão sobre a mudança no consumo de energia (Aumento ou Diminuição).

  • Entrada:

    {
      "Consumo_Anterior": 150.0,
      "Media_consumo": 140.0,
      "Num_moradores": 4,
      "Renda": 3000.0
    }

  • Saída:

    {
      "prediction": "Classificação: Aumento"
    }

• POST /predict/regressao: Previsão do consumo futuro (em kWh).

  • Entrada:

    {
      "Consumo_Anterior": 150.0,
      "Media_consumo": 140.0,
      "Num_moradores": 4,
      "Renda": 3000.0
    }

  • Saída:

    {
      "prediction": "Consumo Futuro: 155.0 kWh"
    }

Autores

• Vinicius Souza - GitHub
• Laura de Oliveira Cintra - GitHub
• Maria Eduarda Alves da Paixão - GitHub

Contribuição

Sinta-se à vontade para fazer um fork do projeto e enviar PRs. Sugestões de melhorias são bem-vindas!

Conclusão

Este projeto demonstra como integrar modelos de Machine Learning com uma aplicação web usando Flask, permitindo que o usuário envie dados e receba previsões diretamente pela interface.