書名 應用人工智慧分析技術探勘高風險路段(4/4)—空間特性分析
出版單位 運輸安全組
出版年份 114
出版月份 10
價格 600
摘要   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。
張貼日 2025/11/07
檔案下載
Hashtags
查看次數: 22