Update app.py

app.py

@@ -2,36 +2,110 @@ import gradio as gr
 import joblib
 import numpy as np
 import os
+import requests
+import time
+import threading
+from datetime import datetime
+from sklearn.ensemble import RandomForestClassifier
 
-# Cargar el modelo entrenado
+# Configuración de la API de Node-RED
+NODE_RED_URL = "https://appairedecolmena.es/colmena1/datos"
+USERNAME = "tu_usuario"
+PASSWORD = "tu_contraseña"
+
+# Ruta del modelo
 modelo_path = "modelo_colmena.pkl"
+
+# Cargar el modelo si existe, si no, crearlo vacío
 if os.path.exists(modelo_path):
     modelo = joblib.load(modelo_path)
 else:
-    raise FileNotFoundError("El modelo no se encuentra en el servidor.")
+    modelo = RandomForestClassifier(n_estimators=100)
+
+# Variable para rastrear el último timestamp
+ultimo_timestamp = None
+
+def obtener_datos_colmena():
+    """Obtiene los datos de Node-RED con autenticación."""
+    try:
+        respuesta = requests.get(NODE_RED_URL, auth=(USERNAME, PASSWORD), timeout=5)
+        if respuesta.status_code == 200:
+            return respuesta.json()
+        else:
+            print(f"⚠️ Error en la API de Node-RED: {respuesta.status_code}")
+            return None
+    except Exception as e:
+        print("❌ No se pudo conectar a Node-RED:", e)
+        return None
+
+def entrenar_nuevo_modelo(datos):
+    """Entrena un nuevo modelo con los datos recibidos."""
+    global modelo
+
+    # Convertir los datos en un array
+    entrada = np.array([[float(datos["temperaturaInterior"]), float(datos["humedadInterior"]), float(datos["peso"]),
+                         float(datos["co2"]), float(datos["vco"]), float(datos["frecuencia"]),
+                         float(datos["voltaje"]), float(datos["temperatura_exterior"]),
+                         float(datos["humedad_exterior"]), float(datos["ver_tempSelect"])]])
+    
+    # Salidas: [ultrasonido, calefactor, ventilador]
+    salida = np.array([[int(datos["ver_ultrasonido"]), int(datos["ver_calefactor"]), int(datos["ver_ventilador"])]])  
+
+    # Reentrenar el modelo
+    modelo.fit(entrada, salida)
+
+    # Guardar el nuevo modelo
+    joblib.dump(modelo, modelo_path)
+    print("✅ Modelo actualizado con nuevos datos.")
+
+def verificar_nuevos_datos():
+    """Consulta Node-RED cada hora y aprende si hay datos nuevos."""
+    global ultimo_timestamp
+
+    while True:
+        datos = obtener_datos_colmena()
+
+        if datos:
+            timestamp_actual = datos["timestamp"]
+            
+            if timestamp_actual != ultimo_timestamp:
+                print(f"📌 Nuevos datos detectados: {timestamp_actual}")
+                entrenar_nuevo_modelo(datos)
+                ultimo_timestamp = timestamp_actual
+            else:
+                print("⏳ No hay datos nuevos, esperando la próxima consulta...")
+        else:
+            print("⚠️ No se pudieron obtener datos.")
+
+        # Esperar 1 hora antes de la próxima consulta
+        time.sleep(3600)
+
+# Iniciar el proceso en segundo plano
+thread = threading.Thread(target=verificar_nuevos_datos, daemon=True)
+thread.start()
 
 # Función para hacer predicciones con el modelo
 def predecir(temp, humedad, peso, co2, vco, frecuencia, voltaje, temp_ext, humedad_ext, ver_tempSelect):
-    # Convertir valores a números y reemplazar NaN con 0
     valores = [temp, humedad, peso, co2, vco, frecuencia, voltaje, temp_ext, humedad_ext, ver_tempSelect]
     valores_limpios = [0 if v is None or np.isnan(v) else v for v in valores]  # Reemplaza NaN y None con 0
     
     entrada = np.array([valores_limpios])
     
-    prediccion = modelo.predict(entrada)[0]  # El modelo devuelve [ventilador, ultrasonido]
+    prediccion = modelo.predict(entrada)[0]  # El modelo devuelve [ultrasonido, calefactor, ventilador]
     
-    mensaje = f"🔹 Ventilador: {'ENCENDER' if prediccion[0] == 1 else 'APAGAR'}"
-    mensaje += f"\n🔹 Ultrasonido: {'ENCENDER' if prediccion[1] == 1 else 'APAGAR'}"
+    mensaje = f"🔹 Ultrasonido: {'ENCENDER' if prediccion[0] == 1 else 'APAGAR'}"
+    mensaje += f"\n🔹 Calefactor: {'ENCENDER' if prediccion[1] == 1 else 'APAGAR'}"
+    mensaje += f"\n🔹 Ventilador: {'ENCENDER' if prediccion[2] == 1 else 'APAGAR'}"
     
     return mensaje
 
 # Crear la API en Gradio
 iface = gr.Interface(
     fn=predecir,
-    inputs=["number", "number", "number", "number", "number", "number", "number", "number", "number"],
+    inputs=["number", "number", "number", "number", "number", "number", "number", "number", "number", "number"],
     outputs="text",
     title="🐝 IA Inteligente para Colmenas",
-    description="Introduce los datos de la colmena y la IA predecirá si es necesario activar ventilador y ultrasonido."
+    description="Introduce los datos de la colmena y la IA predecirá si es necesario activar ventilador, calefactor y ultrasonidos."
 )
 
 # Lanzar la API