Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh
Dit artikel presenteert een op deep learning gebaseerd systeem dat gebruikmaakt van YOLOv11- en CNN-modellen om specifieke motorverkeersovertredingen in Marrakech te detecteren, terwijl de correlatie ervan met de leeftijd en het geslacht van de rijder wordt geanalyseerd om de veiligheid op stedelijke wegen en de handhaving van de wet te verbeteren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
In de drukke straten van steden in de ontwikkelende wereld vindt een stille revolutie in transport plaats die de manier waarop mensen zich verplaatsen vormgeeft. Motoren zijn in populariteit gestegen en bieden een wendbaar en betaalbaar alternatief voor auto's, vooral op plaatsen waar verkeerscongestie een dagelijkse realiteit is. In Marrakesh, Marokko, maken deze tweewielers nu meer dan zestig procent van alle weggebruikers uit. Hoewel deze verschuiving efficiëntie brengt, introduceert het ook een complex web van veiligheidsuitdagingen. De unieke manier waarop rijders door nauwe ruimtes slingeren en drukke kruispunten navigeren, creëert gevaren, niet alleen voor henzelf, maar ook voor voetgangers en bestuurders van grotere voertuigen. Om veiligheid te begrijpen en te verbeteren, wenden onderzoekers zich tot een wetenschappelijk veld dat machines in staat stelt om de wereld te zien en te interpreteren zoals mensen dat doen. Door gebruik te maken van camera's en geavanceerde software, kunnen wetenschappers nu verkeersstromen observeren, specifieke gedragingen identificeren en zelfs de mensen achter het stuur herkennen. Deze aanpak gaat verder dan simpel tellen; het streeft ernaar om het menselijke element van het verkeer te begrijpen, door te zoeken naar patronen in hoe verschillende groepen mensen omgaan met de regels van de weg.
Een team van onderzoekers van de Cadi Ayyad Universiteit in Marrakesh heeft dit concept een stap verder gebracht door een systeem te bouwen dat ontworpen is om gevaarlijke gewoonten onder motorrijders op te sporen. Hun werk richt zich op vier specifieke overtredingen die vaak tot ongelukken leiden: rijden zonder helm, het gebruik van een mobiele telefoon tijdens het rijden, het negeren van een rood licht en het onvoorspelbaar heen en weer slingeren tussen andere voertuigen. Om deze gedragen te bestuderen, plaatste het team een camera met een hoge resolutie bij een druk kruispunt dat bekend staat om zijn zware motortrafiek. Gedurende meerdere dagen namen ze meer dan zeven uur aan videobeelden op, waarbij ze het dagelijkse ritme van de stad vastlegden tijdens de ochtend-, middag- en avonduren. Deze ruwe visuele data vormde de basis voor hun onderzoek, waardoor ze de dagelijkse rijgewoonten in de praktijk konden observeren.
De kern van hun methode rust op een geavanceerd type kunstmatige intelligentie, bekend als deep learning. De onderzoekers gebruikten eerst een krachtige detectietool om de videoframes te scannen en elke motorrijder en bestuurder te lokaliseren. Zodra een voertuig werd gevonden, zoomde het systeem in om het gezicht van de bestuurder te identificeren. Van daaruit analyseerde de software specifieke gelaatstrekken om de leeftijd van de rijder te schatten en het geslacht te bepalen. Deze demografische informatie werd vervolgens direct gekoppeld aan de acties die de rijder uitvoerde. Het systeem was getraind om te herkennen wanneer een helm ontbrak, wanneer een hand een telefoon bij het gezicht hield, wanneer een voertuig een stoplijn overstak tegen een rood signaal in, of wanneer een motorfiets een grillig, onvoorspelbaar pad tussen auto's bewandelde. Door te verbinden wie de rijder was met wat hij of zij deed, konden de onderzoekers verder gaan dan algemene statistieken om te zien of bepaalde typen mensen eerder geneigd waren specifieke regels te overtreden.
De resultaten van deze analyse onthulden duidelijke en onderscheidende patronen in het rijgedrag. De gegevens toonden aan dat leeftijd een significante factor is in de waarschijnlijkheid waarmee iemand een overtreding begaat. Rijders tussen de achttien en vijfentwintig jaar waren het meest geneigd om mobiele telefoons te gebruiken tijdens het rijden, waarbij deze groep de hoogste percentages afleiding vertoonde bij beide geslachten. Daarentegen kwam de leeftijdsgroep van zesentwintig tot vijfendertig vaker voor in de gegevens met betrekking tot het niet dragen van een helm. Wat betreft geslacht toonde de studie aan dat mannelijke rijders over het algemeen vaker overtredingen begingen dan vrouwelijke rijders in alle categorieën. Dit was bijzonder zichtbaar bij de gevaarlijke praktijk van het slingeren tussen voertuigen, waarbij jonge mannen van achttien tot vijfentwintig bijna een derde van alle dergelijke incidenten accounten voor. Vrouwelijke rijders, vooral in oudere leeftijdscategorieën, werden geobserveerd terwijl zij de regels veel minder vaak overtraden.
Om deze bevindingen te duiden, bouwden de onderzoekers een beslissingsmodel dat in kaart bracht hoe leeftijd, eerder gedrag en geslacht interageren om de keuzes van een rijder te beïnvloeden. De analyse suggereerde dat leeftijd de krachtigste voorspeller is van riskant gedrag. Jongere rijders waren eerder geneigd risico's te nemen, terwijl oudere rijders de neiging hadden om meer compliant te zijn. Het model gaf ook aan dat de geschiedenis van een rijder ertoe doet; zij die in het verleden de regels hadden overtreden, waren eerder geneigd dit opnieuw te doen, wat suggereert dat onveilig rijgedrag vaak een consistente gewoonte is in plaats van een eenmalige fout. Hoewel geslacht een rol speelde, was de invloed ervan niet zo sterk als die van leeftijd en was het vaak afhankelijk van de specifieke context van de overtreding. Bijvoorbeeld, hoewel jonge mannen de meest frequente overtreders waren, waren er specifieke situaties waarin het verschil in gedrag tussen mannen en vrouwen minder uitgesproken was.
De studie concludeert dat deze intelligente systemen een veelbelovende manier bieden om de verkeersveiligheid te verbeteren zonder uitsluitend te vertrouwen op menselijke observatie. Door automatisch overtredingen te detecteren en deze te koppelen aan de demografie van de rijders, kunnen autoriteiten bewegen naar meer gerichte handhavings- en educatiestrategieën. In plaats van een algemene aanpak voor alle bestuurders te hanteren, zouden veiligheidscampagnes op maat gemaakt kunnen worden om de specifieke risico's aan te pakken die jonge mannen of de specifieke afleidingen die de achttien- tot vijfentwintigjarigen treffen, betreffen. De onderzoekers merken op dat hoewel hun systeem goed werkte met de verzamelde gegevens, toekomstige verbeteringen zaken als weersomstandigheden en verkeersdichtheid kunnen bevatten om voorspellingen nog nauwkeuriger te maken. Uiteindelijk demonstreert dit werk dat door het begrijpen van de menselijke patronen achter verkeersovertredingen, steden slimmere, effectievere manieren kunnen ontwikkelen om iedereen op de weg te beschermen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.