The increase of popularity in shared micromobility vehicles, such as escooters and e-bikes, has brought forth challenges related to user behaviors and regulatory enforcement. One prominent issue is the unsafe practice of riders using the pavement instead of designated bike lanes or the road, thereby posing risks to both pedestrians and riders. This thesis addresses this problem by exploring the potential of utilizing Inertial Measurement Unit (IMU) data from micromobility vehicles to develop a machine learning-based detection system for pavement riding. Specifically, different approaches in time-series classification are studied using a dataset collected from 100 escooter rides, and their performances are compared. The research aims to answer the question of whether IMU data and machine learning can be used to reliably classify if an e-scooter is riding on the pavement, where the criterion of reliability is defined as achieving an accuracy and F₁-score of 85% or higher. The study’s purpose is to enable disciplinary actions and promote safer rider behaviors. By implementing a robust surface detection system, actions such as speed limitation can be taken when riders are detected on prohibited surfaces. The results demonstrate that, given a high enough sampling frequency of the Inertial Measurement Unit, it is possible to reliably detect if an e-scooter is riding on the pavement in an experimental environment.

Det ökade användandet av delade mikromobilitets-fordon, som elsparkcyklar och elcyklar, har medfört utmaningar gällande användarbeteenden och tillsyn. Ett framträdande problem är användandet av trottoaren som körfält istället för avsedda cykelbanor eller vägar, vilket ökar olycksrisken för både användare och fotgängare. Detta examensarbete behandlar detta problem genom att utforska potentialen av att använda Inertial Measurement Unit (IMU) data från mikromobilitets-fordon till att utveckla ett maskininlärnings-baserat detektionssystem. Konkret studeras prestandan hos olika modeller inom tidssekvensklassificering med hjälp av en datamängd som samlats in från 100 elsparkcykelresor. Forskningen ämnar att besvara frågan om IMU-data och maskininlärning kan användas för att tillförlitligt detektera när en elsparkcykel åker på trottoaren, där tillförlighetskravet definieras som en accuracy och F₁- score på 85% eller högre. Syftet med studien är att möjliggöra införandet av disciplinära åtgärder och att främja säkrare användarbeteenden. Genom att implementera ett robust detektionssystem kan åtgärder som att sänka hastighetsbegräsningen på fordonet tillämpas när fordonet detekteras vara på trottoaren. Resultaten visar att det är möjligt att tillförlitligt detektera när en elsparkcykel åker på trottoaren i ett experimentell miljö, givet en tillräckligt hög samplingsfrekvens hos IMU:n.