Analyse stratégique de 1,8 million d'interventions de la London Fire Brigade sur 17 ans (2009-2026) pour identifier les zones prioritaires d'investissement opérationnel.
Contexte : la London Fire Brigade (LFB) vise 6 min pour arriver sur site. Elle rate cet objectif sur 40 000+ incidents/an. Où intervenir en priorité ?
Approche : consolidation de 7 fichiers open data (LFB Incidents + Mobilisation 2009-2026, ~1 Go) en un dataset unique, enrichissement multi-sources (météo, démographie, calendrier UK), feature engineering (40 variables) et modélisation LightGBM.
Pivot stratégique
Livrable : un dashboard analytique + 5 recommandations chiffrées pour la LFB.
- Amplitude : 1,82 min entre Kensington & Chelsea (4,23 min) et Hillingdon (6,05 min)
- Pattern radial : cœur inner London performant, périphérie critique
- 10 boroughs sur 33 dépassent 40% d'incidents > 6 min
- Part des incendies : 23,4% → 15,0% (-36%) grâce à la prévention
- Part des Special Services : 24,0% → 38,0% (+58%)
- Médiane 2020 : 4,77 min (creux du lockdown)
- Médiane 2025 : 5,17 min (+8,4% en 5 ans, sans inflexion)
- Médiane 2013 : 4,83 min → 2015 : 5,17 min (+7% en 2 ans)
- 40 136 incidents/an hors objectif dans le top 10 des boroughs prioritaires
- Environ 110 dépassements par jour
📄 Détail complet : reports/EXECUTIVE_SUMMARY.md
pyrefighter-v2/
├── data/
│ ├── raw/ # 7 fichiers bruts (gitignored)
│ └── processed/ # Silver v2 Parquet (1.8M lignes, 75 Mo)
├── notebooks/
│ ├── 01_data_exploration.ipynb
│ ├── 02_feature_engineering.ipynb
│ ├── 03_baseline_model.ipynb
│ └── 04_strategic_analysis.ipynb
├── reports/ # Graphes + livrables exécutifs
├── requirements.txt
└── README.md
- Data : Pandas, PyArrow (Parquet), OpenPyxl
- ML : LightGBM (régression + quantile), Scikit-learn
- Enrichissement : Open-Meteo API, London Datastore, lib
holidays - Visualisation : Matplotlib, Seaborn, GeoPandas
| Modèle | MAE | RMSE | R² |
|---|---|---|---|
| Baseline naïve (médiane) | 1,58 min | 2,22 min | -0,03 |
| LightGBM régression | 1,30 min | 1,96 min | +0,20 |
| Quantile Regression P10-P90 | Couverture 78,9% | Largeur 3,90 min | — |
Le modèle prédictif ponctuel a été jugé non exploitable en usage opérationnel temps réel (intervalle trop large pour un centre d'appel), d'où le pivot vers l'analyse stratégique.
- ✅ Consolidation de données hétérogènes multi-sources (17 ans, ~1 Go)
- ✅ Détection et correction de bugs subtils (mismatch clé 2015 → +82k lignes récupérées)
- ✅ Feature engineering rigoureux (40 variables, anti-leakage temporel)
- ✅ Modélisation LightGBM + Quantile Regression
- ✅ Capacité à pivoter face à une limitation méthodologique
- ✅ Dashboard analytique exécutif avec recommandations chiffrées
Ce projet est la refonte modernisée de : Pyrefighter/Pyrefighter (V1).
Guillaume Blais