ÉTUDE DE CAS · DATA VIZ
Tableau de bord météo
Des données météo en direct et historiques transformées en graphiques vraiment lisibles, avec un modèle de prévision derrière.
- RÔLE
- Développeur full-stack
- DURÉE
- 10 semaines
- ÉQUIPE
- En solo
- PLATEFORME
- Application web
IDENTITÉ PRODUIT
WeatherLens
Toute la prévision, d'un coup d'œil.
01 · APERÇU
Aperçu du projet
TEMPS DE DÉVELOPPEMENT
10 semaines
Du pipeline de données au tableau de bord public
TAILLE DE L'ÉQUIPE
En solo
Données, backend et frontend
RÉSULTAT CLÉ
92 % de précision
Sur les prévisions de température à J+1
LE PROBLÈME
Les sites météo montrent aujourd'hui et demain mais enterrent l'historique. Comparer cette semaine à l'an dernier, ou repérer une tendance orageuse, imposait de télécharger des CSV bruts.
L'APPROCHE
WeatherLens ingère les données des stations en direct via un service FastAPI, stocke des années de relevés dans MongoDB et les transforme en graphiques D3, avec un modèle de prévision simple par-dessus.
92 %
des maximales à J+1 à ±1,5 °C près
20 ans
d'historique par ville, interrogés en < 1 s
2 min
entre le relevé de la station et le graphique
02 · FONCTIONNALITÉS
Ce qu'il fait
Conditions en direct
Température, humidité, vent et pression mis à jour toutes les deux minutes.
Graphiques de tendance
Graphiques D3 interactifs pour la température, la pluie et le vent.
Comparaisons historiques
Comparez n'importe quelle semaine à la même semaine des années passées.
Alertes tempête
Notifications quand la pression chute ou que les rafales s'envolent.
Modèle de prévision
Un modèle de régression entraîné sur l'historique local pour les maximales du lendemain.
Villes enregistrées
Changez de ville instantanément et partagez un lien vers n'importe quelle vue.
03 · PROCESSUS
Comment il a été conçu
SEMAINE 1–2
Découvrir
Évaluation des API météo et des réseaux de stations selon leur couverture et leur historique.
- Audit des sources
- Liste des graphiques souhaités
SEMAINE 3
Concevoir
Mise en page du tableau de bord et système de graphiques pensé pour la lisibilité.
- Prototype Figma
- Guide des graphiques
SEMAINE 4–9
Développer
Ingestion FastAPI, séries temporelles MongoDB, modèle de prévision et frontend React + D3.
- Pipeline de données
- Tableau de bord
SEMAINE 10
Lancer
Lancement public avec Lisbonne, Porto et 18 autres villes.
- Lancement public
- 20 villes
04 · STACK TECHNIQUE
Technologies
FRONTEND
- React
- D3.js
- TypeScript
BACKEND
- Python
- FastAPI
- APScheduler
DONNÉES
- MongoDB
- Time series
- Redis cache
MODÉLISATION
- pandas
- scikit-learn
- OpenWeather API
ARCHITECTURE
Application WeatherLens
React + D3
Service FastAPI
Ingestion, requêtes, alertes
MongoDB
Relevés en séries temporelles
API des stations
Observations en direct
Modèle de prévision
scikit-learn
05 · ENSEIGNEMENTS
Défis et enseignements
Trous dans les données
DÉFI
Des stations se déconnectaient et laissaient des trous dans les graphiques.
RÉSULTAT
Une interpolation avec bandes de confiance a affiché les valeurs estimées en toute transparence.
Interroger 20 ans, vite
DÉFI
Les comparaisons historiques prenaient plus de 8 secondes sur les relevés bruts.
RÉSULTAT
Des agrégats journaliers précalculés dans MongoDB ont ramené les requêtes sous la seconde.
Ce projet vous intéresse ?
Je vous présente volontiers le code, les choix qui l'ont guidé ou la façon dont une solution similaire pourrait servir votre équipe.