尖峰時段行人行為判別模式

超越 14 1 0 15 93.33 橫移 1 8 6 15 53.33 原

始

組別 跟隨 0 1 29 30 96.67 再代

入法

預測總數 15 10 25 60 85.00 超越 14 1 0 15 93.33 橫移 1 8 6 15 53.33 原

始

組別 跟隨 0 2 28 30 93.33 交叉

驗證

法 預測總數 15 11 24 60 83.33

5.1.2 尖峰時段行人行為判別模式

一、依變數與自變數間相關分析

經由相關分析結果可知(表 5.7)，速度差異(V)、跟隨間距(S)、前方總瞬時密 度(K)、性別異同(X)對於行人行為較具有相關性存在，進一步以此四類解釋變數 進行判別分析。

表5.7 行人行為與解釋變數間相關分析表 解釋變數

相關係數 速度差異 跟隨間距 前方總瞬時密度 性別異同

Eta 0.93 0.50 0.80 -

Eta² 0.87(0.00) 0.25(0.01) 0.64(0.00) -

列聯係數 - - - 0.35(0.02)

註：( )為顯著性 二、逐步判別分析法

變數性別異同(X)為類別變數，欲進行區別分析首先必須先將變數虛擬化。

且為了避免變數間存有高度相關，本研究利用逐步判別分析法，找出有判別能力 的變數後，再利用這些有判別能力的變數進行判別分析。以逐步的方式，在每一

步驟中將評估選取最有判別能力的變數進入模式內。經逐步分析方法後，得到如 表 5.8，可知速度差異(V)、前方總瞬時密度(K)以及跟隨間距(S)三個自變數被選 入模式內。

表5.8 投入變數摘要表

投入變數 容忍度 欲刪除的F 顯著性 Wilk’s Lambda 值 速度差異 0.96 0.00 0.30

前方總瞬時密度 0.98 0.00 0.25 跟隨間距 0.96 0.00 0.15

然而，變數性別異同(X)經分析後，得知對於行人行為型態的影響並不顯著 或是與投入變數有高度相關，故予以刪除，如表5.9 所示。

表5.9 刪除變數摘要表

刪除變數 容忍度 最小容忍度 欲輸入的 F 顯著性 Wilk’s Lambda 值 性別異同 0.92 0.92 0.11 0.11

三、典型判別函數

表5.10 為速度差異(V)、跟隨間距(S)以及前方總瞬時密度(K)在行人行為型態 間之判別分析摘要表；表中第一典型判別函數(D1)以及第二典型判別函數(D2)之 p 值均小於 0.05，達顯著水準，顯示兩條判別函數皆能有效地解釋樣本在依變數 上之變異量。從標準化判別函數的標準化係數中可看出各自變項在各判別函數上 之相對重要性，係數絕對值愈大重要性愈大，本研究中兩個標準化典型判別函數 分別為：

K S

V

D₁=0.73 +0.15 −0.73 ...(式 5.6) K

S V

D₂=0.68 −0.64 +0.51 ...(式 5.7) 表5.10 典型判別函數係數表

未標準化判別函數 標準化判別函數 結構矩陣係數 判別函數

變數 D1 D2 D1 D2 D1 D2

速度差異(V) 6.65 6.23 0.73 0.68 0.68 0.62 跟隨間距(S) 0.01 -0.04 0.15 -0.64 0.22 -0.48 前方總瞬時密度(K) -1.90 1.32 -0.73 0.51 -0.64 0.53

常數 0.45 -0.87 - - - -

D1：特徵值=3.94 Wilk’s Lambda=0.12 卡方值=118.32 p=0.00 D2：特徵值=0.67 Wilk’s Lambda=0.60 卡方值=28.84 p=0.00

從標準化判別函數係數值大小可以看出，變數速度差異(V) 與前方總瞬時密

五、Fisher 判別函數

Fisher 判別係數可以用來直接判別一個觀察值，觀察值在進行分類時，將每 個觀察值代入三個類別的分類函數，以其分類函數值大小進行比較，函數值最大 12 筆樣本分類錯誤，正確判別率為(60-12)/60=80.00%。因此，不論使用何種方 法，正確判別率均達80%以上，顯示尖峰時段在具行人專用時相行人穿越道之行

人行為可由速度差異、跟隨間距、前方總瞬時密度三個判別變數達到很高的判別 率，其中判別能力又以速度差異為最高。

表5.13 分類結果表 預測組別 驗證

方法 行人行為

超越 橫移 跟隨

原始 總數

判中率 (%) 超越 13 2 0 15 86.67 橫移 2 11 2 15 73.33 原

始

組別 跟隨 0 2 28 30 93.33 再代

入法

預測總數 15 15 30 60 86.67 超越 10 5 0 15 66.67 橫移 2 11 2 15 73.33 原

始

組別 跟隨 0 3 27 30 90.00 交叉

驗證

法 預測總數 12 19 29 60 80.00