Communication Dans Un Congrès Année : 2025

Explainability of time series : study case on urban security data

Explicabilité de séries temporelles : étude de cas sur des données de sécurité urbaine

Résumé

Explainability methods in artificial intelligence (XAI) have become essential for better understanding complex patterns, particularly in sensitive areas such as urban security. In this article, we study a governmental public dataset on crimes committed in France and implement an explainability method based on shapelets, distinctive subsequences that extract relevant information from time series of offenses. After transforming the problem for a supervised classification task, we aim to reveal patterns characteristic of crime. Nevertheless, data quality and availability represent a major challenge for model performance and interpretation. These findings illustrate the need to further open up resources and data in order to better understand and analyze urban security phenomena, an area that is not sufficiently accessible.
Les méthodes d'explicabilité en intelligence artificielle (XAI) sont devenues essentielles pour mieux comprendre les modèles complexes notamment dans les domaines sensibles tels que la sécurité urbaine. Dans cet article, nous étudions un jeu de données public gouvernemental sur les crimes et délits commis en France et mettons en application une méthode d'explicabilité à base de shapelets, des sous-séquences distinctives qui ressortent les informations pertinentes de séries temporelles d'infractions. Après avoir transformé le problème pour une tâche de classification supervisée, nous cherchons à faire apparaître des motifs caractéristiques de la criminalité. Néanmoins, la qualité et la disponibilité des données représentent un défi majeur pour la performance des modèles et leur interprétation. Ces conclusions illustrent le besoin d'ouvrir davantage les ressources et les données afin de mieux comprendre et analyser les phénomènes de sécurité urbaine, un milieu encore trop peu accessible.
Fichier principal
Vignette du fichier
Soumission_post_review_EGC_EXPLAINAI_2025.pdf (1) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-04955005 , version 1 (18-02-2025)

Licence

Identifiants

  • HAL Id : hal-04955005 , version 1

Citer

Matthieu Delahaye, Lina Fahed, Florent Castagnino, Philippe Lenca. Explicabilité de séries temporelles : étude de cas sur des données de sécurité urbaine. Atelier EXPLAIN'AI @ Extraction et Gestion des Connaissances (EGC), Jan 2025, Strasbourg, France. ⟨hal-04955005⟩
0 Consultations
0 Téléchargements

Partager

More