Flight Delay Prediction API

API simplifiée pour la prédiction des retards de vol avec Ray et FastAPI.

Architecture du Projet

backend-ia/                           # API Backend avec Ray + PostgreSQL
├── app/
│   ├── __init__.py                   # Application FastAPI principale
│   ├── config.py                     # Configuration (Settings)
│   ├── database.py                   # Configuration SQLAlchemy
│   ├── models.py                     # Modèles SQLAlchemy
│   ├── routes/
│   │   ├── __init__.py               # Router principal combiné
│   │   ├── health.py                 # Healthcheck + status Ray
│   │   ├── ml.py                     # ML (fit/predict)
│   │   └── data.py                   # Données (airlines/airports)
│   ├── schemas/
│   │   ├── __init__.py
│   │   ├── data.py                   # Schémas Pydantic (data)
│   │   └── ml.py                     # Schémas Pydantic (ML)
│   └── services/
│       ├── __init__.py
│       ├── data_service.py           # Service traitement données avec Ray Data
│       └── ray_service.py            # Orchestration Ray (acteur modèle)
├── data/
│   ├── airlines.csv                  # 15 compagnies aériennes
│   ├── airports.csv                  # 300+ aéroports US
│   └── flights.csv                   # Données de vols
├── models/                           # Modèles ML (.pkl) - vide par défaut
├── scripts/
│   ├── import_model.py               # Import depuis ai-models
│   ├── import_csv_to_db.py           # CSV → PostgreSQL
│   └── setup_database.py             # Setup complet DB
├── docker-compose.yml                # Configuration Docker Compose
├── Dockerfile                        # Image Docker de l'API
├── main.py                           # Point d'entrée uvicorn
├── pyproject.toml                    # Configuration uv/pip
├── requirements.txt                  # Dépendances Python
└── README.md                         

Quick Start

Option 1: Avec Docker Compose (Recommandé)

cd backend-ia
docker-compose up --build

Cela lancera automatiquement :

• PostgreSQL (port 5432)
• L'API FastAPI (port 8000)
• Setup de la base de données et import des données

L'API sera disponible sur http://localhost:8000

Option 2: Installation Manuelle

1. Installation des dépendances

cd backend-ia
uv pip install -r requirements.txt
# ou avec uv directement
uv pip install -e .

2. Setup PostgreSQL

# Avec Docker (recommandé)
docker run -d --name postgres \
  -e POSTGRES_PASSWORD=postgres \
  -e POSTGRES_DB=flightdb \
  -p 5432:5432 postgres:15-alpine

# Ou utiliser docker-compose uniquement pour la DB
docker-compose up db -d

3. Setup Base de Données + Import Données

# Configuration complète : tables + import CSV
python scripts/setup_database.py

4. Importer le modèle ML

# Copie le modèle depuis ai-models/main.ipynb
python scripts/import_model.py

5. Lancer l'API

python main.py

L'API sera disponible sur http://localhost:8000

5 Endpoints Principaux

Endpoint	Méthode	Description
/api/v1/fit	POST	Entraîner le modèle avec Ray
/api/v1/predict	POST	Prédiction de retard avec Ray
/api/v1/health	GET	Healthcheck + status Ray
/api/v1/airlines	GET	Liste des compagnies (CSV)
/api/v1/airports	GET	Liste des aéroports (CSV)

Exemple d'utilisation

Prédiction de retard:

curl -X POST "http://localhost:8000/api/v1/predict" \
-H "Content-Type: application/json" \
-d '{"month": 6}'

Réponse:

{
  "month": 6,
  "predicted_delay": 25.3,
  "model_version": "v1.0"
}

Healthcheck:

curl http://localhost:8000/api/v1/health

Compagnies aériennes:

curl http://localhost:8000/api/v1/airlines

Modèle ML

Aspect	Détail
Type	RandomForest Regressor
Entraînement	ai-models/main.ipynb
Features	MONTH, DAY, AIRLINE, AIRPORTS, DEPARTURE_DELAY
Performance	R² 92% (train) / 46% (test)
Données	10k échantillons de vols US 2015
Orchestration	Ray pour distribution

Ray Orchestration

• Acteur persistant maintient le modèle en mémoire
• Prédictions distribuées via model.predict.remote()
• Scalabilité horizontale automatique
• Performance optimisée pour la production

Données Incluses

Dataset	Contenu	Source
Airlines	15 compagnies (UA, AA, DL...)	data/airlines.csv
Airports	300+ aéroports US + GPS	data/airports.csv
Modèle	RandomForest entraîné	ai-models/main.ipynb

Workflow ML

graph LR
    A[ai-models/main.ipynb] --> B[Entraînement]
    B --> C[Modèle .pkl]
    C --> D[scripts/import_model.py]
    D --> E[backend-ia/models/]
    E --> F[Ray Service]
    F --> G[API /predict]

Loading

1. Développement ML dans ai-models/main.ipynb
2. Export modèle vers backend-ia/models/
3. Déploiement API avec Ray orchestration
4. Prédictions via endpoints REST

Documentation

• Swagger UI: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc

Technologies Utilisées

• FastAPI : Framework web moderne et rapide
• Ray : Orchestration distribuée pour ML
• PostgreSQL : Base de données relationnelle
• SQLAlchemy : ORM Python
• Pydantic : Validation des données
• uv : Gestionnaire de paquets rapide
• Docker : Conteneurisation