書籍介紹
我國汽車運輸業長期面臨交通事故風險高、駕駛管理不易等問題，對道路安全與社會資源造成嚴重衝擊。如何善用新興科技提升營運安全，尤其在駕駛行為風險辨識與預測方面建立有效工具，是政府與運輸業者亟欲解決的關鍵議題。本四年期研究計畫「應用人工智慧分析技術探勘高風險路段」，以人工智慧與車載資料為核心，分階段開發駕駛行為分析工具與風險預警模型，並針對國道客運業者之實務需求進行系統驗證與推廣策略評估。
前3年期計畫已完成異常事件的定義與辨識模組建構，整合ADAS警示事件、車內外影像、駕駛行為數據、車道幾何與環境因子等，建立駕駛人風險行為樣態資料庫。第四年期計畫的研究重點主要集中在三大面向：（一）整合風險要素建構駕駛行為預測模型；（二）識別高風險路段與匝道之空間分析；（三）將異常事件分析工具轉化為實務可行之管理系統。首先，在駕駛行為預測方面，計畫採用Boosted Regression Tree與SHAP值分析，依據「本車行為」、「環境互動」、「駕駛員特性與動作」三要素構建多變數風險模型。結果顯示，大多數模型之AUC值達0.8以上，具高度準確性；特定風險如車道偏移、變換車道，與駕駛年資不足、距離前車過近、車道曲率大等情境高度相關，揭示異常事件背後的交互機制。
本期導入時間序列資料處理技術與深度學習模型，針對逐秒ADAS警示資料進行預測。測試結果指出，當自變數時間窗設為前10秒、應變數為後5秒時，可有效預測ADAS警示事件發生，且能於駕駛出現高風險動作前即時警示，強化業者事前預防管理能力。此外，SHAP值分析顯示，影響警示事件的重要變數包括車速變異度、方向燈使用、天候狀況與過往警示紀錄，顯示駕駛操作行為與外部環境密切交織影響風險結果。
在空間分析方面，計畫針對「巨觀路段」與「巨觀趟次」兩種模式進行建模。巨觀路段分析以2公里為單位，運用負二項迴歸模式建立高風險路段識別工具，反映時空變異下之交通風險分布。巨觀趟次則以15公里為分析單元，建構多層次混合效果模型，處理駕駛人異質性對風險的影響，並導入車流量、班表與駕駛資歷等因素。這些模型不僅提供業者實用的行車前風險提醒，也能協助主管機關掌握潛在高風險區段，做為設置警示標誌與工程改善依據。
影像辨識技術部分，本期評估影像辨識輕量化策略，針對車內影像偵測建議採間隔幀取樣以降低系統負荷，惟針對高速國道場景之車外影像辨識仍需維持高幀率，以確保事件連續性與準確度。同時，本期計畫亦納入第二家業者之資料進行系統轉移性評估，發現GPS紀錄頻率與DMS攝影角度為影響資料兼容性的關鍵變數。建議業者若欲採用本系統，應考量升級車機硬體與增設車內影像設備，以提升風險分析品質。
為促進技術落地，本期計畫彙整業者、設備商與主管機關意見，提出概念驗證（PoC）、服務驗證（PoS）、商業驗證（PoB）三階段推廣架構，以逐步實現AI風險分析系統的商品化。考量本系統未來在市區道路環境的應用可能性，計畫亦初步評估其可行性，研究結果指出雖核心風險建模邏輯具轉移潛力，但影像辨識模組須因應市區道路遮蔽、車道不明與車種多樣等特性進行調整與再訓練。
最終，本期開發完成的駕駛風險管理系統，具備異常事件警示儀表板、駕駛風險綜合報表、趟次風險分數計算與個人行為趨勢追蹤等功能，可協助客運業者即時發現高風險駕駛與路段，並進行針對性管理。此系統除可顯著降低資料處理成本，也提供主管機關一套具科學依據之空間風險分析工具。
目次
目錄V
圖目錄IX
表目錄XIII
執行摘要XVII
第一章緒論1
1.1計畫緣起1
1.2計畫目的5
1.3計畫工作項目6
1.4計畫範圍8
1.4.1四年期計畫關係8
1.4.2本期計畫架構與流程12
第二章文獻回顧15
2.1前期計畫回顧15
2.1.1「駕駛行為分析工具開發及行為特性探討」案15
2.1.2「應用人工智慧分析技術探勘高風險路段 (1/4) -駕駛行
為模式研析及車外異常事件影像辨識技術開發」案16
2.1.3「應用人工智慧分析技術探勘高風險路段 (2/4) -車內異
常事件影像辨識技術開發」案17
2.1.4「應用人工智慧分析技術探勘高風險路段 (3/4) -行車異
常事件及高風險駕駛行為分析」案19
2.2高風險駕駛行為與行車異常事件研究21
2.2.1高風險駕駛行為樣態與好發情境21
2.2.2高風險駕駛行為與事故風險22
2.2.3行車異常事件研究24
2.2.4交通事故或衝突風險預測模型探究26
2.2.5小結31
2.3行車影像辨識技術與影像資料整合應用32
2.3.1車外行車影像辨識技術32
2.3.2車內行車影像辨識技術33
2.3.3整合資料庫36
2.3.4小結37
2.4交通事故時空間分析37
2.4.1高風險駕駛行為時空間特性38
2.4.2交通事故時空間分析與預測模式44
2.4.3小結55
2.5高風險駕駛行為與行車異常事件之管理案例56
2.5.1歐美地區56
2.5.2亞洲地區68
2.5.3管理系統接受度與支持度73
2.5.4小結74
2.6小結76
第三章高風險駕駛行為之分析與管理之構想77
3.1業者分類架構77
3.2高風險駕駛行為定義與分析架構78
3.2.1行車異常事件之定義78
3.2.2高風險駕駛行為定義與分析架構80
3.3高風險駕駛行為分析之資料結構82
3.4資料盤點與變數定義85
3.4.1資料盤點85
3.4.2變數定義88
第四章高風險駕駛行為分析結果95
4.1ADAS警示、行車異常事件與駕駛行為特性描述95
4.2高風險駕駛行為分析結果與模式比較98
4.2.1操作型定義98
4.2.2混合計量經濟與機器學習方法之分析結果應用比較100
4.2.3模式比較結果108
4.3高風險駕駛行為之風險評估109
4.3.1縱向警示風險評估：本車變換車道111
4.3.2縱向警示風險評估：前車變換車道115
4.3.3橫向警示風險評估：國道一號全線段 (含匝道)119
4.3.4橫向警示風險評估：國道一號主線段122
4.4模式輕量化之建議127
4.5小結129
第五章影像辨識技術輕量化評估133
5.1影像辨識輕量化開發構想133
5.2影像辨識輕量化功能開發與評估134
5.2.1車內影像辨識輕量化評估－方向盤偵測134
5.2.2車內影像辨識輕量化評估－駕駛關節點偵測136
5.2.3車外影像辨識輕量化評估－前方車輛偵測137
5.3輕量化結果討論與建議137
第六章高風險駕駛行為與行車異常事件之時空分析139
6.1時空分析架構與資料庫說明139
6.2時空變數應用說明與樣本數量統計146
6.3以ADAS資料為基礎之高風險駕駛行為時空分析150
6.3.1以路段為基礎之分析150
6.3.2以趟次為基礎之分析154
6.3.3考量車輛OBD資訊之趟次分析160
6.4風險分數計算與時空分析結果之管理意涵164
6.4.1時空分析之風險計算165
6.4.2以路段為基礎之分析172
6.4.3時空分析與風險分數之管理意涵174
6.5小結177
第七章ADAS警示事件之預測179
7.1ADAS警示事件預測架構與資料庫說明179
7.1.1ADAS警示事件之預測架構179
7.1.2資料庫說明180
7.2變數應用說明與樣本數量統計183
7.3ADAS警示事件預測方法介紹187
7.3.1隨機森林 (RF)187
7.3.2支援向量機 (SVM)188
7.3.3深度神經網路 (DNN)189
7.3.4遞迴神經網路 (Elman RNN及Jordan RNN)190
7.3.5長短期記憶網路 (LSTM)190
7.3.6 1D CNN-LSTM192
7.3.7模型評估指標193
7.4ADAS警示事件預測之結果194
7.5ADAS警示事件預測之管理意涵204
7.6小結206
第八章駕駛安全管理系統開發209
8.1系統架構209
8.1.1概念說明209
8.1.2系統組成209
8.1.3系統軟體架構216
8.2資料輸入格式與報表輸出樣式218
8.2.1資料準備與輸入格式218
8.2.2報表輸出樣式224
8.3系統操作使用說明227
8.3.1硬體與作業系統需求227
8.3.2系統安裝與設定228
8.3.3登入系統229
8.3.4首頁231
8.3.5出車提醒232
8.3.6行車異常事件列表234
8.3.7駕駛綜合報表236
8.3.8資料上傳與影像辨識分析237
第九章駕駛安全管理之永續運作機制訪談239
9.1訪談規劃239
9.2國道客運業者訪談240
9.2.1目前管理系統概況240
9.2.2改善現況與對管理系統之期待241
9.2.3未來實際應用建議243
9.3車用設備業者訪談244
9.4路權機關訪談248
9.5監理機關訪談249
9.6小結250
第十章移轉性評估253
10.1評估相關技術在其他業者之適用性253
10.1.1高風險駕駛行為與時空分析評估253
10.1.2影像辨識技術評估260
10.1.3小結267
10.2盤點未來可應用至市區環境之技術成果270
10.2.1高風險駕駛行為分析之市區環境應用271
10.2.2時空分析之市區環境應用274
10.2.3影像辨識技術之市區環境應用274
第十一章結論與建議281
11.1結論281
11.2建議288
參考文獻293
附錄一 期中審查意見回覆303
附錄二 期末審查意見回覆315
附錄三 國道客運業者訪談問卷333
附錄四 國道客運業者訪談暨成果行銷推廣活動會議紀錄337
附錄五 車用設備業者訪談暨成果行銷推廣活動會議紀錄345
附錄六 路權機關訪談訪談會議紀錄353
附錄七 監理機關訪談會議紀錄355
編／著／譯者簡介
交通部運輸研究所：
鍾易詩、邱裕鈞、吳昆峯、余嘉萱、王佑星、翁玉樺、彭信瑋、劉曜峯、林亮志、何玉鳳、葉祖宏、黃明正、黃士軒
分類
其他詳細資訊
- 英文題名：Applying Artificial Intelligence Techniques to Identify High-Risk Road Segments (4/4): Analysis of Spatial Features
- 適用對象：成人(學術性)
- 關鍵詞：人工智慧,影像辨識,高風險路段,高風險駕駛行為,行車異常事件
- 附件：無附件
- 頁/張/片數：382
授權資訊
- 著作財產權管理機關或擁有者：交通部運輸研究所
- 取得授權資訊：著作財產權人：中華民國(代表機關：交通部運輸研究所)
本著作保留所有權利，欲利用本著作全部或部分內容者，須徵求交通部運輸研究所書面授權。