新竹地區

為了分析不同情景下的駕駛行為特性，本研究選定新竹市區路段作為影片拍攝的觀 察地點，分別於尖、離峰時段拍攝車流影片資料，作為主要比較車流行為於不同情景下 之分析對象。

就道路幾何型態方面，新竹地區的道路較狹小，市區道路大多以路幅較窄的二、三 線道車道為主，號誌時制部分相較於台北地區單純；另外在車流特性的部分，不同於台 北地區大眾交通運輸系統發達且普及性高，新竹地區駕駛人多偏好以自用小汽車及機車 為主要代步工具，鮮少使用大眾運輸作為主要之運具選擇且公車車流比例偏低。

值得注意的是，相較於台北地區道路高樓林立，新竹地區的路段較難以尋找足以提 供拍攝車流影片高度之制高點，且研究所拍攝的路段長度需適合作為車輛移動行為之分 析，因此需選擇約十層樓高度作拍攝。另外，新竹地區部分重要道路常有汽、機車分流 之設置，然而此部分道路路段不屬於本研究探討範圍，因此不適宜作為本研究拍攝車流 影片使用。為此，基於影片拍攝之可行性、路段長度及車流資料量考量，本研究選定於 新竹市中華路二段作為車流影片拍攝路段(圖 3.4-1、圖 3.4-2) 。

圖 3.4-1 新竹市影片拍攝地點之地理位置圖

影片拍攝地點

24

圖 3.4-2 新竹地區車流影片拍攝地點：新竹市中華路二段

此段拍攝路段長度約 130 公尺，為兩線道車道，其車流影片之攝影可直接使用單一 攝影機拍攝完整路段，且由路旁高樓拍攝角度能清楚觀察該路段上下游路口車輛轉向關 係。另外中華路上亦有公車經過，此路段平行火車行駛路線，向下游路段行駛便會到達 新竹火車站。此地點拍攝方式為攝影機與路段平行，因此畫面之車輛移動為由上而下的 移動方式呈現，因此於使用車流軌跡程式收集影片資料時，須採用點擊車頭中點的位置 來進行資料庫建置。

本研究分別於為研究車流於不同情景下之行為模式，涵蓋上午尖峰(07:33 – 08:13) 及離峰時段(11:13 – 11:53)各 40 分鐘之影片時間。另外，特別需要注意的是此段路段之 影片畫面左方為加油站，以至於車輛會產生向左強制變換車道並進入加油站之情況。針 對此特殊情形於分析時由於強制型變換車道不屬於本研究的探討範圍，因此於資料建立 模式時需允以篩選，以免造成分析變換車道車流行為時之誤差。

1. 尖峰時段車流

新竹尖峰時段未經篩選前之原始車流資料有 1477 台車輛，總計共 15844 筆車輛資 料，詳細統計情況如下表。相較於台北地區資料而言，機車占總車輛數約 60%，資料筆 數也約為 60%，顯示相較於台北地區，新竹地區駕駛人偏好於機動性較高的機車作為主 要運具選擇。另外小汽車部分(含計程車)則約占資料總比數 39%，共 571 輛；公車則與 小巴士占總資料筆數約 1%，顯示大眾運輸於新竹地區之班次及使用頻率相較於台北地 區均偏低。

25

26

27

表 3.4-6 車輛車道變換資料量統計(新竹離峰)

車種 編號

向右偏移 向左偏移 直行 資料量總數

資料筆數 車輛數 資料筆數 車輛數 資料筆數 直行 車輛數

純粹直行

車輛數 資料筆數 車輛數 機車 2 441(6.6%) 136 212(3.2%) 96 5979(90.2%) 499 313 6632 499

小汽車 3 156(2.8%) 53 73(1.3%) 35 5302(95.9%) 474 403 5531 474

計程車 7 9(4%) 2 5(2.2%) 2 211(93.8%) 19 15 225 19

小巴士 4 0(0%) 0 0(0%) 0 0(0%) 0 0 0 0

公車 5 3(2.5%) 2 5(4.3%) 2 110(93.2%) 9 6 118 9

總量 609 193 295 135 11602 1001 737 12506 1001

3.5 小結

欲建構微觀車流模式及分析相關行為須以實地收集車流資料作為分析基礎，而以往 收集車流及判斷車輛向左或向右變換車道多以人工方式處理，難免於過程中產生誤判、

資料收集不完整及可取得資料量偏低的缺失。因此，本研究運用(Lee et al., 2008)所開發 之車流軌跡讀取程式，透過直接讀取影片檔案並採用人工點擊車流軌跡之方式完整記錄 影片內所有車輛行駛軌跡，能有效獲得大量的實際車流資料，藉以建立車流資料庫。最 後再配合撰寫簡單的程式及判斷規則擷取相關解釋變數，並辨別車輛左右偏向車道行為，

作為小汽車建立變換車道模式之基礎。

而本研究之目的為分析車輛於不同情景下之微觀車流行為模式，因此分別採用於交 通技術研發與人才培育規劃研究案內收集之台北市路段影片，以作為建立主要小汽車變 換車道模式基礎。為了解車輛於不停情景下之行為，本研究另外於新竹市區挑選中華路 二段分別拍攝尖峰、離峰時段之車流影片，運用同樣的資料收集方式建立車流資料庫，

作為主要分析不同情景下車流行為的對象，期望可找出適用於不同道路情景下之參數及 模型。

28