Un algorithme permet d’évaluer la sécurité ressentie par les habitants d’une ville en analysant des captures d’images Street View et en modélisant les résultats sur une carte.
La sécurité dans les villes constitue une priorité pour les acteurs gouvernementaux et est régulièrement abordée à travers les sujets sur le big data et de prédiction des comportements des citoyens. Des entreprises comme :Snips s’intéressent aux données associées à la ville pour les modéliser de manière mathématique et fournir une modélisation de l’affluence dans les trains par exemple. D’autres projets s’intéressent à la probabilité qu’un crime puisse survenir en étudiant les tweets avec un algorithme pour prédire l’occurrence et la géolocalisation de la criminalité dans les grandes villes. Les groupes Macro Connections et Camera Culture du Media Lab au MIT ont collaboré pour développer StreetScore, un algorithme qui permet d’évaluer le niveau de sécurité d’un lieu à partir d’une image Street View de Google Maps, la notant de 1 à 10 (la note 10 signifiant que la sécurité y est perçue comme élevée).
Modéliser la perception de la sécurité dans les villes
Les sources utilisées par StreetScore ont été rassemblées lors d’un projet antérieur mené en 2011 et nommé Place Pulse. Ce programme a permis d’interroger les habitants des villes de New York et de Boston sur la perception qu’ils avaient de la sécurité dans leurs villes. Pour ce faire, des images Street View leur étaient présentées et ils devaient sélectionner celles qui leur paraissaient les plus sûres. Aujourd’hui, la récolte de ces données permet de modéliser les résultats sur une carte de la ville en haute définition permettant de visualiser la perception de la sécurité. L’algorithme attribue ainsi une note de 1 à 10 aux différentes images prises dans la ville pour faire apparaître des points de couleur sur la carte, allant du vert (plus sûr) au rouge (moins sûr). Nikhil Naik, étudiant et membre du groupe d’étude Camera Culture, est à l’origine de cet algorithme et explique que StreetScore peut aider à identifier les caractéristiques de l’aménagement urbain qui sont à l’origine d’un risque ou d’une faille de sécurité ressentie.
Adapter l’aménagement urbain en fonction du niveau de sécurité ressenti
L’algorithme se nourrit ainsi des données fournies par les habitants, d’où le rôle important du crowdsourcing pour prédire, ou du moins évaluer les zones à risques dans une ville. En effet, la carte générée permet d’identifier que les zones excentrées, telles que les ponts ou les autoroutes, souffrent d’une plus mauvaise perception de la sécurité. A partir de cette carte, les professionnels de l’urbanisme pourront adapter l’aménagement de la ville. "Comment rendre la ville plus sûre en modifiant ou ajoutant des éléments dans l’environnement ?" c’est à cette question qu’a voulu répondre Nikhil Naik en développant StreetScore. Par exemple, les zones comprenant des espaces verts ou des arbres sont plus populaires que des immeubles de briques. L’évaluation de la perception de la sécurité pourrait plus tard informer sur la probabilité d’un crime, même si pour l’instant, seules quelques milliers d’images de villes nord-américaines ont été analysées. Place Pulse s’intéresse désormais aux données de 56 autres villes dans le monde pour fournir des informations plus larges.