Upload 19 files

core/models.py

@@ -15,14 +15,23 @@ from .constants import ENFORCE_TR0_RESILIENTES
 warnings.filterwarnings("ignore")
 
 # ------------------------------------------------------------------
-# Disponibilidad de librerías de IA (no obligatorias para el núcleo CPM).
+# Disponibilidad de librerías de IA (independientes entre sí).
+# El Random Forest solo necesita sklearn; el NLP necesita transformers.
 # ------------------------------------------------------------------
 try:
-    from transformers import pipeline as _hf_pipeline          # noqa: F401
-    from sklearn.ensemble import RandomForestRegressor          # noqa: F401
-    IA_DISPONIBLE = True
+    from sklearn.ensemble import RandomForestRegressor           # noqa: F401
+    ML_DISPONIBLE = True
 except ImportError:
-    IA_DISPONIBLE = False
+    ML_DISPONIBLE = False
+
+try:
+    from transformers import pipeline as _hf_pipeline            # noqa: F401
+    NLP_DISPONIBLE = True
+except ImportError:
+    NLP_DISPONIBLE = False
+
+# Compatibilidad: "hay IA" si al menos uno de los dos modelos está disponible.
+IA_DISPONIBLE = ML_DISPONIBLE or NLP_DISPONIBLE
 
 # Singletons perezosos (se rellenan al primer uso).
 _nlp_classifier = None
@@ -30,6 +39,9 @@ _nlp_cargado = False
 _ml_tr_model = None
 _ml_cargado = False
 
+# Caché de predicciones del Random Forest (clave: entradas redondeadas).
+_TR_CACHE: dict = {}
+
 
 def get_nlp_model():
     """Carga perezosa del clasificador zero-shot. Devuelve None si no se puede."""
@@ -37,7 +49,7 @@ def get_nlp_model():
     if _nlp_cargado:
         return _nlp_classifier
     _nlp_cargado = True
-    if not IA_DISPONIBLE:
+    if not NLP_DISPONIBLE:
         _nlp_classifier = None
         return None
     try:
@@ -66,7 +78,7 @@ def _entrenar_modelo_termodinamico():
     Entrena al Random Forest para que devuelva HORAS de secado respondiendo
     correctamente a la temperatura y humedad.
     """
-    if not IA_DISPONIBLE:
+    if not ML_DISPONIBLE:
         return None
     from sklearn.ensemble import RandomForestRegressor
     np.random.seed(42)
@@ -190,8 +202,16 @@ def calcular_tr_y_ic_dinamico(lluvia_mm, temp_c, humedad_pct, tipo_suelo_ic, usa
 
     suelo_cat = 1 if tipo_suelo_ic >= 3.0 else (2 if tipo_suelo_ic >= 2.0 else 3)
 
-    # La IA ahora predice HORAS reales
-    tr_horas = ml_tr_model.predict([[lluvia_mm, temp_c, humedad_pct, suelo_cat]])[0]
+    # La IA predice HORAS reales. Cacheamos la predicción con las entradas redondeadas:
+    # sklearn tarda ~3.8 ms por predicción de UNA muestra, y el motor la invoca una vez
+    # por día lluvioso; en un proyecto grande eso son decenas de miles de llamadas
+    # idénticas. El redondeo (0.5 mm / 0.5 °C / 0.5 %) deja Tr prácticamente igual y
+    # colapsa miles de llamadas a unas pocas. Resultado: hasta cientos de veces más rápido.
+    key = (round(lluvia_mm * 2) / 2, round(temp_c * 2) / 2, round(humedad_pct * 2) / 2, suelo_cat)
+    tr_horas = _TR_CACHE.get(key)
+    if tr_horas is None:
+        tr_horas = float(ml_tr_model.predict([[key[0], key[1], key[2], suelo_cat]])[0])
+        _TR_CACHE[key] = tr_horas
 
     # [AUD-07] Penalización dinámica del coeficiente — Ec. 6.22 de la tesis:
     # Ic_dinámico = Q(Ic) = Ic_base + Tr/48  (constante de normalización 48 h)