Prédiction des interventions et optimisation des ressources basées sur l'apprentissage automatique et la recherche opérationnelle pour les services d'incendie et secours

Prediction of interventions and optimization of resources based on machine learning and operations research for fire departments

• Auteur / Autrice : Selene Leya Cerna Ñahuis
• Direction : Christophe Guyeux
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 12/12/2022
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : Site de préparation : Université de Franche-Comté (1971-....)
• Jury : Président / Présidente : Raphaël Couturier
• Jury : Examinateurs / Examinatrices : Carol Habib, Guillaume Royer-Fey
• Jury : Rapporteurs / Rapporteuses : Lipika Deka, Jacques Demerjian

Mots clés

Mots clés contrôlés

Sapeurs-pompiers

Statistique bayésienne

Réseaux neuronaux (informatique)

Intelligence artificielle

Recherche opérationnelle

Apprentissage automatique

Mots clés libres

Sapeur pompier

Apprentissage automatique

Recherche opérationnelle

Réseaux neuronaux

Optimisation bayésienne

Intelligence artificielle

Fire brigade

Machine learning

Operations research

Neural networks

Bayesian optimization

Artificial intelligence

Résumé

Dans le monde entier, les Services d'Incendie et Secours (SIS) cherchent à développer des stratégies pour réduire leur temps de réponse lors des interventions, car c'est l'un des facteurs les plus importants pour sauver des vies et pour mesurer la qualité de leur service. Les données collectés au fil des ans sur leurs interventions lors d'incendies, de sauvetages, d'accidents de la route, etc., pourraient être utilisés pour développer des systèmes de prise de décision basés sur les données, comprendre les tendances de certains événements, améliorer l'efficacité de leur service et réduire les coûts d'exploitation.Pour cette raison, les principaux objectifs de cette thèse sont: i) Prédire les interventions pour soutenir la prise de décision dans le déploiement des ressources à court terme, et ii) Développer des méthodologies pour optimiser les ressources à long terme.Pour l'objectif i, nous construirons des modèles basés sur l'apprentissage automatique (ML) pour prédire le nombre d'interventions dans les prochaines heures, quand un pic de charge opérationnelle se produira en raison d'événements rares (par exemple, tempêtes et inondations), la mortalité des victimes, le temps de réponse à un incident et le temps de rotation des ambulances dans les hôpitaux.Pour l'objectif ii, nous développerons des méthodes d'optimisation basées sur des techniques de ML et de recherche opérationnelle (OR) pour la création d'un indicateur de qualité de service, un simulateur de charge opérationnelle, le redéploiement des ambulances, et la mise en place d'un nouveau centre.

Around the world, fire departments constantly seek to develop strategies to reduce their response time in interventions, since it is one of the most important factors when saving lives and to measure the quality of their service. The data collected over the years on their interventions during fires, rescues, traffic accidents, etc., could be used to develop data-driven systems for decision making, understand the trends of certain events, improve the efficiency of their service, and reduce operating costs.For this reason, the main objectives of this thesis are: i) Predict interventions to support decision-making in the short-term deployment of resources, and ii) Develop methodologies to optimize resources in the long-term.For objective i, we will build Machine Learning (ML) based models to predict the number of interventions in the next hours, when a peak in operational load will occur due to rare events (e.g., storms and floods), the mortality of victims, the response time to an incident, and the turnaround time of ambulances in hospitals.For objective ii, we will develop optimization methods based on ML and Operations Research (OR) techniques for the creation of a quality of service indicator, an operational load simulator, the redeployment of ambulances, and the implementation of a new center.