Cet article traite de la prévision du nombre de passagers entrant dans un réseau de transport multimodal en cas d'évènements atypiques. Nous proposons une approche issue de l'apprentissage profond, au travers d'un réseau de neurones récurrent. Cette approche a été comparée à la méthode des forêts aléatoires (Random Forest en anglais), largement utilisée en apprentissage statistique pour résoudre des problèmes de régression. Nous avons testé trois variantes du réseau de neurones récurrents (Gated Recurrent Unit, GRU) qui peuvent être décrites comme suit : "Un modèle local qui considère indépendamment les différentes séries temporelles propres à chaque station". Un modèle global, qui est un modèle multi-entrées/multi-sorties qui prédit simultanément toutes les séries temporelles des différentes stations". Un modèle qui combine l'information obtenue de manière globale et locale à propos des différentes séries temporelles des stations.