Predictive Forecasting of Care Load & Placement Demand

Gérer la prise en charge des enfants arrivant dans un pays sans leurs parents est une tâche qui exige précision, prévoyance et une compréhension profonde des mouvements humains. Lorsque des milliers de jeunes traversent les frontières et entrent sous la garde du gouvernement, les responsables doivent savoir combien de lits, de membres du personnel et de ressources seront nécessaires demain, la semaine prochaine ou le mois prochain. Il ne s'agit pas simplement de compter les têtes ; c'est un casse-tête complexe de temporalité et de flux. Le défi consiste à prédire combien d'enfants seront sous la garde à un moment donné, un chiffre qui fluctue quotidiennement en fonction des nouvelles arrivées, des transferts vers d'autres installations et des départs. Pour résoudre cela, les chercheurs se tournent vers la science de la prévision de séries temporelles, une méthode qui examine les modèles passés pour anticiper les tendances futures. En étudiant le rythme des données historiques — comment les chiffres augmentent et diminuent au fil du temps — les analystes peuvent construire des modèles qui agissent comme un bulletin météorologique pour les besoins de la population, offrant un aperçu de l'avenir pour aider les organisations à se préparer.

Dans une étude récente, des chercheurs de l'Institut Chaitanya Bharathi de Technologie à Hyderabad ont abordé ce problème spécifique en utilisant des données du Département de la Santé et des Services Humains des États-Unis. Ils se sont concentrés sur le programme « Unaccompanied Alien Children » (Enfants étrangers non accompagnés), qui suit le nombre quotidien de mineurs sous la garde du gouvernement. L'équipe a rassemblé un ensemble de données contenant plus de mille enregistrements quotidiens, s'étendant du début de 2023 jusqu'à la fin de 2025. Après avoir nettoyé les données pour éliminer les lacunes et les incohérences, ils se sont retrouvés avec 720 décomptes quotidiens fiables d'enfants sous la garde. Leur objectif était de construire un système capable d'examiner cet historique et de prédire la demande des trente prochains jours avec une grande précision.

Pour réaliser ces prédictions, les chercheurs ne se sont pas appuyés sur une seule méthode. Au lieu de cela, ils ont construit un pipeline combinant des techniques statistiques traditionnelles et l'apprentissage automatique moderne. Ils ont appris à l'ordinateur à reconnaître des modèles en le nourrissant d'indices spécifiques dérivés du passé. Ces indices comprenaient le nombre d'enfants sous la garde un jour auparavant, une semaine auparavant et deux semaines auparavant, ainsi que les moyennes sur la dernière semaine et les deux dernières semaines. Ils ont également ajouté des mesures de l'amplitude des fluctuations à court terme, ainsi qu'un calcul de la « pression » sur le système, qui comparait le nombre d'enfants transférés vers la garde par rapport au nombre de sorties. En incluant le jour de la semaine et le mois, le système pouvait également rendre compte des variations hebdomadaires ou saisonnières régulières.

L'équipe a testé plusieurs approches différentes pour voir laquelle fonctionnait le mieux. Ils ont commencé par des méthodes simples, comme supposer que demain ressemblerait exactement à aujourd'hui, puis sont passés à des modèles statistiques plus complexes qui tiennent compte des tendances. Enfin, ils ont entraîné de puissants outils d'apprentissage automatique connus sous le nom de Forêts Aléatoires (Random Forests) et de Boosting de Gradient (Gradient Boosting). Ces outils fonctionnent en construisant de nombreux arbres de décision qui votent sur la réponse, ce qui leur permet de repérer des relations non linéaires complexes que des méthodes plus simples pourraient manquer. Les chercheurs ont scindé leurs données avec soin, utilisant les enregistrements antérieurs pour entraîner les modèles et réservant les trente derniers jours de données pour tester la performance des modèles sur des informations inédites. Cette approche garantissait que l'évaluation était équitable et que les modèles ne se contentaient pas de mémoriser le passé.

Les résultats ont offert une image claire de ce que l'avenir pourrait réserver pour le mois suivant. Le système a prédit une augmentation progressive et constante du nombre d'enfants sous la garde, passant d'environ 2 274 au début de la période de prévision à environ 2 324 à la fin. La prédiction moyenne pour cette fenêtre de trente jours était d'environ 2 299 enfants. Lorsque les chercheurs ont vérifié à quel point ces prédictions étaient proches des chiffres réels durant la période de test, ils ont constaté que l'erreur moyenne était d'environ 15 enfants par jour. En termes de pourcentage, ce taux d'erreur était très faible, s'élevant à environ 0,64 %. Ce niveau de précision suggère que les modèles capturent bien les dynamiques sous-jacentes du système pour être utiles à la planification.

Cependant, l'étude a également révélé une nuance importante dans l'utilisation de ces outils. Bien que les chercheurs aient sauvegardé un modèle de Forêt Aléatoire comme outil final pour le déploiement, les chiffres d'erreur spécifiques qu'ils ont rapportés ont été calculés après l'exécution d'un autre modèle, celui du Boosting de Gradient. Cela signifie que l'outil sauvegardé et les mesures de performance rapportées ne correspondent pas parfaitement dans la version actuelle du projet. Les auteurs reconnaissent cela et notent qu'une version future du travail devra s'assurer que le modèle le plus performant est celui qui est sauvegardé et utilisé. Malgré ce détail technique, le projet a démontré avec succès qu'une combinaison de données historiques, d'indices opérationnels et d'apprentissage automatique peut produire une prévision fiable.

Les chercheurs ont également noté que les données montraient un changement significatif au début de 2025, où le nombre d'enfants sous la garde a chuté brutalement, passant de plus de 6 000 en janvier à environ 2 000 en avril. Ce type de changement soudain, ou « changement de régime », est difficile à prédire, et l'étude souligne la nécessité de modèles capables de s'adapter à de telles ruptures structurelles. Le système final a été intégré dans un tableau de bord convivial, permettant aux responsables de visualiser les données, de voir la prévision sur un graphique et de télécharger les prédictions pour leur propre usage. En transformant les chiffres bruts en une perspective claire à trente jours, ce travail fournit un outil pratique pour la planification des capacités, aidant les organisations à gérer le personnel, les espaces d'hébergement et le transport avec plus de confiance. L'étude conclut que, bien que le modèle actuel soit un point de départ solide, les améliorations futures se concentreront sur une comparaison plus rigoureuse de tous les modèles et sur l'ajout d'outils pour mesurer l'incertitude des prédictions, garantissant ainsi que les décideurs disposent des informations les plus robustes possibles.