L’IA prédictive pour anticiper les risques de catastrophe dans les foules

Une foule n’est pas dangereuse par nature. Elle peut toutefois basculer vers une situation de congestion lorsque des personnes nombreuses convergent, ralentissent ou tentent de se déplacer dans des directions incompatibles. Pour les organisateurs d’événements et les autorités, l’enjeu est donc moins de constater qu’un espace est déjà saturé que de détecter assez tôt les signes d’un déséquilibre. C’est l’ambition de travaux menés par une équipe de l’Institut coréen de science et technologie avancée, le KAIST, présentés le 14 octobre 2025.

Leur proposition repose sur une idée simple à énoncer, mais complexe à mettre en œuvre : une foule ne se résume pas au nombre de personnes présentes dans une zone. Il faut aussi comprendre comment ces personnes circulent, où les flux se croisent et comment la situation évolue minute après minute. En combinant ces deux dimensions, une intelligence artificielle prédictive pourrait signaler une congestion avant qu’elle ne devienne critique.

Pourquoi compter les personnes ne suffit pas

Les dispositifs classiques de gestion de foule s’appuient volontiers sur l’observation du terrain, les comptages, les barrières, la signalétique et l’expérience des équipes de sécurité. Ces moyens restent indispensables. Mais un chiffre de fréquentation, à lui seul, livre une information incomplète.

Une même densité peut correspondre à des réalités très différentes. Dans un espace vaste, avec des sorties dégagées et des déplacements réguliers, elle peut rester maîtrisable. À l’inverse, un groupe moins important peut devenir préoccupant s’il se compacte près d’un passage étroit, si plusieurs flux se rencontrent ou si un ralentissement se propage en amont. La tragédie d’Itaewon a rappelé avec force l’importance de mieux comprendre ces dynamiques collectives.

C’est précisément ce changement de perspective qui intéresse les chercheurs du KAIST. Au lieu de traiter la foule comme une photographie, leur approche la considère comme un système en mouvement. Elle cherche à identifier la trajectoire d’une situation : une zone se remplit-elle rapidement ? Les personnes qui y entrent en ressortent-elles normalement ? Un flux inhabituel se forme-t-il entre deux espaces ?

Cette logique est prédictive, et non simplement descriptive. Décrire consiste à dire qu’une zone est dense. Prédire consiste à estimer qu’elle risque de le devenir davantage, compte tenu des mouvements observés. Une telle anticipation peut donner aux responsables un délai précieux pour réorganiser un accès, répartir les personnes vers d’autres itinéraires ou mobiliser les équipes compétentes.

Le graphique temporel, une carte évolutive des flux humains

Le concept central introduit par l’équipe est celui de graphique temporel. Dans ce modèle mathématique, les données ne sont pas examinées isolément. Elles sont reliées afin de représenter à la fois l’occupation des lieux et les mouvements qui s’y déroulent.

Les chercheurs distinguent deux familles d’informations. L’information de nœud correspond au nombre de personnes présentes dans un espace donné. L’information de liaison décrit, elle, les déplacements et la circulation entre les espaces. Le caractère temporel du graphique ajoute l’évolution de ces relations au fil du temps.

Cette représentation est utile parce qu’elle relie les causes possibles d’une congestion à ses effets. Une hausse du nombre de personnes dans une zone peut être anodine si les sorties absorbent le flux. Elle devient plus significative si, au même moment, les déplacements vers l’extérieur diminuent ou si les arrivées depuis les espaces voisins s’accélèrent.

Autrement dit, le modèle ne cherche pas seulement une valeur trop élevée. Il cherche des combinaisons de signaux : concentration, circulation et évolution. Cette approche correspond mieux à la réalité d’un événement, d’une station de transport ou d’un espace urbain fréquenté, où la sécurité dépend du mouvement collectif autant que de l’occupation des lieux.

Une méthode qui fusionne deux types de données

Pour exploiter ce graphique temporel, les chercheurs ont élaboré une méthode d’apprentissage bi-modal. Le terme signifie ici que le système apprend à partir de deux modalités complémentaires : le nombre de personnes et leurs flux de circulation.

Cette fusion est un point essentiel. Un modèle qui ne regarderait que les effectifs pourrait repérer une zone très fréquentée sans savoir si elle se vide normalement. À l’inverse, un modèle centré sur les déplacements pourrait manquer le fait qu’un volume déjà important de personnes s’accumule dans un espace. Le système du KAIST vise à apprendre les relations spatiales entre ces informations, ainsi que leurs changements au fil du temps.

L’équipe y ajoute une technique décrite comme un apprentissage contrastif en 3D. L’objectif est d’intégrer conjointement les données géographiques et temporelles afin de renforcer la prédiction des situations de congestion. En pratique, le modèle est entraîné à mieux distinguer les configurations de flux qui se ressemblent en apparence, mais dont l’évolution peut annoncer des niveaux de risque différents.

Cette précision est importante : l’intelligence artificielle ne remplace pas une connaissance du lieu. Elle dépend de la qualité des informations mises à sa disposition et de la manière dont celles-ci représentent les circulations réelles. Un plan de site, les zones d’entrée et de sortie, les passages de liaison ainsi que la chronologie des déplacements donnent du sens aux données brutes.

Un gain de précision annoncé de 76,1 %

Les résultats communiqués par les chercheurs sont significatifs. Leur système d’analyse affiche une amélioration de 76,1 % de la précision des prévisions par rapport aux méthodes préexistantes évaluées dans leurs travaux.

Ce chiffre doit être lu avec rigueur. Il ne signifie pas que le système est précis à 76,1 %, ni qu’il peut annoncer avec certitude une catastrophe. Il désigne une amélioration relative de la précision prédictive face aux approches de comparaison retenues par l’équipe. Comme pour toute recherche en IA, la portée concrète d’un tel résultat dépend notamment des données utilisées, des conditions d’évaluation et du contexte dans lequel l’outil serait déployé.

Pour vérifier leurs résultats, les chercheurs ont publié des jeux de données réels issus de plusieurs sources. Ceux-ci comprennent notamment des données liées au réseau de métro de Séoul et à des mouvements observés à New York. La mise à disposition de données est un élément utile pour permettre à d’autres équipes de tester les méthodes, de reproduire les résultats et d’en mesurer les limites.

Le professeur Jae-Gil Lee a exprimé le souhait que cette avancée puisse contribuer plus largement à la sécurité publique au quotidien. La recherche ouvre ainsi une piste pour passer d’une gestion réactive, déclenchée après l’apparition visible d’un problème, à une gestion davantage anticipatrice.

De l’alerte algorithmique à une décision sur le terrain

Une prévision n’a d’intérêt que si elle est intégrée à une chaîne de décision claire. Dans le cas d’un rassemblement, une alerte peut inviter les équipes à vérifier une zone, à mieux répartir les entrées, à orienter le public vers des itinéraires moins chargés ou à adapter l’organisation des sorties. Le modèle ne décide pas seul de ces actions : il fournit un signal supplémentaire aux personnes responsables de la sécurité.

Les applications potentielles évoquées dépassent les grands événements. Dans les transports, une analyse conjointe des densités et des flux pourrait aider à repérer des engorgements et à mieux gérer les circulations. Dans une ville, le même principe peut intéresser l’étude de la congestion urbaine. Les chercheurs envisagent aussi un apport à la réponse rapide face à la propagation de maladies infectieuses, dès lors que les données de déplacement sont pertinentes et employées dans un cadre adapté.

Ces usages restent cependant très différents les uns des autres. La gestion d’un festival, d’une station de métro ou d’une crise sanitaire ne repose ni sur les mêmes données ni sur les mêmes décisions. Un bon outil prédictif doit donc être calibré pour un contexte précis, testé avec les acteurs concernés et accompagné de procédures compréhensibles par les équipes de terrain.

Les données de déplacement posent une question de vie privée

Prédire les flux suppose de collecter et d’exploiter des informations sur la présence et les déplacements. Même lorsqu’elles ne comportent pas de nom, ces données peuvent révéler des habitudes collectives ou individuelles selon leur niveau de détail. La sécurité publique ne dispense donc pas d’une réflexion exigeante sur la protection de la vie privée.

Un usage responsable implique de définir précisément la finalité du dispositif : prévenir une congestion, mieux organiser un transport ou répondre à une crise sanitaire ne justifient pas les mêmes données. Il faut également limiter la collecte à ce qui est nécessaire, sécuriser les informations, restreindre les accès et prévoir des durées de conservation proportionnées.

La transparence compte tout autant. Les personnes concernées doivent pouvoir comprendre, dans des termes accessibles, pourquoi un système analyse des flux, quelles informations sont exploitées et quelles décisions peuvent en découler. Dans les lieux accueillant du public, la confiance dépend de la capacité des gestionnaires à démontrer que la technologie complète les mesures de sécurité sans devenir un outil de surveillance disproportionné.

Enfin, tout algorithme peut refléter les lacunes de ses données. Un modèle entraîné sur certains réseaux de transport ou certaines configurations urbaines ne doit pas être présumé fiable dans tous les lieux. Les tests, l’évaluation continue et la possibilité pour les opérateurs de contester une alerte ou de la replacer dans son contexte sont des garde-fous essentiels.

Ce qu’il faut surveiller pour passer de la recherche au terrain

Les travaux du KAIST illustrent un mouvement important de l’IA prédictive : exploiter des données qui évoluent dans le temps pour anticiper des risques collectifs. Leur intérêt tient à la combinaison de la densité et des déplacements, deux informations qui, prises séparément, ne décrivent qu’une partie de la dynamique d’une foule.

La prochaine étape ne se mesure pas seulement à un score de précision. Elle concerne la capacité de ces systèmes à fonctionner dans des environnements variés, à fournir des alertes assez tôt pour être utiles et à s’insérer dans les procédures réelles des organisateurs, des exploitants de transport et des services de secours.

Il faudra aussi surveiller les règles appliquées aux données, la clarté des responsabilités et la qualité des évaluations indépendantes. Bien utilisée, l’IA peut devenir un outil d’anticipation précieux. Mal encadrée ou surinterprétée, elle risquerait de donner une impression trompeuse de maîtrise. Dans ce domaine, la technologie est un appui à la vigilance humaine, pas son substitut.