Introduction

Depuis des années, je suis captivé par la série Person of Interest. Dans cet univers, une intelligence artificielle arrive à prédire des crimes avant qu’ils ne se produisent. Cette idée m’a toujours intrigué : et si, dans la vraie vie, les données et l’intelligence artificielle pouvaient réellement nous aider à anticiper certains phénomènes criminels ?

C’est cette curiosité qui m’a conduit à mener une expérimentation exploratoire : tester comment différents modèles de prévision peuvent être appliqués aux crimes recensés à Montréal.

Pour cela, j’ai comparé deux approches très différentes :

• Prophet, un modèle conçu pour analyser des séries temporelles,
• Random Forest, un algorithme d’apprentissage supervisé basé sur des arbres de décision.

L’objectif n’était pas de créer un outil opérationnel, mais plutôt de voir ce que ces modèles peuvent nous apprendre et comment ils se comportent face à des données réelles.

Les résultats sont accessibles via l’application interactive : Person of Interest Montréal.

Méthodologie

Pour chaque combinaison poste de quartier (PDQ) + type de crime, j’ai entraîné les modèles sur les données historiques.

Deux mesures simples mais parlantes m’ont servi à juger leur performance :

• MAE (Mean Absolute Error) : indique l’erreur moyenne entre la prévision et la réalité.
• RMSE (Root Mean Squared Error) : un peu plus sévère, car il pénalise davantage les grosses erreurs ponctuelles.

Pour éviter un biais de période, j’ai utilisé une validation croisée adaptée aux séries temporelles, afin de vérifier les modèles sur plusieurs fenêtres de temps.

Exploration des données

Les données viennent du portail de données ouvertes de la Ville de Montréal (Actes criminels). Elles incluent la géolocalisation des crimes et leur rattachement aux PDQ.

J’ai ensuite construit un tableau de bord interactif avec Streamlit, qui permet de :

• filtrer par période, type de crime et PDQ,
• visualiser l’évolution annuelle des infractions,
• identifier rapidement quel PDQ enregistre le plus d’événements,
• explorer une carte interactive combinant les polygones des PDQ et les points représentant les crimes

Prophet vs Random Forest

Prophet

• Analyse les tendances saisonnières (hebdomadaires, annuelles).
• Produit des intervalles de confiance (prévision + incertitude).
• Particulièrement bon pour capter les cycles.

Random Forest

• Exploite des variables comme le mois, le jour de la semaine ou l’indice du jour dans l’année.
• Très flexible, il peut capturer des relations complexes.
• Utilise aussi des variables dérivées (lags, moyennes mobiles).

Visualisation des prévisions

La carte interactive résume les tendances de façon intuitive :

• Polygones des PDQ : cumul des prévisions.
• Points : tendances par type de crime.
• Codes couleurs :
  • 🔴 hausse prévue,
  • ✅ baisse prévue,
  • ➖ stabilité.

Chaque point affiche : la moyenne historique, les prévisions de Prophet et Random Forest, et la comparaison avec l’année précédente.

Résultats

Les résultats sont plutôt encourageants :

• Les erreurs (MAE et RMSE) sont en général inférieures à 1, ce qui veut dire que les modèles se trompent de moins d’un événement par période.

• Random Forest est légèrement plus précis.
• Prophet reste très intéressant pour capter les tendances saisonnières.
• Pour les crimes rares (comme les homicides), les erreurs sont nulles ou presque.
• Pour les crimes fréquents (ex. vols de véhicules, méfaits), les erreurs restent acceptables.

Lecture rapide du MAE :

• < 0.5 : excellente précision,
• 0.5 – 1 : précision correcte, quelques écarts possibles,
• > 1 : à surveiller (rare dans cette expérimentation).

Enseignements et cas d’usage

Les deux modèles sont complémentaires : Prophet excelle pour les cycles, Random Forest pour la flexibilité.

La visualisation cartographique facilite la lecture et la comparaison entre quartiers.

Cette expérimentation ouvre la voie à plusieurs usages concrets :

• aider à la planification policière,
• sensibiliser les citoyens aux tendances de la criminalité,
• repérer plus tôt les zones où les risques augmentent.

Conclusion

Inspirée par l’univers de Person of Interest, cette expérimentation montre qu’il est possible d’utiliser l’IA et les données ouvertes pour mieux comprendre la criminalité urbaine.

Les modèles testés Prophet et Random Forest se révèlent globalement fiables, avec des erreurs faibles et une robustesse appréciable selon les crimes et les quartiers.

Bien sûr, il ne s’agit pas d’un outil prédictif opérationnel, mais plutôt d’une preuve de concept qui illustre la valeur que peut apporter la science des données lorsqu’elle est appliquée à des enjeux sociaux comme la sécurité publique.

Les résultats sont consultables dans l’application interactive Person of Interest Montréal.