Micromobility has gained in popularity in recent years as a convenient alternative to cars and public transportation and offers advantages such as reduced air pollution and more efficient use of street space. There are however some concerns related to micromobility that has to be addressed, such as certain risky riding behaviours. This thesis focuses on a particular behaviour that poses an increased risk of falls and collisions and that is prohibited in several countries. The aim of the thesis is to investigate the feasibility of detecting this behaviour using machine learning methods and multivariate time series data from vehicle sensors. Three distinct methods are examined. In the first method, statistics are extracted from the time series and concatenated into one-dimensional feature vectors. These are then used as input to a ridge regression classifier. The second method is MiniROCKET, an improved version of the ROCKET classifier, which combines random convolutional kernel transforms with a linear classifier. The third investigated method is 1-Nearest Neighbour with Dynamic Time Warping as the distance metric. The methods are evaluated on sensor data from controlled experiments, and the results comprise evaluation metric scores as well as an analysis of feature importance for each method. While all three methods demonstrate the ability to successfully differentiate between risky and compliant riding, MiniROCKET outperforms the other two and achieves an accuracy of nearly 90%.

Mikromobilitet har ökat i popularitet de senaste åren som ett smidigt alternativ till bil och kollektivtrafik och medför fördelar som minskade luftföroreningar och effektivare användning av gatuutrymmen. Det finns dock vissa problem relaterade till mikromobilitet som behöver tas itu med, bland annat riskfyllda körbeteenden. Den här uppsatsen fokuserar på ett särskilt beteende som medför en ökad risk för olyckor och därför är förbjudet i flera länder. Syftet med denna uppsats är att undersöka om detta körbeteende kan detekteras med hjälp av maskininlärning och multivariat tidsseriedata från fordonssensorer. Tre olika maskininlärningsmetoder undersöks. Den första metoden går ut på att extrahera statiska mått från tidsserierna och sammanställa dessa i endimensionella vektorer som sedan klassificeras med hjälp av ridge regression. Den andra undersökta metoden är MiniROCKET, vilket är en förbättrad version av ROCKET, som transformerar tidsserier med hjälp av slumpmässigt framtagna faltningskärnor för att sen tillämpa en linjär klassificerare. Den tredje metoden är 1-Nearest Neighbour med Dynamic Time Warping som avståndsmått. De tre metoderna utvärderas på sensordata från kontrollerade experiment. Resultaten presenterar diverse mått på metodernas prestationer samt en analys av vilka variabler som har bäst prediktiv förmåga för vardera metod. Samtliga undersökta metoder visar på en förmåga att detektera det undersökta körbeteendet. MiniROCKET presterar allra bäst och uppnår en noggrannhet på nästan 90%.