Intelligence artificielle

L’EPFZ prend une longueur d’avance sur les cambrioleurs grâce au machine learning

Une méthode de machine learning mise au point à l’EPFZ permet de prévoir les régions et les périodes propices aux cambriolages, même dans des zones à faible densité de population.

Des variables telles que l'heure, le lieu et la densité de population permettent de classer une zone comme étant à risque ou non. (Source : EPFZ)
Des variables telles que l'heure, le lieu et la densité de population permettent de classer une zone comme étant à risque ou non. (Source : EPFZ)

Les vols par effraction dépendent de plusieurs paramètres, tels que le type de quartier, l’heure de la journée et la saison. Afin d’aider la police, L’EPFZ a développé une méthode basée sur le machine learning pour prédire les risques de cambriolages dans un endroit et à un moment précis.

Les systèmes de prédictions de vols ne fonctionnaient jusqu’à présent que dans des zones densément peuplées, principalement dans les villes. En effet, il était nécessaire d’avoir une quantité de données suffisamment riche pour reconnaitre un pattern. Une méthode qui posait problème en campagne ou dans les villages, là où les statistiques sur la criminalité sont moins fournies.

Pour palier à ce manque, Cristina Kadar, doctorante à l’EPFZ, a mis au point une méthode qui permet selon elle des prévisions fiables. Alors que les systèmes d’alertes conventionnels utilisent principalement des données portant uniquement sur les cambriolages, l’algorithme développé à Zurich prend également en compte des informations démographiques plus larges. Ainsi, la densité de la population, son âge, les différents types d’infrastructures, la proximité de frontières et même les phases de la lune ont été utilisés.

Enfin, l’ensemble des donnés a été traité en amont en supprimant au hasard des unités de données sans cambriolage, jusqu’à arriver au même nombre d’informations avec vols que sans. Une méthode statistique appelée «sous-échantillonnage aléatoire». En utilisant le machine learning, il a ensuite été possible de faire analyser ces données par plusieurs algorithmes de classification afin de produire un modèle de prédiction.

Taux de succès supérieur à celui des villes

Grâce à cette nouvelle méthode, le taux de réussite a augmenté. Ainsi, ce sont 60% de cambriolages réels qui ont été prédis, contre 53% avec les techniques traditionnelles utilisées par la police. Si ces résultats sont avant tout utiles pour les forces de l’ordre, l’EPFZ indique qu’il n’y a aucune raison pour que cette méthode ne puisse pas être utilisée pour prédire d'autres risques. Dans le domaine de la santé par exemple, en prévoyant le nombre d'appels d'urgence dans un hôpital.

 

 

Webcode
DPF8_137095