L'IA prédictive pourrait prévenir les catastrophes liées aux écrasements de foule
infohightech ·
Pour prévenir les incidents de foule comme la tragédie d'Itaewon (1), il est crucial d'aller au-delà du simple comptage des personnes et de disposer d'une technologie capable de détecter les flux et les mouvements réels des foules. Une équipe de recherche du KAIST (Institut supérieur coréen des sciences et technologies) a développé avec succès une nouvelle technologie de prédiction des foules par IA, utilisable non seulement pour gérer des événements de grande ampleur et atténuer les embouteillages urbains, mais aussi pour répondre aux épidémies de maladies infectieuses.
- La bousculade d'Halloween à Itaewon est survenue le 29 octobre 2022 lors du festival d'Halloween à Itaewon, un quartier de Séoul, la capitale de Corée du Sud et a fait 159 morts et 133 blessés. Cette bousculade est la pire catastrophe survenue en Corée du Sud depuis le naufrage du Sewol en 2014, qui a tué plus de 300 personnes.
La recherche a été présentée lors des actes de la 31e conférence ACM SIGKDD sur la découverte des connaissances et l'exploration de données V.2, et une équipe de recherche dirigée par le professeur Jae-Gil Lee de l'École d'informatique a développé la technologie d'IA qui peut prédire plus précisément la densité de la foule .
La dynamique des rassemblements ne s'explique pas par une simple augmentation ou diminution du nombre de personnes. Même avec un nombre constant de personnes, le niveau de risque varie selon leur provenance et leur direction.
L'équipe du professeur Lee a exprimé ce mouvement à l'aide du concept de graphe variable dans le temps. Cela signifie qu'une prédiction précise n'est possible qu'en analysant simultanément deux types d'informations : les informations sur les nœuds (le nombre de personnes présentes dans une zone donnée) et les informations sur les contours (le flux de personnes entre les zones).
En revanche, la plupart des études précédentes se concentraient sur un seul de ces facteurs, soit sur le nombre de personnes rassemblées à un moment donné, soit sur les trajectoires empruntées. Cependant, l'équipe de recherche a souligné qu'il est nécessaire de combiner ces deux facteurs pour appréhender véritablement une situation dangereuse.
Par exemple, une augmentation soudaine de la densité dans une ruelle spécifique, comme la zone A, est difficile à prévoir avec les seules données démographiques actuelles. Mais en prenant également en compte le flux continu de personnes se déplaçant d'une zone proche, la zone B, vers la zone A (informations de périphérie), il est possible d'identifier de manière préventive le signal annonçant que la zone A deviendra bientôt dangereuse.
Pour y parvenir, l'équipe a développé une méthode d'apprentissage bimodale. Cette technologie prend en compte simultanément les comptages de population (informations sur les nœuds) et les flux de population (informations sur les limites), tout en apprenant les relations spatiales (zones connectées) et les changements temporels (quand et comment les mouvements se produisent).
Plus précisément, l'équipe a introduit une technique d'apprentissage contrastif 3D. Celle-ci permet à l'IA d'apprendre non seulement des informations spatiales (géographiques) 2D, mais aussi des informations temporelles, créant ainsi une relation 3D.
Ainsi, l'IA peut non seulement déterminer si la population est importante ou faible à un moment donné, mais aussi quelle tendance la foule évolue au fil du temps. Cela permet de prédire avec beaucoup plus de précision le moment et le lieu des embouteillages que les méthodes précédentes.
L'équipe de recherche a construit et publié publiquement six ensembles de données du monde réel pour son étude, qui ont été compilés à partir de sources telles que les données du métro de Séoul, Busan et Daegu, les données de transport en commun de New York et les données de cas confirmés de COVID-19 en Corée du Sud et à New York.
La technologie proposée a permis d’améliorer jusqu’à 76,1 % la précision de prédiction par rapport aux méthodes de pointe récentes, démontrant ainsi de solides performances.
Le professeur Jae-Gil Lee a déclaré : « Il est important de développer des technologies qui peuvent avoir un impact social significatif. J'espère que cette technologie contribuera grandement à protéger la sécurité publique au quotidien, notamment dans la gestion des foules lors de grands événements, la réduction des embouteillages urbains et la lutte contre la propagation des maladies infectieuses. »
https://news.kaist.ac.kr/newsen/html/news/?mode=V&mng_no=52250