臺灣博碩士論文加值系統

近年來各國所新建的隧道皆有越來越長的趨勢，但由於長隧道內空間密閉且救援不易的特性，使得一但發生事故後，很容易造成嚴重的人員傷害與財產損失，更嚴重甚至會使隧道的主結構受到破壞，造成隧道需長時間封閉來進行維修。如1999年3月24日，全長11.6公里的法國萬寶龍隧道(Mont Blanc)，起初只是一輛滿載麵粉的貨車起火，後來盡演變成36輛車的追撞，造成至少41人死亡的慘劇發生。因此，為提升長隧道內的事件偵測績效，本研究透過車輛辨識技術(AVI)中的信號柱，蒐集隧道內微觀車輛的相關參數，配合隧道內的專屬特性，構建適合於長隧道內的事件偵測演算法，再利用車流模擬軟體來模擬長隧道內車流情況，藉此評估所研擬的偵測模式之績效，並與加州法的偵測績效做比較。

本研究所構建的事件偵測模式，主要分成三階段，第一階段是車流量與車速的關係來做初步的判斷；第二階段是用車輛實際旅行時間與所推估旅行時間的差異，來判斷是否可能有事件的發生；第三階段則檢定事件可能所在區間與上、下游兩區間的平均速率是否有差異，來判斷事件是否發生。在車流模擬方面，則是利用Paramics微觀車流模擬軟體，其能模擬迴圈偵測器、信號柱與事件發生等研究所需功能與情境。研究結果顯示，在AVI車比率20%、偵測器間距300m，偵測率為99%、誤報率約為1.5%、平均偵測時間約為90秒。另透過加州事件偵測法與本模式進行績效比較，本模式在低流量時的偵測率比加州法優秀許多，平均偵測時間約245秒，而加州法則約至少要262秒才能偵測到，並易受偵測器累積時間長度的影響。總結本研究在AVI車輛的比率低時(如只有10%)，亦有很好的偵測率，不過AVI車輛的比率過低，會使發生於隧道入口附近的事件不易被偵測到，而偵測器間距則會影響到平均偵測時間與誤報率，因為當偵測器間距越長，會使行車速率變異越大，旅行時間的預測值會越不準，造成誤報率的提升。

An incident detection algorithm especially designed for operation in long road tunnels in combination with the use of AVI sensor and loop detector data was developed in this study. Simulated traffic and AVI equipped vehicle data generated by a microscopic traffic simulator named Paramics based on real road geometry, traffic and incident data collected from a long road tunnel located in northeastern part of Taiwan was used in the development and evaluation of the automatic incident detection model. Promising preliminary results of the model in terms of detection rate, false alarm rate and mean time to detection were obtained when under medium and high volume of traffic conditions and low penetration rate of AIV equipped vehicles. Moreover, comparison results with one particular and widely used California Algorithm #7 reveal high potentiality for future field applications of the model. Finally, recommendations of fine-tune works for the model based on the results of performance evaluation are provided, and suggestions to enhance the model capability were also proposed for future research.

摘　要 i
Abstract ii
誌　謝 iii
目　錄 iv
圖目錄 vii
表目錄 viii
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 2
1.3研究範圍與限制 3
1.4研究內容 3
1.5研究流程 4
第二章 文獻回顧 5
2.1 雪山隧道現況分析 5
2.1.1結構設計與交控設備 5
2.1.2隧道內常見違規事件 6
2.1.3事件偵測方式 6
2.2先進偵測與通訊技術之應用 7
2.2.1自動車輛辨識技術 7
2.2.2車輛定位系統 7
2.2.3短距通訊技術 8
2.3事件偵測系統相關文獻 9
2.3.1以道路為基礎 10
2.3.2以探針車為基礎 12
2.3.3以駕駛者為基礎 13
2.4事件偵測績效之評估 13
2.4.1事件偵測評估方式 13
2.4.2事件偵測績效指標 14
2.5小結 15
第三章 事件偵測模式之建立 16
3.1雪山隧道車流特性 16
3.1.1分析方法 16
3.1.2車流量分類 16
3.2事件偵測邏輯之研擬 18
3.2.1車流量與車速的關係 18
3.2.2 旅行時間的檢定 19
3.2.3 平均速率檢定 20
3.3加州演算法的邏輯與應用 21
3.3.1選擇最適的加州演算法版本 21
3.3.2擬定初始門檻值 23
第四章 事件偵測模式測試平台 24
4.1模擬路網之構建 24
4.1.1基礎路網之構建 24
4.1.2道路幾何之設定 25
4.1.3建立旅次矩陣表O-D 25
4.2相關參數之設定 26
4.2.1車輛規格與交通規則 26
4.2.2其他模擬參數設定 26
4.3模擬迴圈偵測器 27
4.3.1模擬設定方法 27
4.3.2雪山隧道迴圈偵測器鋪設現況 27
4.4車流模擬結果 28
4.4.1驗證方法 28
4.4.2驗證結果 29
4.5隧道事件之模擬 30
4.5.1隧道事件之設定 30
4.5.2雪山隧道實際事件整理 31
4.5.3事件資料整理 31
4.5.4模擬裝有車機之車輛 33
第五章 績效評估 34
5.1偵測績效評估 34
5.1.1模擬情境設定 34
5.1.2各參數評估值 34
5.1.3各參數評估值的偵測績效 35
5.2各參數對偵測績效之影響 42
5.2.1 AVI車輛比率影響 42
5.2.2偵測器佈設間距之影響 44
5.2.3事件發生位置對偵測率之影響 46
5.2.4偵測器累積輸出時間對平均偵測時間的影響 47
5.3與加州法的偵測績效比較 48
5.3.1加州法偵測績效 48
5.3.2 與加州法比較 48
5.4綜合討論 49
第六章 結論與建議 50
6.1結論 50
6.2建議 51
參考文獻 52

1. 王秀帆(2003)，「應用灰色預測於高速公路事件自動偵測之研究」，國立中央大學土木工程研究所碩士論文。
2. 王政彥(2004)，「應用自動車輛辨識技術於高速公路事件自動偵測」，國立中央大學土木工程研究所碩士論文。
3. 黃振賢(1992)，「高速公路事件自動偵測方法之研究」，國立中央大學土木工程研究所碩士論文。
4. 曾信忠(1993)，「模糊預測應用於高速公路事件自動偵測之研究」，國立中央大學土木工程研究所碩士論文。
5. 蔡秀宜(2004)，「車輛定位系統應用於高速公路電子收費系統結合商車營運系統整合系統架構建立之研究」，中華大學科技管理研究所碩士論文。
6. 蕭銓宏(2006)，「應用自動車輛辨識技術於長隧道自動事件偵測」，國立中央大學土木工程研究所碩士論文。
7. 陳怡霖(2006)，「應用基因模糊邏輯控制構建事件偵測系統」，逢甲大學交通工程與管理學系碩士班碩士論文。
8. 許敦淵(2006)，「高快速道路隧道影像事件偵測系統績效評估之研究」，中央警察大學交通管理學系碩士班碩士論文。
9. 周胤德等(2004)，「從近年國內外之重大公路長隧道事故探討隧道營運管理安全設施策略」，臺灣公路工程，第三十卷第七期，第2~13頁。
10. 高憲順(2006)，「雪山隧道之風險管理分析」，逢甲大學交通工程與管理學系碩士班碩士論文。
11. 國道公路警察局第九警察隊(2008)，「雪山長隧道重點違規取締績效暨各類交通事故統計表」。
12. 蔚台昌(2004)，「國內外智慧型運輸系統(ITS/CVO)應用在貨況追蹤之發展」，資訊工業策進會航港EDI簡訊。
13. 賴建志(2005)，「車流特性資料之累計時間長度及更新頻率對高速公路事件偵測績效之影響研究」，淡江大學運輸管理學系運輸科學碩士班碩士論文。
14. 侯鈞元(2002)，「應用羅吉特模式於市區道路事故偵測系統」，國立成功大學交通管理科學研究所碩士論文。
15. 陳家平(2003)，「引進B型路權之輕軌運輸系統對台灣道路交通之安全與績效之影響-以台南市為例」，國立成功大學都市計劃研究所碩士論文。
16. 交通部運輸研究所(2001)，「先進式微觀車流模擬器-PARAMICS模擬軟體應用台灣地區發展ITS網路之模式校估測試研究」。
17. 微觀車流模擬軟體Paramics (2000)，使用版本V5.2，英國Quadstone公司，網址：http://www.paramics-online.com。
18. 影像事件偵測系統Autoscope，網址：http://www.autoscope.com。
19. 日本的道路交通情報通信系統(VICS)，網址：http://www.vics.or.jp。

20. Bruce, H., Geoff, K., (2000), ”Automatic vehicle identification technology-based freeway incident detection ” , TRR 1727, pp.142-153.
21. Emily, P., Chi Xie, (2005), ‘‘A Complete Review of Incident Detection Algorithms & Their Deployment: What Works and What Doesn’t,’’ NETCR37, The New England Transportation Consortium.
22. JiuhBiing Sheu, (2002), ‘‘A fuzzy clustering-based approach to automatic freeway incident detection and characterization’’, Fuzzy Sets and Systems. Vol.128 , Issue 3 ,pp. 377 - 388.
23. Kun Zhang, Michael A.P. Taylor, (2006), ‘Towards universal freeway incident detection algorithms,’’ Transportation Research Part C: Emerging Technologies. Vol. 14 , pp. 68-80.
24. Kyriacos, C.M., Tom Batz, Peter Dwyer, (2000), ‘‘Evaluation of the TRANSCOM’ system for managing incidents and traffic (TRANSMIT)‘‘, IEEE Transaction on intelligent transportation systems, Vol. 1, No.1, pp.15-30.
25. Mussa, R.N., et al, (1998), ‘‘Modeling detection of incidents by drivers’’, Transportation Research Part C: Emerging Technologies. Vol. 6, Issue: 1-2,pp. 129-139 .
26. Payne, H.J., and Tignor, S.C., (1978), ‘‘Freeway incident detection algorithms based on decision trees with state‘‘, TRR 682, pp.30-37.