💻 computer science

Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh

تقدم هذه الورقة نظاماً يعتمد على التعلم العميق باستخدام نماذج YOLOv11 وCNN للكشف عن مخالفات مرورية محددة للدراجات النارية في مراكش مع تحليل ارتباطها بعمر السائق وجنسه لتعزيز السلامة الطرقية الحضرية وإنفاذ القانون.

المؤلفون الأصليون: Ayoub Charef, Adel EL QASSOUARI, Zahi Jarir

نُشر 2026-10-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ayoub Charef, Adel EL QASSOUARI, Zahi Jarir

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في الشوارع الصاخبة للمدن عبر العالم النامي، تُحدث ثورة هادئة في وسائل النقل تغييرًا في كيفية تنقل الناس. فقد شهدت الدراجات النارية طفرة في شعبيتها، حيث قدمت بديلًا مرنًا ومنخفض التكلفة للسيارات، لا سيالما في الأماكن التي يمثل فيها الازدحام المروري واقعًا يوميًا. وفي مراكش بالمغرب، تشكل هذه المركبات ذات العجلتين الآن أكثر من ستين بالمائة من جميع مستخدمي الطريق. وبينما يجلب هذا التحول الكفاءة، فإنه يستحدث أيضًا شبكة معقدة من تحديات السلامة؛ إذ إن الطريقة الفريدة التي يتسلل بها السائقون عبر المساحات الضيقة ويتنقلون في التقاطعات المزدحمة تخلق مخاطر ليس عليهم فحسب، بل وأيضًا على المشاة وسائقي المركبات الأكبر حجمًا. ولفهم وتحسين السلامة، يتجه الباحثون إلى مجال من العلوم يسمح للآلات برؤية وتفسير العالم تمامًا كما يفعل البشر. فباستخدام الكاميرات والبرمجيات المتقدمة، يمكن للعلماء الآن مراقبة تدفقات حركة المرور، وتحديد سلوكيات معينة، وحتى التعرف على الأشخاص خلف المقاود. ويتجاوز هذا النهج مجرد العد البسيط؛ فهو يسعى لفهم العنصر البشري في حركة المرور، والبحث عن أنماط في كيفية تفاعل مجموعات مختلفة من الناس مع قواعد الطريق.

لقد ذهب فريق من الباحثين من جامعة القاضي عياض بمراكش بهذا المفهوم خطوة أبعد من خلال بناء نظام مصمم لرصد العادات الخطرة بين سائقي الدراجات النارية. ويركز عملهم على أربعة مخالفات محددة تؤدي تكرارًا إلى الحوادث، وهي: القيادة بدون خوذة، واستخدام الهاتف المحمول أثناء القيادة، وتجاوز الإشارات الحمراء، والترنح بشكل عشوائي (الزجزاج) بين المركبات الأخرى. ولدراسة هذه السلوكيات، قام الفريق بتثبيت كاميرا عالية الدقة عند تقاطع مزدحم معروف بحركة المرور الكثيفة للدراجات النارية. وعلى مدار عدة أيام، سجلوا أكثر من سبع ساعات من لقطات الفيديو، حيث رصدوا الإيقاع اليومي للمدينة خلال ساعات الصباح والظهيرة والمساء. وقد أصبحت هذه البيانات المرئية الخام هي الأساس لاستقصائهم، مما سمح لهم بمراقبة عادات القيادة في العالم الحقيقي كما تحدث بالفعل.

يعتمد جوهر منهجهم على نوع متطور من الذكاء الاصطناعي يُعرف بالتعلم العميق. استخدم الباحثون أولاً أداة كشف قوية لمسح إطارات الفيديو وتحديد كل دراجة نارية وسائق. وبمجرد العثور على مركبة، يقوم النظام بالتركيز لتحديد وجه السائق. ومن هناك، حلل البرنامج ملامح وجه محددة لتقدير عمر السائق وتحديد جنسه. ثم تم ربط هذه المعلومات الديموغرافية مباشرة بالأفعال التي يقوم بها السائق. وقد تم تدريب النظام على التعرف على حالات غياب الخوذة، أو وجود يد تمسك هاتفًا بالقرب من الوجه، أو تجاوز خط التوقف عكس إشارة حمراء، أو تحرك الدراجة النارية في مسار متعرج وغير متوقع بين السيارات. ومن خلال ربط هوية السائق بما يفعله، استطاع الباحثون تجاوز الإحصاءات العامة لرؤية ما إذا كانت أنواع معينة من الناس أكثر عرضة لارتكاب قواعد محددة.

كشفت نتائج هذا التحليل عن أنماط واضحة ومتميزة في سلوك السائقين. وأظهرت البيانات أن العمر عامل مهم في مدى احتمالية ارتكاب الشخص لمخالفة ما. فالسائقون الذين تتراوح أعمارهم بين ثمانية عشر وخمسة وعشرين عامًا كانوا الأكثر عرضة لاستخدام الهواتف المحمولة أثناء القيادة، حيث أظهرت هذه الفئة أعلى معدلات التشتت عبر الجنسين. وفي المقابل، ظهرت الفئة العمرية من ستة وعشرين إلى خمسة وثلاثين عامًا بشكل متكرر في البيانات المتعلقة بعدم ارتداء الخوذات. وعندما تعلق الأمر بالجنس، وجدت الدراسة أن السائقين الذكور يرتكبون المخالفات بمعدلات أعلى عمومًا من الإناث في جميع الفئات. وكان هذا واضحًا بشكل خاص في الممارسة الخطيرة المتمثلة في التعرج بين المركبات، حيث شكل الشباب من الذكور في سن ثمانية عشر إلى خمسة وعشرين عامًا ما يقرب من ثلث جميع هذه الحوادث. كما لوحظ أن السائقات الإناث، لا سيما في الفئات العمرية الأكبر سنًا، يرتكبن مخالفات أقل بكثير.

ولفهم هذه النتائج، بنى الباحثون نموذج قرار رسم خارطة لكيفية تفاعل العمر، والسلوك السابق، والجنس للتأثير على خيارات السائق. وأشار التحليل إلى أن العمر هو المتنبئ الأقوى بالسلوك الخطر؛ فالسائقون الأصغر سنًا كانوا أكثر عرضة للمخاطرة، بينما كان السائقون الأكبر سنًا يميلون إلى الامتثال أكثر. كما أشار النموذج إلى أن تاريخ السائق يهم؛ فأولئك الذين خرقوا القواعد في الماضي كانوا أكثر عرضة لفعل ذلك مرة أخرى، مما يشير إلى أن القيادة غير الآمنة غالبًا ما تكون عادة مستمرة وليست خطأً لمرة واحدة. وبينما لعب الجنس دورًا، إلا أن تأثيره لم يكن بقوة تأثير العمر، وكان غالبًا يعتمد على السياق المحدد للمخالفة. فعلى سبيل المثال، بينما كان الشباب من الذكور هم المخالفون الأكثر تكرارًا بشكل عام، كانت هناك مواقف محددة كان فيها الفرق بين سلوك الذكور والإناث أقل وضوحًا.

تخلص الدراسة إلى أن هذه الأنظمة الذكية توفر طريقة واعدة لتعزيز سلامة المرور دون الاعتماد فقط على المراقبة البشرية. فمن خلال الكشف التلقائي عن المخالفات وربطها بالخصائص الديموغرافية للسائقين، يمكن للسلطات الانتقال نحو تنفيذ واستراتيجيات تعليم أكثر استهدافًا. فبدلاً من تطبيق نهج شامل على جميع السائقين، يمكن تخصيص حملات السلامة لمعالجة المخاطر المحددة التي يواجهها الشباب أو التشتت الذي يؤثر بشكل خاص على الفئة العمرية من ثمانية عشر إلى خمسة وعشرين عامًا. ويشير الباحثون إلى أنه بينما عمل نظامهم بشكل جيد مع البيانات التي جمعوها، فإن التحسينات المستقبلية يمكن أن تشمل عوامل مثل الظروف الجوية وكثافة حركة المرور لجعل التنبؤات أكثر دقة. وفي نهاية المطاف، يوضح هذا العمل أنه من خلال فهم الأنماط البشرية وراء مخالفات المرور، يمكن للمدن تطوير طرق أذكى وأكثر فعالية لحماية الجميع على الطريق.

أبحاث مشابهة