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（繁） 2025

过去由于鲜少搜集驾驶过程资料，在肇因判断上多以事故发生当下近因为主，然而近因并不一定为肇事主因，仅预防近因也未必能有效预防肇事。本计划目标在于将目前以事故资料为基础的道路交通安全管理程序，提升为以事故资料、行车异常事件及驾驶行为等为基础的道路交通安全管理程序。本计划为 4 年期计划的第 3 年计划，以前期计划为基础，定义行车异常事件 / 高风险驾驶行为的风险指标，筛选出高风险驾驶行为事件，并融合车内外影像辨识技术筛选异常事件，通过增加样本及引进新技术，优化影像辨识技术，探讨影响异常事件 / 高风险驾驶行为发生的影响因素及高发情境，以及进行宏观、微观的时空间特性分析，最终提供给业者作为教育训练及安全管理参考，也作为路权机关安全改善策略拟定的参考。

本期计划将业者分为四类管理系统类别进行分析：第一类仅使用车机系统和 GPS；第二类在此基础上增加了 ADAS 资料；第三类再加入驾驶员监控系统；第四类整合前三类的管理手段，并加入外部环境资料进行分析。通过设计一种混合计量经济与机器学习方法的模式定义高风险驾驶行为，计算出相对风险值和各变量高风险比例，辨识高风险情境。纵向警示中，本车变换车道和前车变换车道的高风险行为与车距、驾驶员资历、驾驶手部行为有关；横向警示中，行驶于国道全线（含匝道）的高风险行为与车距、驾驶手部行为相关，而在国道主线的情境下，则与行驶于全线段的相关因素相同，同时和驾驶员资历有关。在模式验证中，通过盒须图资料分布，设定纵向警示的切分点为概率预测值 0.39，横向警示的切分点为概率预测值 0.2，利用此切分点能够将大部分警示事件正确分为异常和非异常事件。

本期计划时空分析着重于完整第一至四类管理系统类别从宏观到微观的样本，第一类管理系统类别以随机单一趟次为样本发现，大部分 OBD 资料在加速度有触及的时间点前后几分钟内，几乎都有警示事件发生；第二至四类管理系统类别通过路段、趟次、事件分析，发现车流量大、服务区、时段性差异（假日、方向等）的区域，可能因交织情形多，驾驶员会更加注意，因此警示发生较少；业者排班若长时间派班越多，从趟次模式中发现发生警示事件的次数也较多。

本期计划针对现今运输业者在车队管理面临的问题，提出以 AI 辨识和车载系统资料为基础的管理平台雏形系统，此系统的界面分为四个部分，包含首页呈现所有驾驶的行为报表、各驾驶表现的综合报表、关注特定事件的异常事件报表以及进行行车影像风险分析，能够识别异常事件并计算风险值，期望能节省大量处理资料的时间和人力成本，更能量化异常事件的风险值，协助运输业者更有效率地执行车队管理。

点击文后阅读原文，可获得下载资料的方法。

欢迎加入智能交通技术群！扫码进入。

点击文后阅读原文，可获得下载资料的方法。

联系方式：微信号18515441838