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(114綠)
活動訊息
來金石堂，總有一本書懂你！雙11更好買，25家銀行信用卡分期0利率！
內容簡介
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。
ABSTRACT:
Taiwan’s commercial motor carrier sector has long struggled with a high incidence of road crashes, leading to serious casualties and substantial social costs. In response, this four-year research project titled “Applying Artificial Intelligence Techniques to Identify High-Risk Road Segments” aimed to develop an integrated system for analyzing driving behavior and possible risks, using in-vehicle data and AI technology. The project was executed in phases, progressively enhancing behavior analysis tools and validating them in collaboration with intercity bus operators. The focus of the fourth year was to consolidate data modeling, identify spatial risk patterns, optimize prediction tools, and translate analytical findings into practical safety management solutions.
In the first three years, the project established a foundation for risk analysis by developing a set of abnormal event definitions, collecting large-scale telematics and video data, and building the initial behavioral risk indicators. The fourth-year research was structured around three major objectives: (1) integrating multidimensional factors to construct predictive models of risky driving behavior, (2) conducting spatial analysis to identify high-risk road segments and ramps, and (3) transforming analytical outputs into an operational management system. Using Boosted Regression Trees and SHAP, the research team modeled risk based on three domains: vehicle behavior, environmental interaction, and driver characteristics and in-cabin actions. The models demonstrated strong predictive performance, with AUC values consistently reaching 0.8 or higher. Specific behaviors—such as lane deviation or unsafe lane changes—were found to be highly correlated with contextual factors such as insufficient experience, short headways, sharp curves, and mixed traffic conditions.
To enable proactive intervention, the team implemented time-series modeling using deep learning algorithms (LSTM, RNN, 1D CNN-LSTM) to predict ADAS warning events in real time. With the optimal configuration—predictor windows of 10 seconds and a response window of 5 seconds—the models successfully forecasted warning events, allowing for risk alerts a few seconds before risky behaviors occurred. SHAP analysis further identified influential variables, such as speed variability, use of turn signals, urban context, previous alerts, and weather, thereby informing targeted interventions and driver feedback strategies.
On the spatial analytics front, the project employed two complementary models: a “macro trip model” based on 15-kilometer driving segments and a “macro road segment model” using 2-kilometer units. The trip model incorporated multilevel mixed-effects regression to account for driver heterogeneity, while the segment model applied panel data negative binomial regression to capture monthly variations in traffic risk. These models produced cumulative risk scores, enabling fleet operators to issue pre-trip safety warnings and allowing government agencies to identify segments in need of engineering improvement or focused enforcement.
In terms of image recognition technology implementation, the team assessed lightweight strategies for video processing. For in-cabin gesture detection (e.g., steering behaviors), frame sampling effectively reduced computational load without sacrificing performance. However, in highway environments requiring detailed motion detection, full-frame processing remained necessary to preserve temporal continuity. To test system portability, the fourth-year project also conducted a transferability analysis using data from a second operator. Results indicated that GPS logging frequency and DMS (Driver Monitoring System) camera angle were key determinants of compatibility. For full system functionality, operators were advised to upgrade hardware and ensure high-resolution, forward-facing driver views.
To support future deployment, stakeholder engagement sessions were conducted with bus operators, equipment suppliers, and regulatory agencies. Based on feedback, a three-stage implementation roadmap was proposed—Proof of Concept (PoC), Proof of Service (PoS), and Proof of Business (PoB). The current system, having reached the PoC stage, includes driver-level dashboards, real-time alerts, and behavior trend reports. Field testing in cooperation with operators is expected to follow, with the PoS phase focused on embedding the system into daily fleet operations. The fourth-year project also considered the applicability of the system to urban driving contexts. While the conceptual framework—including event definition and risk scoring—remains valid, technical adaptations are required. Lane detection and spatial grids need refinement to handle occlusion and high-density mixed traffic, particularly involving smaller vehicles such as motorcycles. Therefore, technology transfer to urban settings will require retraining image recognition models and revising detection logic to account for urban roadway complexity.
Finally, the project culminated in the development of a functional Driver Risk Management System, equipped with modules for visualizing abnormal events, tracking warning trends, scoring individual driver behavior, and issuing pre-trip alerts. This system helps fleet operators quickly identify high-risk drivers and road segments, significantly reducing the cost and effort required for data processing and analysis. For regulatory bodies, it provides a scientifically grounded platform for spatial risk profiling and targeted safety interventions.
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。
ABSTRACT:
Taiwan’s commercial motor carrier sector has long struggled with a high incidence of road crashes, leading to serious casualties and substantial social costs. In response, this four-year research project titled “Applying Artificial Intelligence Techniques to Identify High-Risk Road Segments” aimed to develop an integrated system for analyzing driving behavior and possible risks, using in-vehicle data and AI technology. The project was executed in phases, progressively enhancing behavior analysis tools and validating them in collaboration with intercity bus operators. The focus of the fourth year was to consolidate data modeling, identify spatial risk patterns, optimize prediction tools, and translate analytical findings into practical safety management solutions.
In the first three years, the project established a foundation for risk analysis by developing a set of abnormal event definitions, collecting large-scale telematics and video data, and building the initial behavioral risk indicators. The fourth-year research was structured around three major objectives: (1) integrating multidimensional factors to construct predictive models of risky driving behavior, (2) conducting spatial analysis to identify high-risk road segments and ramps, and (3) transforming analytical outputs into an operational management system. Using Boosted Regression Trees and SHAP, the research team modeled risk based on three domains: vehicle behavior, environmental interaction, and driver characteristics and in-cabin actions. The models demonstrated strong predictive performance, with AUC values consistently reaching 0.8 or higher. Specific behaviors—such as lane deviation or unsafe lane changes—were found to be highly correlated with contextual factors such as insufficient experience, short headways, sharp curves, and mixed traffic conditions.
To enable proactive intervention, the team implemented time-series modeling using deep learning algorithms (LSTM, RNN, 1D CNN-LSTM) to predict ADAS warning events in real time. With the optimal configuration—predictor windows of 10 seconds and a response window of 5 seconds—the models successfully forecasted warning events, allowing for risk alerts a few seconds before risky behaviors occurred. SHAP analysis further identified influential variables, such as speed variability, use of turn signals, urban context, previous alerts, and weather, thereby informing targeted interventions and driver feedback strategies.
On the spatial analytics front, the project employed two complementary models: a “macro trip model” based on 15-kilometer driving segments and a “macro road segment model” using 2-kilometer units. The trip model incorporated multilevel mixed-effects regression to account for driver heterogeneity, while the segment model applied panel data negative binomial regression to capture monthly variations in traffic risk. These models produced cumulative risk scores, enabling fleet operators to issue pre-trip safety warnings and allowing government agencies to identify segments in need of engineering improvement or focused enforcement.
In terms of image recognition technology implementation, the team assessed lightweight strategies for video processing. For in-cabin gesture detection (e.g., steering behaviors), frame sampling effectively reduced computational load without sacrificing performance. However, in highway environments requiring detailed motion detection, full-frame processing remained necessary to preserve temporal continuity. To test system portability, the fourth-year project also conducted a transferability analysis using data from a second operator. Results indicated that GPS logging frequency and DMS (Driver Monitoring System) camera angle were key determinants of compatibility. For full system functionality, operators were advised to upgrade hardware and ensure high-resolution, forward-facing driver views.
To support future deployment, stakeholder engagement sessions were conducted with bus operators, equipment suppliers, and regulatory agencies. Based on feedback, a three-stage implementation roadmap was proposed—Proof of Concept (PoC), Proof of Service (PoS), and Proof of Business (PoB). The current system, having reached the PoC stage, includes driver-level dashboards, real-time alerts, and behavior trend reports. Field testing in cooperation with operators is expected to follow, with the PoS phase focused on embedding the system into daily fleet operations. The fourth-year project also considered the applicability of the system to urban driving contexts. While the conceptual framework—including event definition and risk scoring—remains valid, technical adaptations are required. Lane detection and spatial grids need refinement to handle occlusion and high-density mixed traffic, particularly involving smaller vehicles such as motorcycles. Therefore, technology transfer to urban settings will require retraining image recognition models and revising detection logic to account for urban roadway complexity.
Finally, the project culminated in the development of a functional Driver Risk Management System, equipped with modules for visualizing abnormal events, tracking warning trends, scoring individual driver behavior, and issuing pre-trip alerts. This system helps fleet operators quickly identify high-risk drivers and road segments, significantly reducing the cost and effort required for data processing and analysis. For regulatory bodies, it provides a scientifically grounded platform for spatial risk profiling and targeted safety interventions.
目錄
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
4.1 ADAS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
7.1 ADAS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
7.3 ADAS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-LSTM 192
7.3.7模型評估指標 193
7.4 ADAS警示事件預測之結果 194
7.5 ADAS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
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
4.1 ADAS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
7.1 ADAS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
7.3 ADAS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-LSTM 192
7.3.7模型評估指標 193
7.4 ADAS警示事件預測之結果 194
7.5 ADAS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
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價