劉曜峯

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。

過去由於鮮少蒐集駕駛過程資料，在肇因判斷上多以事故發生當下近因為主，然近因並不一定為肇事主因，僅預防近因也未必能有效預防肇事。本計畫目標在將目前以事故資料為基礎的道路交通安全管理程序，提升為以事故資料、行車異常事件及駕駛行為等為基礎的道路交通安全管理程序。本計畫為4年期計畫之第3年計畫，以前期計畫為基礎，定義行車異常事件/高風險駕駛行為之風險指標，篩選出高風險駕駛行為事件，並融合車內外影像辨識技術篩選異常事件，透過增加樣本及引進新技術，優化影像辨識技術，探討影響異常事件/高風險駕駛行為發生之影響因素及好發情境，及進行巨觀、微觀之時空間特性分析，最終提供業者教育訓練及安全管理參考，也做為路權機關安全改善策略擬定之參考。本期計畫將業者分為四類管理系統類別進行分析：第一類僅使用車機系統和GPS；第二類在此基礎上增加了ADAS資料；第三類再加入駕駛員監控系統；第四類整合前三類的管理手段，並加入外部環境資料進行分析。透過設計一混合計量經濟與機器學習方法之模式定義高風險駕駛行為，計算出相對風險值和各變數高風險比例辨識高風險情境。縱向警示中，本車變換車道和前車變換車道的高風險行為與車距、駕駛員年資、駕駛手部行為有關；橫向警示中，行駛於國道全線 (含匝道) 的高風險行為與車距、駕駛手部行為相關，而在國道主線的情境下，則與行駛於全線段相同、駕駛員年資有關。在模式驗證中，透過盒鬚圖資料分布，設定縱向警示的切分點為機率預測值0.39，橫向警示的切分點為機率預測值0.2，利用此切分點能將大部分警示事件正確分為異常和非異常事件。本期計畫時空分析著重在完整第一至四類管理系統類別巨觀到微觀的樣本，第一類管理系統類別以隨機單一趟次為樣本發現，大部分OBD資料在加速度有觸及的時間點前後幾分鐘內，幾乎都有警示事件發生；第二至四類管理系統類別透過路段、趟次、事件分析，發現車流量大、服務區、時段性差異（假日、方向等），可能因交織情形多駕駛員會更加注意而警示發生較少，業者排班若長時間派班越多，從趟次模式中發現發生警示事件的次數也較多。本期計畫針對現今運輸業者在車隊管理面臨的問題，提出以AI辨識和車載系統資料為基礎的管理平台雛型系統，此系統之介面分為四個部分，包含首頁呈現所有駕駛的行為報表、各駕駛表現的綜合報表、關注特定事件的異常事件報表以及進行行車影像風險分析，能識別異常事件並計算風險值，期望能節省大量處理