GatePredict es un sistema integral de gestión de catering para aerolíneas que optimiza el inventario, reduce el desperdicio y mejora la eficiencia operativa mediante el uso de inteligencia artificial y visión por computadora. El sistema funciona completamente offline durante los vuelos, sincronizando datos automáticamente cuando hay conexión disponible.
Sistema ERP/PostgreSQL
↓
Genera Flight Plan
↓
├─ Vuelo: LX180 MEX→NYC
├─ Fecha: 2025-10-26 08:00
├─ Pasajeros: 180 (120 Economy, 60 Business)
├─ Trolleys asignados: 12
│
└─ Para cada trolley:
├─ Trolley ID: 247
├─ Tipo: Beverage Cart
├─ Ubicación física: Galley 2
├─ Drawers: 4
│
└─ Contenido COMPLETO:
├─ Coca-Cola 330ml: 48 unidades (LOT B302, exp: 2026-03-15)
├─ Agua 500ml: 60 unidades (LOT C101, exp: 2026-08-20)
├─ Cerveza Corona: 24 unidades (LOT A405, exp: 2025-10-28) ⚠
├─ Jugo naranja: 36 unidades (LOT D205, exp: 2026-01-10)
└─ ... [lista completa]
↓
SINCRONIZA a dispositivos móviles
↓
Antes de despegar: TODO está offline en la tablet/phone
- Funcionamiento completo sin conexión a internet durante el vuelo
- Base de datos local SQLite con toda la información necesaria
- Sincronización automática al restaurar la conexión
- Identificación automática de productos mediante fotografía
- Actualización de inventario en tiempo real
- Modo simulación cuando no hay conexión o cámara disponible
- Alertas de productos próximos a caducar
- Recomendaciones de uso basadas en fechas de vencimiento
- Análisis predictivo de consumo según tipo de vuelo y pasajeros
- Subida automática de datos al aterrizar
- Registro completo de consumo y métricas
- Análisis comparativo con vuelos anteriores
- Frontend: Flutter (Multiplataforma: iOS, Android)
- Backend: FastAPI (Python)
- Base de Datos: PostgreSQL (remota) y SQLite (local)
- Visión por IA: Google Gemini Vision API
- Modelo Predictivo: Python (scikit-learn/TensorFlow)
Antes del despegue, la aplicación móvil descarga toda la información necesaria:
- Plan de vuelo completo
- Detalles de todos los trolleys asignados
- Inventario completo con fechas de caducidad
- Predicciones de consumo basadas en IA
La tripulación puede realizar múltiples operaciones sin conexión:
Usuario: "¿Dónde está la Coca-Cola?"
Asistente: "Trolley 247, drawer 3. Tienes 48 Coca-Colas disponibles."
Usuario: "¿La cerveza Corona está OK?"
Asistente: "⚠ Alerta: Cerveza Corona caduca en 2 días. Úsala primero. 24 unidades en trolley 247."
Usuario: [Toma foto de un producto sin etiqueta clara]
Asistente: "Es jugo de naranja, LOT D205. Válido hasta enero 2026. Puedes usarlo."
Usuario: "¿Cuántas cervezas quedan?"
Asistente: "Quedan 6 cervezas Corona. Suficiente para 6 pasajeros más."
Usuario: "Servir 3 Coca-Colas"
Asistente: "Registrado. 45 Coca-Colas restantes."
Usuario: "¿Qué debo usar primero?"
Asistente: "Prioriza Cerveza Corona, caduca en 2 días. Después usa jugo de naranja (4 meses restantes)."
Al aterrizar y detectar conexión WiFi, la aplicación:
- Sube automáticamente todos los datos de consumo
- Registra productos faltantes o dañados
- Envía métricas de productividad
- Actualiza el modelo predictivo con datos reales
- flight_id, origin, destination, date
- passengers_economy, passengers_business
- total_trolleys
- trolley_id, flight_id, type, location
- total_items, drawers, status
- trolley_id, product_id, product_name
- lot_number, expiry_date, compartment
- quantity_initial, quantity_current, quantity_consumed
- transaction_id, trolley_id, product_id
- quantity, timestamp, crew_member
- sync_status (pending/synced)
- alert_id, trolley_id, product_id
- alert_type, message, priority
- Node.js 18+ y npm/yarn
- Python 3.9+
- Flutter 3.0+
- PostgreSQL 12+
- Cuenta Google Cloud (para Gemini API)
- Clonar el repositorio
git clone https://github.com/tu-usuario/gatepredict.git
cd gatepredict/backend- Crear entorno virtual
python -m venv venv
source venv/bin/activate # Linux/Mac
# o
venv\Scripts\activate # Windows- Instalar dependencias
pip install -r requirements.txt- Configurar variables de entorno
cp .env.example .env
# Editar .env con tus credenciales- Inicializar base de datos
python init_database.py- Iniciar servidor
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000- Navegar al directorio de la app
cd flutter_app- Instalar dependencias
flutter pub get- Configurar URL del API
# Editar lib/services/api_service.dart
static const String baseUrl = 'http://TU_IP_SERVIDOR:8000';- Ejecutar aplicación
flutter run
PostgreSQL (Cloud) → API REST → Tablet/Phone → SQLite Local
SQLite Local → WiFi → API REST → PostgreSQL (Cloud)
Usuario: "Dame reporte del vuelo"
Asistente: "Vuelo LX180 completado:
- Coca-Cola: 85% consumida (41 de 48)
- Cerveza: 100% consumida (24 de 24) ✅
- Agua: 60% consumida (36 de 60)
- Jugo: 40% consumida (14 de 36)
Sugerencia: Próximo vuelo MEX-NYC aumentar cerveza y reducir jugo."
Usuario: "¿Es normal este consumo?"
Asistente: "Comparado con últimos 10 vuelos MEX-NYC:
- Cerveza: +15% sobre promedio
- Jugo: -20% bajo promedio
Posible causa: Viernes en la noche = más cerveza.
Ruta MEX-NYC viernes: ajustar spec."
- Desarrollo Backend: Andrea lepe https://github.com/Andrea0615
- Desarrollo Backend: Erik Sanchez https://github.com/uno21858
- Desarrollo Frontend: Diego Lizarraga https://github.com/DiegoLizarraga
- Modelo Predictivo: Victor Velazquez https://github.com/Victor-123321
- shadcn/ui por componentes de UI
- Unsplash por imágenes de stock
- Google Gemini por la API de visión
GatePredict - Optimizando el catering aéreo con inteligencia artificial 🚀