Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh
Cet article présente un système basé sur l'apprentissage profond utilisant les modèles YOLOv11 et CNN pour détecter des infractions spécifiques à la circulation de motos à Marrakech, tout en analysant leur corrélation avec l'âge et le genre des conducteurs afin d'améliorer la sécurité routière urbaine et l'application de la loi.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans les rues animées des villes du monde en développement, une révolution tranquille du transport est en train de transformer la façon dont les gens se déplacent. Les motocyclettes ont connu un essor fulgurant, offrant une alternative agile et abordable aux voitures, particulièrement dans les endroits où la congestion routière est une réalité quotidienne. À Marrakech, au Maroc, ces véhicules à deux roues représentent désormais plus de soixante pour cent de tous les usagers de la route. Si ce changement apporte de l'efficacité, il introduit également un réseau complexe de défis en matière de sécurité. La manière unique dont les conducteurs se faufilent dans des espaces restreints et naviguent à travers des intersections encombrées crée des dangers non seulement pour eux-mêmes, mais aussi pour les piétons et les conducteurs de véhicules plus imposants. Pour comprendre et améliorer la sécurité, les chercheurs se tournent vers un domaine scientifique qui permet aux machines de voir et d'interpréter le monde de la même manière que les humains. En utilisant des caméras et des logiciels avancés, les scientifiques peuvent désormais observer les flux de circulation, identifier des comportements spécifiques et même reconnaître les personnes derrière les guidons. Cette approche va au-delà du simple comptage ; elle cherche à comprendre l'élément humain du trafic, en recherchant des modèles dans la façon dont différents groupes de personnes interagissent avec les règles de la route.
Une équipe de chercheurs de l'Université Cadi Ayyad de Marrakech a poussé ce concept plus loin en construisant un système conçu pour repérer les habitudes dangereuses chez les motocyclistes. Leurs travaux se concentrent sur quatre infractions spécifiques qui mènent fréquemment à des accidents : conduire sans casque, utiliser un téléphone portable en conduisant, brûler les feux rouges et zigzaguer de manière erratique entre d'autres véhicules. Pour étudier ces comportements, l'équipe a installé une caméra haute résolution à une intersection très fréquentée, connue pour son trafic intense de motocyclettes. Sur plusieurs jours, ils ont enregistré plus de sept heures de séquences vidéo, capturant le rythme quotidien de la ville pendant les heures du matin, de l'après-midi et du soir. Ces données visuelles brutes sont devenues le fondement de leur enquête, permettant d'observer les habitudes de conduite réelles telles qu'elles se produisaient.
Le cœur de leur méthode repose sur un type sophistiqué d'intelligence artificielle appelé apprentissage profond (deep learning). Les chercheurs ont d'abord utilisé un outil de détection puissant pour scanner les images vidéo et localiser chaque motocyclette et chaque conducteur. Une fois un véhicule trouvé, le système zoomait pour identifier le visage du conducteur. À partir de là, le logiciel analysait des traits faciaux spécifiques pour estimer l'âge du conducteur et déterminer son sexe. Cette information démographique était ensuite directement liée aux actions que le conducteur effectuait. Le système a été entraîé pour reconnaître lorsqu'un casque manquait, lorsqu'une main tenait un téléphone près du visage, lorsqu'un véhicule franchissait une ligne d'arrêt contre un signal rouge, ou lorsqu'une motocyclette suivait une trajecte saccadée et imprévisible entre les voitures. En reliant l'identité du conducteur à ses actions, les chercheurs ont pu dépasser les statistiques générales pour voir si certains types de personnes étaient plus susceptibles de transgresser des règles spécifiques.
Les résultats de cette analyse ont révélé des modèles de comportement clairs et distincts. Les données montrent que l'âge est un facteur significatif dans la probabilité qu'une personne commette une infraction. Les conducteurs âgés de dix-huit à vingt-cinq ans étaient les plus enclins à utiliser des téléphones portables en conduisant, ce groupe présentant les taux de distraction les plus élevés pour les deux sexes. En revanche, le groupe des vingt-six à trente-cinq ans apparaissait plus fréquemment dans les données concernant le non-port du casque. En ce qui concerne le genre, l'étude a révélé que les conducteurs masculins commettaient généralement des infractions à des taux plus élevés que les conductrices, toutes catégories confondues. Cela était particulièrement évident dans la pratique dangereuse du zigzag entre les véhicules, où les jeunes hommes de dix-huit à vingt-cinq ans représentaient près d'un tiers de tous ces incidents. Les conductrices, surtout celles appartenant aux tranches d'âge plus élevées, ont été observées en train de transgresser les règles beaucoup moins souvent.
Pour donner du sens à ces conclusions, les chercheurs ont construit un modèle de décision qui cartographie la façon dont l'âge, le comportement passé et le genre interagissent pour influencer les choix d'un conducteur. L'analyse suggère que l'âge est le prédicteur le plus puissant du comportement à risque. Les conducteurs plus jeunes étaient plus susceptibles de prendre des risques, tandis que les conducteurs plus âgés avaient tendance à être plus respectueux des règles. Le modèle a également indiqué que l'historique d'un conducteur compte ; ceux qui avaient enfreint les règles par le passé étaient plus susceptibles de le faire à nouveau, suggérant qu'une conduite dangereuse est souvent une habitude constante plutôt qu'une erreur ponctuelle. Bien que le genre joue un rôle, son influence n'est pas aussi forte que celle de l'âge et dépend souvent du contexte spécifique de l'infraction. Par exemple, bien que les jeunes hommes soient les contrevenants les plus fréquents globalement, il existait des situations spécifiques où la différence de comportement entre hommes et femmes était moins prononcée.
L'étude conclut que ces systèmes intelligents offrent une voie prometteuse pour améliorer la sécurité routière sans compter uniquement sur l'observation humaine. En détectant automatiquement les infractions et en les liant aux données démographiques des conducteurs, les autorités peuvent s'orienter vers des stratégies d'application de la loi et d'éducation plus ciblées. Au lieu d'appliquer une approche uniforme à tous les conducteurs, les campagnes de sécurité pourraient être adaptées pour traiter les risques spécifiques auxquels sont confrontés les jeunes hommes ou les distractions particulières affectant la tranche d'âge des dix-huit à vingt-cinq ans. Les chercheurs notent que, bien que leur système ait bien fonctionné avec les données collectées, les améliorations futures pourraient inclure des facteurs tels que les conditions météorologiques et la densité du trafic pour rendre les prédictions encore plus précises. Enfin, ce travail démontre qu'en comprenant les modèles humains derrière les infractions routières, les villes peuvent développer des moyens plus intelligents et plus efficaces pour protéger tout le monde sur la route.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.