Créer une API Météo Intelligente avec Python, IA et FastAPI

Ce projet consiste à créer une API REST moderne qui interroge un service météo en temps réel, puis applique un modèle de machine learning pour prédire la température dans les prochaines heures. Le tout est exposé via une interface web performante grâce à FastAPI.

🧠 Objectif de l’API

• Collecter les données météo d’une ville via l’API OpenWeatherMap
• Appliquer un modèle IA entraîné sur des données historiques
• Exposer les résultats sous forme d’API REST

🧰 Librairies utilisées

Outil	Utilisation
requests	Appels HTTP à l’API météo
pandas	Manipulation de données
scikit-learn	Modélisation de la prédiction météo
FastAPI	Création de l’API REST
uvicorn	Serveur de développement performant

pip install fastapi uvicorn requests pandas scikit-learn

📡 Récupération des données météo

Le fichier suivant interroge OpenWeatherMap avec une clé API. Le retour est simplifié pour n’extraire que les champs utiles.

import requests

API_KEY = "VOTRE_CLE_API"

def get_weather(city):
    url = f"http://api.openweathermap.org/data/2.5/weather?q={city}&appid={API_KEY}&units=metric"
    response = requests.get(url)
    if response.status_code != 200:
        raise Exception(f"Erreur API météo : {response.status_code}")
    data = response.json()
    return {
        "city": city,
        "temperature": data["main"]["temp"],
        "humidity": data["main"]["humidity"],
        "wind": data["wind"]["speed"],
        "description": data["weather"][0]["description"]
    }

🤖 Modélisation IA avec scikit-learn

Le modèle de régression linéaire apprend à prédire la température future (dans 3h) à partir des conditions actuelles. Ce modèle est volontairement simple pour illustrer le concept.

import numpy as np
from sklearn.linear_model import LinearRegression

class WeatherPredictor:
    def __init__(self):
        self.model = LinearRegression()

    def train(self, historical_data):
        X = historical_data[["temperature", "humidity", "wind"]]
        y = historical_data["temperature_in_3h"]
        self.model.fit(X, y)

    def predict(self, current):
        features = np.array([[current["temperature"], current["humidity"], current["wind"]]])
        return self.model.predict(features)[0]

🚀 Création de l’API REST avec FastAPI

Le cœur du projet consiste à exposer un endpoint REST qui combine données météo en direct et prédiction. L’interface Swagger est automatiquement générée.

from fastapi import FastAPI
from weather_fetcher import get_weather
from ml_model import WeatherPredictor
import pandas as pd

app = FastAPI(
    title="API Météo IA",
    description="Prévisions météo avec FastAPI et scikit-learn",
    version="1.0"
)

historical = pd.DataFrame([
    {"temperature": 20, "humidity": 65, "wind": 5, "temperature_in_3h": 21.5},
    {"temperature": 25, "humidity": 55, "wind": 3, "temperature_in_3h": 26.5},
    {"temperature": 30, "humidity": 45, "wind": 2, "temperature_in_3h": 32.0},
    {"temperature": 15, "humidity": 80, "wind": 6, "temperature_in_3h": 16.5}
])

model = WeatherPredictor()
model.train(historical)

@app.get("/predict/{city}")
def predict(city: str):
    try:
        current = get_weather(city)
        predicted = model.predict(current)
        return {
            "city": city,
            "current_weather": current,
            "predicted_temperature_in_3h": round(predicted, 2)
        }
    except Exception as e:
        return {"error": str(e)}

💻 Lancement local

uvicorn main:app --reload

Accessible ensuite via l’interface interactive : http://localhost:8000/docs

🛠️ Améliorations possibles

• Connexion à une base de données (SQLite, PostgreSQL)
• Entraînement sur des données météo réelles
• Sérialisation du modèle avec joblib
• Système de cache pour éviter les appels API multiples
• Système d’authentification JWT pour sécuriser les endpoints

📁 Structure recommandée

project/
├── main.py
├── weather_fetcher.py
├── ml_model.py
├── requirements.txt
└── data/

📌 Résumé

Composant	Technologie utilisée
Récupération météo	requests + OpenWeatherMap
Prédiction IA	scikit-learn
API REST	FastAPI
Serveur	uvicorn