Ausgangslage
Standard-Wetter-Apps zeigen Zahlen, beantworten aber die eigentliche Sportler-Frage nicht: Wann ist das beste Fenster, und was ziehe ich an? Wer draußen trainiert, will keine Millibar-Werte deuten, sondern eine Entscheidung.
Lösung
Eine PWA mit Multi-Layer-Ensemble-Prognose aus mehreren Wetter-APIs, Service-Worker-Offline-Modus und einer KI-Schicht, die aus den Rohdaten Kleidungs- und Zeitfenster-Empfehlungen ableitet. Mehrere Quellen ergeben ein robusteres Bild als eine einzige — und die App sagt nicht nur, wie das Wetter wird, sondern was zu tun ist.
Im Kern
KI-Kleidungsempfehlung
Konkrete Empfehlung, was bei den aktuellen Bedingungen anzuziehen ist — die Entscheidung, nicht die Rohdaten.
Optimale Zeitfenster
Die App markiert die besten Slots für Outdoor-Sport, statt dich Stundenwerte selbst vergleichen zu lassen.
14-Tage-Trend
Mittelfristige Prognose aus einem Ensemble mehrerer Quellen — planbar statt tagesaktuell geraten.
Offline-PWA
Installierbar und auch ohne Netz nutzbar, DSGVO-konform gehostet — funktioniert genau da, wo trainiert wird.
Code-Einblick
// Ensemble: mehrere Quellen zu einer robusten Prognose verdichten export function ensembleHour(sources: HourForecast[]) { const temp = median(sources.map((s) => s.tempC)) const rain = median(sources.map((s) => s.precipProb)) return { temp, rain, spread: stddev(sources.map((s) => s.tempC)) } } // Bestes Trainingsfenster: niedrigster Score = ideal export function bestWindow(hours: EnsembleHour[]) { return hours .map((h) => ({ ...h, score: h.rain * 2 + heatPenalty(h.temp) })) .sort((a, b) => a.score - b.score)[0] }
Tech-Stack
Ergebnis
Live unter planbarwetter.de als installierbare PWA. Zeigt, wie man aus mehreren Wetter-Quellen eine robuste Ensemble-Prognose baut, sie per Service Worker offline verfügbar macht und die Rohdaten in eine konkrete Handlungs-Empfehlung übersetzt.