Résumé:
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.
