Pour prévenir des drames de foule comme celui d’Itaewon, il est essentiel de dépasser les simples comptages de personnes et de mettre en place une technologie capable d’analyser les dynamiques réelles d’afflux et de mouvement des foules. Une équipe de recherche de l’Université KAIST a développé une nouvelle technologie d’intelligence artificielle (IA) permettant de prédire avec précision la densité des foules, avec des applications allant de la gestion d’événements massifs à la réduction de la congestion urbaine, en passant par la riposte aux épidémies. Présentée lors de la conférence ACM SIGKDD 2025, cette recherche, menée par le professeur Jae-Gil Lee de l’École d’informatique de KAIST, repose sur une approche innovante fondée sur les graphes dynamiques dans le temps. Contrairement aux méthodes traditionnelles qui se concentrent soit sur le nombre de personnes dans une zone (information de nœud), soit sur les trajets empruntés (information d’arête), cette IA intègre simultanément les deux dimensions. En effet, le risque de surcharge n’est pas uniquement lié au nombre de personnes présentes, mais aussi à la direction et au flux de mouvement vers des zones spécifiques. Par exemple, une augmentation soudaine de la densité dans une ruelle étroite (Zone A) peut être anticipée si l’on détecte un flux continu de personnes venant d’une zone voisine (Zone B). C’est cette capacité à combiner données spatiales, temporelles et de flux qui rend la prédiction plus proactive et efficace. Pour y parvenir, l’équipe a conçu une méthode d’apprentissage bi-modal, qui analyse conjointement les données de population (nœuds) et de mouvement (arêtes), tout en intégrant les relations spatiales entre zones et les changements temporels. Une technique clé est l’apprentissage contrastif 3D, qui permet à l’IA de modéliser non seulement les dimensions géographiques (2D), mais aussi l’évolution temporelle, créant ainsi une représentation tridimensionnelle du comportement des foules. Les résultats sont prometteurs : cette technologie améliore jusqu’à 76,1 % la précision de prédiction par rapport aux méthodes les plus avancées actuelles. Elle a été testée sur six jeux de données réels provenant de métros de Séoul, Busan, Daegu, du réseau de transports de New York, ainsi que des données d’infection par le COVID-19 en Corée du Sud et aux États-Unis. Le professeur Lee souligne l’importance de développer des technologies à impact social direct : « J’espère que cette IA contribuera fortement à la sécurité publique au quotidien, notamment dans la gestion des foules, la fluidité du trafic urbain et la maîtrise des épidémies. » En résumé, cette innovation marque une avancée majeure dans la prévention des risques liés aux foules, en passant d’une approche réactive à une prévision dynamique et contextuelle, fondée sur une compréhension fine des comportements collectifs. Son ouverture aux données publiques facilite également sa diffusion et son adaptation à divers contextes urbains et sanitaires. Expertise sectorielle : Des spécialistes en sécurité urbaine et en analyse de données massives saluent cette approche comme une rupture dans la gestion des risques collectifs. L’IA développée par KAIST s’inscrit dans une tendance croissante vers des systèmes prédictifs intelligents, capables de transformer les villes en environnements plus sûrs et plus résilients. L’entreprise KAIST Innovation, dédiée au transfert technologique, prévoit déjà des partenariats avec des municipalités coréennes et européennes pour déployer cette technologie dans les centres-villes à forte densité.