Le problème
Un problème concret à résoudre
Les sites officiels montrent généralement uniquement la disponibilité actuelle. Sans historique, il est impossible d’analyser les tendances ou de prévoir l’occupation, et les interfaces sont fragmentées.
Ingénierie des données
Intelligence du stationnement en Suisse
Production deployment · public-data platform
Une plateforme de production qui collecte, enrichit et prédit la disponibilité des parkings dans plusieurs villes suisses à partir de sources publiques hétérogènes.
Contraintes de conception
- Collecter des flux publics hétérogènes sans coupler la plateforme à une seule ville.
- Conserver chaque mise à jour comme historique fiable.
- Enrichir les observations avec le contexte utile à la prévision.
- Garder une interface immédiate pendant que l’ingestion et l’entraînement sont automatisés.
La solution
Conçue autour d’une décision utile
La plateforme sépare les connecteurs propres à chaque ville d’un socle de données commun. Les flux RSS, JSON, XML et open data sont validés, dédoublonnés et stockés dans PostgreSQL. L’historique enrichi alimente les modèles, tandis qu’un backend Flask sert une interface Leaflet/OpenStreetMap.
Architecture conceptuelle : les flux publics deviennent des données historiques, enrichies et prédictives avant l’interface.
Processus
Collect
City-specific connectors retrieve public RSS, JSON, XML and open-data updates.
Validate
Incoming records are checked for completeness, freshness and duplicates.
Store
Every observation becomes a historical snapshot inside PostgreSQL.
Enrich
Weather, weekday, season, occupancy and refresh context are associated.
Predict
Daily model training turns the accumulated history into parking forecasts.
Technologies utilisées
Résultats / impact
5Swiss cities monitored
88parkings monitored
~26,000parking spaces represented
Dailymodel retraining
Enseignements
La donnée en direct est utile ; l’historique crée l’intelligence.
Séparer collecte et présentation simplifie l’ajout de nouvelles villes.
Capturer le contexte dès le départ prépare la prévision et le machine learning.