L'IA prédictive pourrait empêcher les catastrophes d'écrasement des foules
Pour empêcher les incidents de l'écrasement de la foule comme la tragédie d'Itaewon, il est crucial d'aller au-delà du simple comptage des gens et d'avoir une technologie qui peut détecter les modèles de foule réel et de mouvement. Une équipe de recherche kaist a développé avec succès une nouvelle technologie de prédiction des foules d'IA qui peut être utilisée non seulement pour gérer des événements à grande échelle et atténuer la congestion du trafic urbain, mais aussi pour répondre aux épidémies de maladies infectieuses.
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 de l'IA qui peut prédire plus précisément la densité des foules.
La dynamique de la collecte des foules ne peut pas s'expliquer par une simple augmentation ou une diminution du nombre de personnes. Même avec le même nombre de personnes, le niveau de risque change selon d'où ils viennent et de la direction dans laquelle ils se dirigent.
L'équipe du professeur Lee a exprimé ce mouvement en utilisant le concept d'un graphique variant dans le temps. Cela signifie qu'une prédiction précise n'est possible qu'en analysant simultanément deux types d'informations: les informations du nœud (combien de personnes sont dans une zone spécifique) et les informations de bord (le flux de personnes entre les zones).
En revanche, la plupart des études antérieures se sont concentrées sur un seul de ces facteurs, se concentrant sur le nombre de personnes rassemblées en ce moment, soit quels chemins sont des gens qui avancent. Cependant, l'équipe de recherche a souligné que la combinaison des deux est nécessaire pour vraiment capturer une situation dangereuse.
Par exemple, une augmentation soudaine de la densité dans une ruelle spécifique, comme la zone A, est difficile à prévoir avec des données de population actuelles. Mais en considérant également le flux de personnes se déplaçant en permanence d'une zone voisine, zone B, vers la zone A (informations de bord), il est possible d'identifier de manière préventive le signal selon lequel la zone A deviendra bientôt dangereuse.
Pour y parvenir, l'équipe a développé une méthode d'apprentissage bi-modale. Cette technologie considère simultanément le nombre de populations (informations de nœud) et le flux de population (informations de bord), tout en apprenant les relations spatiales (quelles zones sont connectées) et les changements temporels (quand et comment le mouvement se produit).
Plus précisément, l'équipe a introduit une technique d'apprentissage contrastive 3D. Cela permet à l'IA d'apprendre non seulement des informations spatiales 2D (géographiques) mais aussi des informations temporelles, créant une relation 3D.
En conséquence, l'IA peut comprendre non seulement si la population est grande ou petite en ce moment, mais quel modèle la foule se développe au fil du temps. Cela permet une prédiction beaucoup plus précise du temps et du lieu où la congestion se produira que les méthodes précédentes.
L'équipe de recherche a construit et publié publiquement six ensembles de données du monde réel pour leur étude, qui ont été compilés à partir de sources telles que Séoul, Busan et Daegu Subway Data, New York City Transit Data et Covid-19, les données de cas ont confirmé la Corée du Sud et New York.
La technologie proposée a atteint une amélioration de 76,1% de la précision de la prédiction par rapport aux méthodes récentes de pointe, démontrant de fortes performances.
Le professeur Jae-Gil Lee a déclaré: « Il est important de développer des technologies qui peuvent avoir un impact social important. J'espère que cette technologie contribuera grandement à protéger la sécurité publique dans la vie quotidienne, comme dans la gestion des foules pour de grands événements, l'assouplissement de la congestion du trafic urbain et la réduction de la propagation des maladies infectieuses. »
