Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh
Este artículo presenta un sistema basado en aprendizaje profundo que utiliza modelos YOLOv11 y CNN para detectar infracciones de tráfico específicas de motocicletas en Marrakech, analizando al mismo tiempo su correlación con la edad y el género del conductor para mejorar la seguridad vial urbana y el cumplimiento de la ley.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En las bulliciosas calles de las ciudades de todo el mundo en desarrollo, una revolución silenciosa en el transporte está remodelando la forma en que las personas se desplazan. Las motocicletas han experimentado un aumento en su popularidad, ofreciendo una alternativa ágil y económica a los automóviles, especialmente en lugares donde la congestión del tráfico es una realidad cotidiana. En Marrakech, Marruecos, estos vehículos de dos ruedas representan ahora más del sesenta por ciento de todos los usuarios de la vía. Si bien este cambio aporta eficiencia, también introduce una compleja red de desafíos de seguridad. La forma única en que los conductores se abren paso entre espacios estrechos y navegan por intersecciones concurridas crea peligros no solo para ellos mismos, sino también para peatones y conductores de vehículos más grandes. Para comprender y mejorar la seguridad, los investigadores están recurriendo a un campo de la ciencia que permite a las máquinas ver e interpretar el mundo de forma muy similar a como lo hacen los humanos. Mediante el uso de cámaras y software avanzado, los científicos pueden ahora observar los flujos de tráfico, identificar comportamientos específicos e incluso reconocer a las personas detrás de los manillares. Este enfoque va más allá del simple conteo; busca comprender el elemento humano del tráfico, buscando patrones en cómo diferentes grupos de personas interactúan con las normas de la vía.
Un equipo de investigadores de la Universidad Cadi Ayyad en Marrakech ha llevado este concepto un paso más allá, construyendo un sistema diseñado para detectar hábitos peligrosos entre los motociclistas. Su trabajo se centra en cuatro infracciones específicas que frecuentemente provocan accidentes: conducir sin casco, usar un teléfono móvil mientras se conduce, pasarse los semáforos en rojo y zigzaguear erráticamente entre otros vehículos. Para estudiar estos comportamientos, el equipo instaló una cámara de alta resolución en una intersección concurrida conocida por su intenso tráfico de motocicletas. A lo largo de varios días, registraron más de siete horas de metraje de video, capturando el ritmo diario de la ciudad durante las horas de la mañana, la tarde y la noche. Estos datos visuales brutos se convirtieron en la base de su investigación, permitiéndoles observar los hábitos de conducción del mundo real tal como sucedían.
El núcleo de su método reside en un tipo sofisticado de inteligencia artificial conocido como aprendizaje profundo (deep learning). Los investigadores utilizaron primero una potente herramienta de detección para escanear los fotogramas del video y localizar cada motocicleta y conductor. Una vez encontrado un vehículo, el sistema hacía zoom para identificar el rostro del conductor. A partir de ahí, el software analizaba rasgos faciales específicos para estimar la edad del conductor y determinar su género. Esta información demográfica se vinculó directamente con las acciones que el conductor estaba realizando. El sistema fue entrenado para reconocer cuándo faltaba un casco, cuándo una mano sostenía un teléfono cerca de la cara, cuándo un vehículo cruzaba una línea de parada contra una señal roja o cuándo una motocicleta se movía en una trayectoria irregular e impredecible entre los coches. Al conectar quién era el conductor con lo que estaba haciendo, los investigadores pudieron ir más allá de las estadísticas generales para ver si ciertos tipos de personas eran más propensas a infringir reglas específicas.
Los resultados de este análisis revelaron patrones claros y distintos en el comportamiento de los conductores. Los datos mostraron que la edad es un factor significativo en la probabilidad de que una persona cometa una infracción. Los conductores entre los dieciocho y los veinticinco años fueron los más propensos a usar teléfonos móviles mientras conducían, siendo este grupo el que mostró las tasas más altas de distracción en ambos géneros. En contraste, el grupo de entre veintiséis y treinta y cinco años apareció con mayor frecuencia en los datos por no llevar el casco puesto. En cuanto al género, el estudio encontró que los conductores masculinos generalmente cometían infracciones en tasas más altas que las conductoras femeninas en todas las categorías. Esto fue particularmente evidente en la peligrosa práctica de zigzaguear entre vehículos, donde los hombres jóvenes de entre dieciocho y veinticinco años representaron casi un tercio de todos esos incidentes. Las conductoras, especialmente aquellas en grupos de edad más avanzados, fueron observadas rompiendo las reglas con mucha menos frecuencia.
Para dar sentido a estos hallazgos, los investigadores construyeron un modelo de decisión que mapeaba cómo la edad, el comportamiento pasado y el género interactúan para influir en las decisiones de un conductor. El análisis sugirió que la edad es el predictor más poderoso del comportamiento de riesgo. Los conductores más jóvenes eran más propensos a tomar riesgos, mientras que los conductores de mayor edad tendían a ser más cumplidores. El modelo también indicó que el historial de un conductor importa; aquellos que habían infringido las normas en el pasado tenían más probabilidades de volver a hacerlo, lo que sugiere que la conducción insegura es a menudo un hábito constante en lugar de un error de una sola vez. Si bien el género desempeñaba un papel, su influencia no era tan fuerte como la de la edad y a menudo dependía del contexto específico de la infracción. Por ejemplo, aunque los hombres jóvenes eran los infractores más frecuentes en general, hubo situaciones específicas donde la diferencia entre el comportamiento masculino y femenino era menos pronunciada.
El estudio concluye que estos sistemas inteligentes ofrecen una vía prometedora para mejorar la seguridad vial sin depender únicamente de la observación humana. Al detectar automáticamente las infracciones y vincularlas con la demografía de los conductores, las autoridades pueden avanzar hacia estrategias de aplicación de la ley y educación más focalizadas. En lugar de aplicar un enfoque generalizado a todos los conductores, las campañas de seguridad podrían adaptarse para abordar los riesgos específicos que enfrentan los hombres jóvenes o las distracciones particulares que afectan al grupo de edad de entre dieciocho y veinticinco años. Los investigadores señalan que, si bien su sistema funcionó bien con los datos recopilados, las mejoras futuras podrían incluir factores como las condiciones climáticas y la densidad del tráfico para hacer las predicciones aún más precisas. En última instancia, este trabajo demuestra que, al comprender los patrones humanos detrás de las infracciones de tráfico, las ciudades pueden desarrollar formas más inteligentes y efectivas de proteger a todos en la carretera.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.