(EN) A method for generating an artificial intelligence model for determining probability of rainfall, by applying a decision tree ensemble learning process on a dataset, the method comprising: receiving a first dataset comprising at least two variables; determining at least one split criteria for each variable within the first dataset; partitioning the first dataset based on each determined split criteria; calculating a measure of directionality for each partition of data; performing a constrained node selection process by selecting a candidate variable and split criteria, wherein the selection is made to keep a consistent directionality for the selected variable based on existing nodes; updating a directionality table at the end of a constrained node selection; reiterating the constrained node selection process for every node selection throughout the decision tree ensemble learning process until an ensemble model is generated; and processing a second dataset with the generated ensemble model to determine probability of rainfall; wherein the first dataset contains data received from one or more sensors, the received data including data pertaining to temperature.
(FR) L'invention concerne un procédé pour générer un modèle d'intelligence artificielle (IA) servant à déterminer la probabilité de pluie, par application d'un processus d'apprentissage d'ensemble par arbres de décision sur un ensemble de données, le procédé comprenant : la réception d'un premier ensemble de données comprenant au moins deux variables ; la détermination d'au moins un critère de division pour chaque variable présente dans le premier ensemble de données ; le partitionnement du premier ensemble de données sur la base de chaque critère de division déterminé ; le calcul d'une mesure de directionnalité pour chaque partition de données ; la réalisation d'un processus de sélection de nœud contraint par sélection d'une variable candidate et d'un critère de division, la sélection étant effectuée pour maintenir une directionnalité cohérente pour la variable sélectionnée sur la base de nœuds existants ; la mise à jour d'une table de directionnalité à la fin d'une sélection de nœud contraint ; la réitération du processus de sélection de nœud contraint pour chaque sélection de nœud dans le processus d'apprentissage d'ensemble par arbres de décision jusqu'à ce qu'un modèle d'ensemble soit généré ; et le traitement d'un second ensemble de données avec le modèle d'ensemble généré pour déterminer une probabilité de pluie ; le premier ensemble de données contenant des données reçues d'un ou de plusieurs capteurs, les données reçues comprenant des données concernant la température.