邱裕鈞

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