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資料的時間和人力成本，更能量化異常事件的風險值，協助運輸業者更有效率地執行車隊管理。

目錄 III
圖目錄 VII
表目錄 XI
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計畫範圍 6
1.3.1四年期計畫關係 6
1.3.2本期計畫架構與流程 10
第二章文獻回顧 13
2.1前期計畫回顧 13
2.1.1「駕駛行為分析工具開發及行為特性探討」案 13
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行車異常事件影像辨識技術開發
」案 15
2.1.3「應用人工智慧分析技術探勘高風險路段 (2/4) -車內
行車異常事件影像辨識技術開發」案 19
2.2高風險駕駛行為與行車異常事件研究 20
2.2.1高風險駕駛行為樣態與好發情境 20
2.2.2高風險駕駛行為與事故風險 36
2.2.3行車異常事件研究 38
2.2.4小結 40
2.3行車影像辨識技術與影像資料整合應用 40
2.3.1車外行車影像辨識技術 40
2.3.2車內行車影像辨識技術 43
2.4交通事故時空間分析 45
2.4.1高風險駕駛行為時空間特性不同 45
2.4.2交通事故時空間分析與預測模式 47
2.4.3小結 56
2.5高風險駕駛行為與行車異常事件之管理案例 57
2.5.1歐美地區 57
2.5.2亞洲地區 70
2.5.3管理系統接受度與支持度 75
2.5.4小結 77
2.6小結 80
第三章高風險駕駛行為之分析與管理之構想 83
3.1業者分類架構 83
3.2高風險駕駛行為定義與分析架構 85
3.2.1行車異常事件之定義 85
3.2.2高風險駕駛行為定義與分析架構 86
3.3高風險駕駛行為分析之資料結構 88
3.4資料盤點與變數定義 90
3.4.1資料盤點 90
3.4.2變數定義 94
第四章高風險駕駛行為分析結果 103
4.1ADAS警示、行車異常事件與駕駛行為特性描述 103
4.2高風險駕駛行為之操作型定義及歸納：混合計量經濟與機
器學習方法之應用 106
4.2.1縱向警示事件：本車變換車道 107
4.2.2縱向警示事件：前車變換車道 113
4.2.3橫向警示事件：本車行駛國道全線段 (含匝道) 118
4.2.4橫向警示事件：本車行駛國道主線段 122
4.3高風險駕駛行為之風險評估 127
4.3.1縱向警示風險評估：本車變換車道 127
4.3.2縱向警示風險評估：前車變換車道 131
4.3.3橫向警示風險評估：國道全線段 (含匝道) 135
4.3.4橫向警示風險評估：國道主線段 138
4.4以機器學習方法預測行車異常事件 141
4.4.1XGBoost 142
4.4.2隨機森林 145
4.5小結 151
4.5.1高風險駕駛行為及風險評估 151
4.5.2混合方法與機器學習之比較 156
第五章特定警示之高風險駕駛行為分析：前車碰撞與橫向偏移 159
5.1資料與分析流程 159
5.1.1風險評估模式及模式驗證資料 160
5.1.2警示鏈分析資料 160
5.2分析結果 161
5.2.1警示事件風險評估模式驗證 161
5.2.2警示鏈分析 163
5.3小結 167
第六章行車影像辨識技術與解析 169
6.1車外模型比較及改善 169
6.1.1Scaled YOLOv4 169
6.1.2YOLOv5 175
6.1.3YOLOv7 176
6.1.4YOLOv8 178
6.1.5模式辨識效果及改善流程 179
6.1.6針對車外偵測不穩定的事件情境分析和模型測試比較 182
6.1.7新樣本影片觀察模型效果 201
6.1.8車外物件偵測及計算相對速度和距離所需時間 206
6.2車內模型比較及改善 206
6.2.1影像相關前處理測試 208
6.2.2關節點偵測穩定性的評估與比較 211
6.2.3針對關節點偵測不穩定的事件整理並分類因素 214
6.2.4造成車內關節點偵測不穩定的各因素說明與可能改
善方式 217
6.2.5新樣本影片觀察模型改善效果 220
6.2.6車內駕駛分心行為偵測所需時間 221
6.3影像辨識結果討論與建議 222
6.4小結 223
第七章高風險駕駛行為與行車異常事件之時空分析 225
7.1時空分析架構與資料庫說明 225
7.2時空變數應用說明與樣本數量統計 234
7.3以OBD資料為基礎之高風險駕駛行為之時空分析 237
7.4以ADAS資料為基礎之高風險駕駛行為之時空分析 240
7.4.1以路段為基礎之分析 241
7.4.2以趟次為基礎之分析 245
7.4.3以事件為基礎之分析 249
7.5時空分析結果之管理意涵 255
7.6小結 256
第八章行車異常事件管理雛型系統開發 259
8.1雛型系統架構 259
8.1.1概念說明 259
8.1.2系統組成與業者管理之連結 259
8.1.3系統軟硬體架構 267
8.2資料輸入格式與報表輸出樣式 270
8.3雛型系統操作使用說明 272
8.3.1首頁頁面 272
8.3.2新增行車影像分析頁面 273
8.3.3駕駛綜合報表頁面 273
8.3.4行車異常事件列表頁面 275
8.4雛型系統資料前處理說明 276
第九章國道客運駕駛安全管理策略建議 277
9.1駕駛管理 277
9.2車隊管理 281
9.3設備管理 284
第十章結論與建議 287
10.1結論 287
10.2建議 290
參考文獻 293
附錄一 期中報告審查意見回覆 303
附錄二 期末報告審查意見回覆 319
附錄三 雛型系統說明會討論事項 339