La problématique de la prédiction d’activité  a déjà été abordée mais, le plus souvent, ce sont des modèles classiques d’analyse de séries temporelles (modèle Arimax) qui ont été utilisés pour y répondre. Ces modèles font l’hypothèse que les relations entre les variables sont linéaires, ce qui peut s’avérer trop contraignant, voire irréaliste. Pour illustrer cette idée, prenons l’exemple des épisodes de canicule au cours desquels une recrudescence d’activité aux urgences peut être envisagée. La relation entre la variable des températures et le nombre d’admissions n’est clairement pas linéaire : ce n’est pas l’augmentation des températures qui décrit un épisode de canicule, mais le fait que celles-ci stagnent à des niveaux élevés. Pour s’affranchir de ces hypothèses, nous avons utilisé des techniques d’apprentissage profond, des réseaux de neurones artificiels capables de conserver en mémoire les observations passées et de modéliser leur impact sur le présent selon des schémas complexes et non linéaires. Notre objectif, dans le cadre de cette expérimentation avec le CHIC, est donc de faire des prévisions les ...