Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh
本文提出了一种基于深度学习的系统，利用 YOLOv11 和 CNN 模型来检测马拉喀什特定的摩托车交通违规行为，同时分析其与骑手年龄及性别的相关性，以增强城市道路安全和执法水平。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在发展中国家繁忙的城市街道上，一场关于交通运输的静默革命正在重塑人们的出行方式。摩托车的使用率激增，为人们提供了一种灵活且经济的选择，尤其是在交通拥堵成为日常现实的地方。在摩洛哥马拉喀什，这些两轮车辆现在占到了所有道路使用者中的百分之六十以上。虽然这种转变带来了效率，但也引入了一个复杂的安全挑战网络。骑手在狭窄空间中穿梭以及在拥挤路口导航的独特方式，不仅为他们自身，也为行人及大型车辆的驾驶员带来了危险。为了理解并提高安全性，研究人员正转向一个让机器能够像人类一样观察和解读世界的科学领域。通过使用摄像头和先进的软件，科学家现在可以观察交通流、识别特定行为，甚至识别车把后的驾驶者。这种方法超越了简单的计数；它试图理解交通中的人类因素，寻找不同人群与道路规则互动中的模式。
来自马拉喀什卡迪阿亚德大学的一个研究小组将这一概念更进一步，开发了一套旨在识别摩托车骑手危险习惯的系统。他们的工作专注于四种经常导致事故的具体违规行为：未佩戴头盔驾驶、驾驶时使用手机、闯红灯以及在其他车辆之间进行不规则的蛇形穿梭。为了研究这些行为，该团队在一个以摩托车流量密集而闻名的繁忙路口设置了一台高分辨率摄像头。在数日的时间里，他们记录了超过七小时的视频资料，捕捉了城市在早晨、下午和傍晚时段的日常节奏。这些原始视觉数据成为了他们调查的基础，使他们能够观察到现实世界中发生的驾驶习惯。
其核心方法依赖于一种被称为深度学习的高级人工智能技术。研究人员首先使用一种强大的检测工具来扫描视频帧，定位每一辆摩托车和骑手。一旦发现车辆，系统就会放大并识别驾驶者的面部。随后，软件会分析特定的面部特征，以估算骑手的年龄并确定其性别。这些人口统计信息随后被直接与骑手正在进行的动作联系起来。系统经过训练，可以识别何时缺少头盔、何时有手拿着手机靠近脸部、何时车辆在红灯信号下越过停止线，或者何时摩托车在汽车之间进行不规则且不可预测的路径移动。通过将“谁是骑手”与“他们在做什么”联系起来，研究人员得以超越一般的统计数据，去观察是否特定类型的人更容易违反特定的规则。
这项分析的结果揭示了清晰且截然不同的骑行行为模式。数据显示，年龄是决定一个人违规可能性的重要因素。十八至二十五岁的骑手最容易出现驾驶时使用手机的行为，这一群体在不同性别中都表现出了最高的注意力分散率。相比之下，二十六至三十五岁的年龄组在数据中频繁出现在未佩戴头盔的行为中。在性别方面，研究发现男性骑手在所有类别中的违规率普遍高于女性骑手。这在危险的车辆间蛇形穿梭行为中尤ل为明显，其中十八至二十五岁的年轻男性占此类事件近三分之一。女性骑手，尤其是年龄较大的群体，被观察到违规行为要少得多。
为了理清这些发现，研究人员构建了一个决策模型，描绘了年龄、过往行为和性别如何相互作用并影响骑手的选择。分析表明，年龄是预测冒险行为的最强有力指标。年轻骑手更有可能冒险，而年长骑手则倾向于遵守规则。该模型还指出，骑手的历史记录非常重要；那些过去有过违规行为的人更有可能再次违规，这表明不安全的驾驶往往是一种持续的习惯，而非一次性的错误。虽然性别也起到了作用，但其影响力不如年龄强大，且往往取决于具体的违规情境。例如，虽然年轻男性是整体上的主要违规者，但在某些特定情况下，男女行为之间的差异并不显著。
研究结论指出，这些智能系统提供了一种提升交通安全性的有前景的方式，而不必仅仅依赖于人工观察。通过自动检测违规行为并将其与骑手的人口统计特征联系起来，管理部门可以向更具针对性的执法和教育策略迈进。与其对所有驾驶员采取一刀切的方法，安全宣传活动可以量身定制，以应对年轻男性面临的特定风险或影响十八至二十五岁年龄段的特定分心因素。研究人员指出，尽管他们的系统在收集的数据上表现良好，但未来的改进可以包括天气条件和交通密度，以使预测更加准确。最终，这项工作证明了通过理解交通违规背后的行为模式，城市可以开发出更聪明、更有效的手段来保护每一个人。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。