Plataforma en Tiempo Real Big Data de procesamiento de sensores IoT para la predicción de la demanda de una franquicia de restauración

Abstract

En este proyecto se ha desarrollado e implementado en un cluster Big Data una plataforma capaz de recoger y procesar datos IoT en tiempo real en terrazas de franquicias de restauración para realizar predicciones de demanda. Esta predicción de demanda será mostrada a las empresas a través de un dashboard web que permite visualizar el estado de la demanda y las condiciones atmosféricas del establecimiento en tiempo real. Se ha integrado una plataforma IoT desarrollada en un proyecto anterior para que envíe los datos atmosféricos que recoge a través del protocolo MQTT al cluster Big Data de la Universidad Pontificia Comillas. Cuando se reciben los datos en el cluster Big Data son volcados en una cola Kafka, lo cual facilitará el posterior procesado en tiempo real de la información. El procesado de los datos IoT se lleva a cabo a través de una red neuronal tipo feed forward que se ha desarrollado en Python. Debido a que no se dispone de datos de facturación reales, la red neuronal ha sido entrenada con un modelo de entrenamiento sintético. Una vez se realiza una predicción de demanda a partir de los datos atmosféricos, los resultados se muestran a través de una herramienta de visualización en forma de dashboard web. En esta aplicación, a través de diversos indicadores y gráficos, se muestra: el valor de demanda, la demanda real (calculada por el modelo de entrenamiento) y los parámetros atmosféricos en tiempo real.In this project, a platform capable of collecting and processing IoT data in real time in terraces of restoration franchises has been developed and implemented in a Big Data cluster to make demand predictions. This demand prediction will be shown to the companies through a web dashboard that allows users to visualize the state of the demand and the atmospheric conditions of the establishment in real time. An IoT platform developed in a previous project has been integrated to send the atmospheric data collected through the MQTT protocol to the Big Data cluster of the Universidad Pontificia Comillas. When the data is received in the Big Data cluster it is dumped in a Kafka queue, which will facilitate the subsequent processing of the information in real time. The processing of the IoT data is carried out through a feed forward neuronal network that has been developed in Python. Because no actual billing data is available, the neural network has been trained with a synthetic training model. Once a demand prediction is made from the atmospheric data, the results are shown through a visualization tool in the form of a web dashboard. In this application, through various indicators and graphs, it is shown: the demand estimation, the real demand (calculated by the training model) and the atmospheric parameters in real time.