Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh
Diese Arbeit präsentiert ein auf Deep Learning basierendes System unter Verwendung von YOLOv11- und CNN-Modellen, um spezifische Verkehrsverstöße von Motorradfahrern in Marrakesch zu erkennen und deren Korrelation mit Alter und Geschlecht der Fahrer zu analysieren, um die urbane Verkehrssicherheit und die Strafverfolgung zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In den belebten Straßen der Städte in der Entwicklungswelt vollzieht sich eine stille Revolution im Verkehrswesen, die die Art und Weise, wie Menschen sich fortbewegen, grundlegend verändert. Motorräder sind in ihrer Popularität rasant gestiegen und bieten eine wendige und erschwingliche Alternative zu Autos, insbesondere an Orten, an denen Verkehrsstaus zur täglichen Realität gehören. In Marrakesch, Marokko, machen diese zweirädrigen Fahrzeuge mittlerweile mehr als sechzig Prozent aller Verkehrsteilnehmer aus. Während dieser Wandel zwar Effizienz bringt, führt er auch ein komplexes Geflecht von Sicherheitsherausforderungen ein. Die einzigartige Art und Weise, wie Fahrer sich durch enge Räume schlängeln und durch überfüllte Kreuzungen navigieren, schafft Gefahren nicht nur für sie selbst, sondern auch für Fußgänger und die Fahrer größerer Fahrzeuge. Um die Sicherheit zu verstehen und zu verbessern, wenden sich Forscher an ein wissenschaftliches Feld, das es Maschinen ermöglicht, die Welt ähnlich wie Menschen zu sehen und zu interpretieren. Durch den Einsatz von Kameras und fortschrittlicher Software können Wissenschaftler nun Verkehrsflüsse beobachten, spezifische Verhaltensweisen identifizieren und sogar die Menschen hinter den Lenkern erkennen. Dieser Ansatz geht über das einfache Zählen hinaus; er versucht, das menschliche Element des Verkehrs zu verstehen, indem er nach Mustern sucht, wie verschiedene Gruppen von Menschen mit den Verkehrsregeln interagieren.
Ein Forschungsteam der Cadi Ayyad Universität in Marrakesch hat dieses Konzept weiterentwickelt, indem es ein System konstruierte, das darauf ausgelegt ist, gefährliche Gewohnheiten unter Motorradfahrern aufzuspüren. Ihre Arbeit konzentriert sich auf vier spezifische Verstöße, die häufig zu Unfällen führen: das Fahren ohne Helm, die Nutzung eines Mobiltelefons während der Fahrt, das Überfahren einer roten Ampel und das unkontrollierte Zickzackfahren zwischen anderen Fahrzeugen. Um diese Verhaltensweisen zu untersuchen, installierte das Team eine hochauflösende Kamera an einer belebten Kreuzung, die für ihren starken Motorradverkehr bekannt ist. Über mehrere Tage hinweg zeichneten sie mehr als sieben Stunden Videomaterial auf und hielten so den täglichen Rhythmus der Stadt während der Morgen-, Nachmittags- und Abendstunden fest. Diese rohen visuellen Daten bildeten die Grundlage für ihre Untersuchung und ermöglichten es ihnen, reale Fahrgewohnheiten in dem Moment zu beobachten, in dem sie geschehen.
Der Kern ihrer Methode beruht auf einer hochentwickelten Form der künstlichen Intelligenz, die als Deep Learning bekannt ist. Die Forscher verwendeten zunächst ein leistungsfähiges Detektionswerkzeug, um die Videobilder zu scannen und jedes Motorrad sowie jeden Fahrer zu lokalisieren. Sobald ein Fahrzeug gefunden wurde, zoomte das System heran, um das Gesicht des Fahrers zu identifizieren. Von dort aus analysierte die Software spezifische Gesichtszüge, um das Alter des Fahrers zu schätzen und dessen Geschlecht zu bestimmen. Diese demografischen Informationen wurden dann direkt mit den Handlungen verknüpft, die der Fahrer ausführte. Das System wurde darauf trainiert, zu erkennen, wenn ein Helm fehlte, wenn eine Hand ein Telefon in der Nähe des Gesichts hielt, wenn ein Fahrzeug eine Haltelinie entgegen einem roten Signal überquerte oder wenn ein Motorrad einen zackigen, unvorhersehbaren Pfad zwischen Autos einschlug. Durch die Verknüpfung dessen, wer der Fahrer war, mit dem, was er tat, konnten die Forscher über allgemeine Statistiken hinausgehen, um zu sehen, ob bestimmte Typen von Menschen eher dazu neigten, spezifische Regeln zu brechen.
Die Ergebnisse dieser Analyse zeigten klare und deutliche Muster im Verhalten der Fahrer. Die Daten zeigten, dass das Alter ein signifikanter Faktor dafür ist, wie wahrscheinlich eine Person einen Verstoß begeht. Fahrer im Alter zwischen achtzehn und fünfundzwanzig Jahren waren am ehesten geneigt, Mobiltelefone während der Fahrt zu benutzen, wobei diese Gruppe über beide Geschlechter hinweg die höchsten Raten an Ablenkung aufwies. Im Gegensatz dazu tauchte die Altersgruppe der sechsundzwanzig- bis fünfunddreißigjährigen häufiger in den Daten bezüglich des Nichttragens von Helmen auf. In Bezug auf das Geschlecht ergab die Studie, dass männliche Fahrer generell häufiger Verstöße begingen als weibliche Fahrer über alle Kategorien hinweg. Dies war besonders deutlich beim gefährlichen Praktiken des Zickzackfahrens zwischen Fahrzeugen, wobei junge Männer im Alter von achtzehn bis fünfundzwanzig Jahren fast ein Drittel aller derartigen Vorfälle ausmachten. Weibliche Fahrer, insbesondere in älteren Altersgruppen, wurden beobachtet, die Regeln weita viel seltener zu brechen.
Um diese Erkenntnisse einzuordnen, entwickelten die Forscher ein Entscheidungsmodell, das darlegte, wie Alter, vergangenes Verhalten und Geschlecht interagieren, um die Entscheidungen eines Fahrers zu beeinflussen. Die Analyse legte nahe, dass das Alter der stärkste Prädiktor für riskantes Verhalten ist. Jüngere Fahrer waren eher bereit, Risiken einzugehen, während ältere Fahrer dazu neigten, regelkonformer zu sein. Das Modell deutete auch darauf hin, dass die Vorgeschichte eines Fahrers eine Rolle spielt; diejenigen, die in der Vergangenheit gegen Regeln verstoßen hatten, brachen diese auch in Zukunft eher, was darauf hindeutet, dass unsicheres Fahren oft eine beständige Gewohnheit und kein einmaliger Fehler ist. Während das Geschlecht eine Rolle spielte, war sein Einfluss nicht so stark wie der des Alters und hing oft vom spezifischen Kontext des Verstoßes ab. Beispielsweise, während junge Männer insgesamt die häufigsten Täter waren, gab es spezifische Situationen, in denen der Unterschied zwischen dem Verhalten von Männern und Frauen weniger ausgeprägt war.
Die Studie kommt zu dem Schluss, dass diese intelligenten Systeme einen vielversprechenden Weg bieten, um die Verkehrssicherheit zu erhöhen, ohne sich allein auf menschliche Beobachtung zu verlassen. Durch die automatische Erkennung von Verstößen und deren Verknüpfung mit den Demografien der Fahrer können Behörden zu gezielteren Durchsetzungs- und Bildungsstrategien übergehen. Anstatt einen Pauschalansatz für alle Fahrer anzuwenden, könnten Sicherheitskampagnen maßgeschneidert werden, um die spezifischen Risiken für junge Männer oder die besonderen Ablenkungen, die die achtzehn- bis fünfundzwanzigjährigen betreffen, anzusprechen. Die Forscher merken an, dass ihr System mit den von ihnen gesammelten Daten gut funktionierte, zukünftige Verbesserungen jedoch Faktoren wie Wetterbedingungen und Verkehrsdichte einschließen könnten, um Vorhersagen noch genauer zu machen. Letztlich zeigt diese Arbeit, dass Städte durch das Verständnis der menschlichen Muster hinter Verkehrsverstößen smartere und effektivere Wege entwickeln können, um alle auf der Straße zu schützen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.