Prévoir la foule quinze minutes à l'avance : prédiction par IA et jumeau numérique
Mesurer ne suffit pas : il faut anticiper. Des modèles d'apprentissage et des simulations synchronisées avec le terrain permettent d'estimer où la foule sera dans quelques minutes, avec une incertitude assumée.

Une alerte qui arrive quand le seuil est déjà dépassé laisse peu de marge. L'enjeu de la prédiction est de gagner du temps d'avance : savoir, quelques minutes avant, qu'une zone va se saturer. C'est aussi ce que visent les étapes d'analyse décrites dans la chaîne de décision du dossier de ce site (« prédit l'évolution »).
Prédire des trajectoires
Des modèles d'apprentissage profond, comme Social LSTM (Alahi et coll., 2016), apprennent à prévoir la trajectoire d'un piéton à partir de ses positions passées et de celles de ses voisins, en capturant des règles implicites d'évitement. Des variantes génératives produisent plusieurs futurs plausibles plutôt qu'un seul.
Prédire des états agrégés
Pour la gestion de sécurité, on s'intéresse moins à un individu qu'à l'évolution de la densité par zone. Des modèles de séries temporelles et de flux estiment le remplissage de chaque secteur à partir des entrées, des vitesses et de l'historique de l'événement.
Le jumeau numérique
Un jumeau numérique est une réplique virtuelle du site, alimentée par les mesures réelles. On peut y faire tourner des scénarios « et si » : que se passe-t-il si l'on ferme cet accès, si l'on inverse ce couloir, si l'affluence augmente de 20 % ? Un modèle physique de type forces sociales donne la structure, les données la calibrent.
- Hybride : la physique évite des prédictions absurdes, l'apprentissage corrige les écarts.
- Rapide : une réponse en quelques secondes est nécessaire pendant un événement.
- Comparatif : on évalue plusieurs actions possibles avant d'en choisir une.
Comment juger un système prédictif
- 1Délai d'avance : combien de minutes avant l'incident l'alerte est-elle émise ?
- 2Fiabilité : quelle proportion d'alertes se confirme ?
- 3Robustesse : le système fonctionne-t-il sur un nouveau lieu, à la nuit, sous la pluie ?
- 4Utilité : l'alerte déclenche-t-elle une action possible et efficace ?
Pour aller plus loin
- · Alahi, A. et al. (2016). Social LSTM: Human trajectory prediction in crowded spaces. CVPR.
- · Gupta, A. et al. (2018). Social GAN: Socially acceptable trajectories with generative adversarial networks. CVPR.