💻 computer science

Safe2Hail: A Forensic-Driven Post-Trip Tracking Framework for Ride-Hailing Safety in Africa

Safe2Hail is een forensisch gedreven framework dat ontworpen is om de veiligheid van ritten tijdens het vervoer in Afrika te verbeteren door een beveiligd, lichtgewicht mechanisme voor tracking na de rit te implementeren dat proximale gegevens tussen passagiers en chauffeurs logt nadat een rit is beëindigd, waarmee het kritieke veiligheidsgat wordt geadresseerd dat achtergelaten wordt door de huidige maatregelen die enkel tijdens de rit plaatsvinden.

Oorspronkelijke auteurs: Alvina Minja, Robert Maina, Mahmud Oloyede, Jema Ndibwile

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alvina Minja, Robert Maina, Mahmud Oloyede, Jema Ndibwile

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een ritje neemt met een deeldienst in een drukke stad als Nairobi of Dar es-Salaam. Je stapt in de auto, de app volgt je reis, en je voelt je veilig omdat je weet waar je bent. Maar wat gebeurt er op het moment dat de rit eindigt? Of erger nog, wat als de chauffeur de rit halverwege annuleert, of als je op de verkeerde plek wordt afgezet?

Volgens het artikel zijn huidige veiligheidsapps als beveiligers die hun dienst beëindigen op het moment dat je de auto uitstapt. Zodra de rit officieel "klaar" is in de app, stoppen de veiligheidsfuncties (zoals het delen van de live locatie of de SOS-knop) met werken. Als er vlak na het einde van de rit of als de rit verdacht vroeg werd afgebroken iets ergs gebeurt, is er geen digitaal verslag achtergelaten om onderzoekers te helpen uitzoeken wat er is gebeurd.

Safe2Hail is een nieuw idee dat is ontworpen om dit "blinde vlek"-probleem op te lossen. Denk aan een digitale "schaduw" die nog even bij je blijft nadat de rit is afgelopen, voor het geval dat.

Hier is hoe het artikel het uitlegt, met behulp van eenvoudige analogieën:

1. Het Probleem: De "Aan/Uit-schakelaar"-kloof

Huidige ride-hailing apps zijn als een film die stopt met afspelen op het moment dat de aftiteling begint. Als er tijdens de aftiteling een misdaad plaatsvindt, neemt de film het niet meer op. De onderzoekers ontdekten dat veel gevaarlijke situaties — zoals diefstal, intimidatie of ontvoering — plaatsvinden vlak nadat een rit is geannuleerd of voortijdig is beëindigd. De apps volgen deze momenten niet, waardoor er een "forensische kloof" (een ontbrekend stuk bewijs) ontstaat.

2. De Oplossing: De "Post-Trip Schaduw"

Safe2Hail is een framework dat werkt als een tijdelijke beveiligingscamera die nog een paar minuten blijft draaien nadat de rit eigenlijk al voorbij zou moeten zijn.

Hoe het werkt: Als het systeem iets vreemds detecteert (zoals een rit die plotseling eindigt in een beruchte buurt, of een chauffeur die een vreemde omweg neemt), stopt het niet direct. In plaats daarvan schakelt het over naar een "Post-Track"-modus.
De "Proximity Sync": Stel je voor dat de telefoon van de passagier en de telefoon van de chauffeur digitaal elkaars hand vasthouden. Zelfs nadat de rit is geannuleerd, blijven deze twee telefoons elke 30 seconden fluisteren tegen de Safe2Hail-server: "Ik ben er nog," en "Ik ben er nog."
De Afstandcontrole: Het systeem gebruikt wiskunde (de Haversine-formule, wat gewoon een chique manier is om de afstand tussen twee punten op een wereldbol te meten) om te berekenen hoe ver de chauffeur en de passagier uit elkaar liggen.
- Als ze dicht bij elkaar blijven (binnen 10 meter) voor een bepaalde tijd, logt het systeem dit als een "close proximity event" (gebeurtenis met nabijheid). Dit is cruciaf bewijs. Het bewijst dat, hoewel de app zei dat de rit voorbij was, de passagier nog steeds fysiek in de buurt van de chauffeur was.
- Als ze uit elkaar drijven (meer dan 50 meter), stopt het systeem met loggen en markeert het hen als "gescheiden".

3. Het "Risk Score" Dashboard

De onderzoekers hebben een dashboard gebouwd dat lijkt op een verkeerslichtsysteem voor gevaar.

Ze hebben een "Risk Matrix" (een scorekaart) gemaakt die naar verschillende factoren kijkt: Is het laat op de avond? Is het een gebied dat bekend staat om criminaliteit? Heeft de chauffeur een slecht verleden?
Als een rit een hoge "Risk Score" heeft (zoals een rood licht), besteedt het systeem extra aandacht aan deze rit. Het behandelt de rit als verdacht en activeert direct de "Post-Track Shadow".
Het dashboard toont een grafiek van de afstand tussen de chauffeur en de passagier in de loop van de tijd, wat onderzoekers helpt om precies te zien wat er gebeurde nadat de rit eindigde.

4. Wat ze daadwerkelijk hebben getest

Het artikel beschrijft een simulatie (een testrun), geen echte implementatie bij echte Uber- of Bolt-gebruikers op dit moment.

Ze hebben een "nep" ride-hailing app gebouwd met computercode.
Ze hebben scenario's gecreëerd waarin ritten voortijdig eindigden of van de route af wrakten.
Het resultaat: Het systeem werkte. Het slaagde erin om de afstand tussen de "nep" chauffeur en passagier na het einde van de rit te blijven volgen. Het identificeerde correct wanneer zij dicht bij elkaar waren en wanneer ze van elkaar gescheiden raakten. Het logde deze gegevens veilig en privé.

5. De Beperkingen (Wat het artikel toegeeft)

De auteurs zijn eerlijk over de huidige beperkingen:

Het vereist medewerking: Het systeem werkt alleen als zowel de chauffeur als de passagier hun telefoons aan hebben staan en de GPS actief is. Als een kwaadwillende de telefoon of GPS uitzet, verdwijnt de "schaduw".
GPS is niet perfect: In zeer drukke steden met hoge gebouwen kan het GPS-signaal onnauwkeurig zijn. Het systeem gebruikt een "bufferzone" (10 tot 25 meter) om rekening te houden met deze onnauwkeurigheid, maar het is niet zo precies als een high-tech sensor.
Het is een prototype: Dit is een "beta-versie". Het is nog niet uitgerold naar miljoenen echte gebruikers, dus we weten nog niet hoe het omgaat met de chaos van de echte wereld, zoals slechte internetverbindingen of mensen die proberen het systeem te hacken.

Samenvatting

Kortom, Safe2Hail is een voorstel om te voorkomen dat ride-hailing apps je "vergeten" op het moment dat de rit eindigt. Het voegt een veiligheidsnet toe dat een tijdelijk, privaat en versleuteld verslag bijhoudt van of een passagier en een chauffeur dicht bij elkaar zijn gebleven nadat een rit is geannuleerd of voortijdig is beëindigd. Dit geeft politie en onderzoekers een "digitaal spoor" om misdaden op te lossen die momenteel onopgelost blijven omdat de app te snel stopte met kijken.

Technische Samenvatting: Safe2Hail – Een Forensisch Gedreven Post-Trip Tracking Framework

1. Probleemstelling

Ride-hailing diensten in Oost-Afrika (specifiek Kenia en Tanzania) zijn snel uitgebreid, maar worden geconfronteerd met hardnekkige veiligheidsuitdagingen die de huidige platformmaatregelen niet volledig aanpakken. Hoewel bestaande veiligheidsfuncties — zoals SOS-meldingen, live locatie delen en GPS-monitoring — effectief zijn tijdens een rit, stoppen zij direct bij het annuleren of voortijdig beëindigen van de rit. Dit creëert een kritieke "forensische kloof" waarbij veiligheidsdreigingen, waaronder beroving, ontvoering en intimidatie, kunnen plaatsvinden na het officiële eindpunt van de rit zonder dat er een digitale spoor achterblijft.

Het specifieke probleem dat wordt aangepakt, is het gebrek aan verantwoording en traceerbaarheid wanneer een rit voortijdig wordt beëindigd (bijv. de chauffeur of passagier annuleert halverwege de route, ongeautoriseerde wijzigingen in de bestemming, of GPS-spoofing). In deze scenario's worden passagiers vaak in onveilige locaties achtergelaten en missen onderzoekers de gegevens die nodig zijn om gebeurtenissen te reconstrueren of de nabijheid tussen de chauffeur en passagier na het incident te verifiëren.

2. Methodologie

De auteurs stellen Safe2Hail voor, een modulair, forensisch bewust framework dat ontworpen is om de monitoring uit te breiden voorbij de officiële duur van de rit. De methodologie omvat drie kerncomponenten:

A. Systeemarchitectuur

Het systeem is geïmplementeerd als een lichtgewicht middleware-platform bestaande uit:

Trip Data Simulator: Genereert rit-telemetrie en activeert anomaliedetectie.
Post-Track Engine: De kernforensische component die een "Proximity Sync" sequentie initieert bij detectie van een rit-anomalie (specifiek voortijdige beëindigingen).
Dashboard: Een webgebaseerde interface voor het visualiseren van ritgegevens en post-track logs.

De backend maakt gebruik van Python (Flask) voor de API-server, SQLite met SQLAlchemy voor data-persistentie, en Chart.js/Leaflet.js voor visualisatie.

B. Anomaliedetectie en Risicoscore

Het systeem identificeert 13 specifieke rit-anomalieën, waaronder voortijdige ritbeëindigingen, significante routeafwijkingen en GPS-anomalieën. Om deze te prioriteren, hebben de auteurs een Contextuele Risicomatrix ontwikkeld met behulp van een multiplicatief scoremodel:

Risicoscore ( $R$ ): Berekend als $R = C \times R_h \times T_d$ , waarbij $C$ de misdaadniveau-score is (gebaseerd op locatie), $R_h$ de rating-historie vermenigvuldiger is, en $T_d$ de tijdstip-van-de-dag vermenigvuldiger is.
Event Scoring: Anomalieën worden gescoord op basis van Waarschijnlijkheid (1–5) en Impact (1–5). Zo kregen "SOS Triggers" en "Voortijdige Ritbeëindigingen" de hoogste scores (respectievelijk 25 en 20), wat hen prioriteit geeft voor de post-track engine.

C. Post-Track Proximity Sync Logica

Wanneer een rit voortijdig eindigt en het eindpunt meer dan 50 meter van de beoogde bestemming verwijderd is, initieert het systeem een tijdelijke synchronisatie:

Mechanisme: De apparaten van de chauffeur en passagier wisselen elke 30 seconden GPS-coördinaten uit via een versleuteld kanaal voor een retentieperiode (bijv. 5 minuten).
Afstandsberekening: Het systeem gebruikt de Haversine-formule om de realtime afstand tussen de twee apparaten te berekenen.
Drempelwaarden:
- 10 meter: Geeft aan dat de passagier waarschijnlijk nog in het voertuig zit of fysiek dichtbij is.
- 25 meter: Benadert scenario's van scheiding, rekening houdend met de variatie in GPS-nauwkeurigheid in stedelijke omgevingen.
- 50 meter: De drempelwaarde voor het beëindigen van de sync en het markeren van de status als "gescheiden".
Dataverwerking: Alle logs worden geanonimiseerd, versleuteld en opgeslagen in een relationele database om forensische traceerbaarheid te garanderen zonder de privacy van gebruikers in gevaar te brengen.

3. Belangrijkste Bijdragen

Het artikel beschrijft drie primaire bijdragen:

Post-Track Mechanisme: Een lichtgewicht module die de monitoring tijdelijk uitbreidt na rit-anomalieën om verifieerbare digitale sporen te bewaren terwijl de privacy behouden blijft.
Contextuele Risicokaart: Een systematische risicomatrix die rit-anomalieën classificeert en rangschikt specifiek voor de contexten van Tanzania en Kenia.
Dynamische Risicovermenigvuldigers: Een scoringsysteem dat de ernst van anomalieën aanpast op basis van contextuele factoren zoals lokale criminaliteitscijfers, de rating-historie van de chauffeur en het tijdstip van de dag.

4. Resultaten en Evaluatie

De auteurs hebben een werkend prototype ontwikkeld en bètatests uitgevoerd met behulp van gesimuleerde omgevingen (Flutter app-simulatoren voor chauffeurs en passagiers).

Simulatiescenario's: Het systeem is getest tegen scenario's inclusief voortijdige beëindigingen, annuleringen, routeafwijkingen en uitgeschakelde GPS.
Prestaties: Het prototype demonstreerde een hoge nauwkeurigheid in het classificeren van post-trip nabijheidsuitkomsten:
- Voortijdige Beëindiging: 95% nauwkeurigheid.
- Routeafwijking: 92% nauwkeurigheid.
- Annulering: 90% nauwkeurigheid.
- GPS Uitgeschakeld: 89% nauwkeurigheid (genoteerd als "Trace lost" in sommige gevallen door de afhankelijkheid van GPS).
Visualisatie: Het dashboard visualiseerde succesvol de temporele evolutie van de nabijheidsafstand, waarbij een duidelijk onderscheid werd gemaakt tussen "nabijheid behouden" en "scheidings"-gebeurtenissen tegenover de gedefinieerde drempels (10m en 25m).

5. Betekenis en Claims

Het artikel claimt dat Safe2Hail een specifiek, niet verzadigd gat in de veiligheid van ride-hailing aanpakt: het gebrek aan forensische traceerbaarheid na de beëindiging van een rit.

Forensische Continuïteit: In tegen tegenstelling tot traditionele apps die de monitoring stoppen bij het eindpunt van de rit, biedt Safe2Hail een continu digitaal spoor om onderzoekers te helpen vaststellen of een passagier na een abrupte beëindiging nog in het voertuig aanwezig was.
Privacy-Preserving: Het systeem is ontworpen om alleen geanonimiseerde identificatoren en afstandgegevens op te slaan, waardoor het vastleggen van persoonlijke informatie wordt vermeden.
Schaalbaarheid en Integratie: Gebouwd op een lichtgewicht Flask/SQLite-architectuur, is het framework ontworpen om gemakkelijk te worden geïntegreerd in bestaande ride-hailing infrastructuren zonder significante overhead.
Erkende Beperkingen: De auteurs merken bescheiden op dat het huidige prototype vertrouwt op coöperatief apparaatgedrag (GPS moet actief zijn) en geen Bluetooth Low Energy (BLE) of NFC-verificatie bevat, wat de capaciteit beperkt om "aanwezigheid in hetzelfde voertuig" te bevestigen als de GPS is uitgeschakeld of het signaal zwak is. De evaluatie is gebaseerd op modellering en simulatie, niet op grootschalige implementatie in de echte wereld.

Concluderend stelt Safe2Hail een schaalbare, forensisch gedreven aanpak voor om de verantwoording en veiligheid in ride-hailing ecosystemen te verbeteren door het monitoringsvenster uit te breiden voorbij de officiële duur van de rit.