Prédiction des crimes en utilisant les réseaux de neurones récurrents

Abstract

Ces dernières années, les logiciels de police ont connu un grand développement, profitants ainsi des avances technologiques de l’informatique. Cependant ce développement concerne uniquement la partie statistique et graphique d'aide à la décision (tableau de bord, bilan,…etc.). En effet, ces logiciels (Exemple: ICO Police, Citigraf,…etc.) négligent complètement l'aspect de la prédiction policière, tel que la prédiction des crimes dans le temps en nombre et en type afin de mieux prendre les décisions idoines pour lutter contre ce fléau, en adaptant les plans d’actions préventifs, tout en optimisant les ressources nécessaires. C’est le point de départ de notre travail, qui consiste à proposer un prédicteur de crime. Ce prédicteur est chargé de prévoir le crime dans l'axe du temps en nombre et en type. Notre prédicteur, est basé sur les réseaux de neurones récurrents à savoir les RNN tout en passant par leurs variantes LSTM (Long Short-Term Memory) et GRU (Gated recurrent units). Notre étude consiste à évaluer les différentes architectures et approches de prédiction proposées. Les solutions suggérées ont été entrainées et testées sur une base de données réelle. Mots clés: Deep Learning, réseau de neurones récurrents, modèles prédictifs, police prédictive.