雖然上述之資料融合模式在計算熵值前，先將原料資料平移，降低了車速 資料分佈位置的影響，然而在某些情況時，此種分類方式對於熵及權重的計算，
還是容易造成偏誤。
由於交通資料為一連續性的分佈，當資料位於分類邊界附近的時候，若將 此筆資料明確的分於某一類，則有失偏頗，且交通資料能收集到的樣本數通常不 多，因此每一筆交通資料對於機率函數的敏感度很大[14]，因此當車速資料集 中，且有部分資料位於分類邊界附近的時候，即使兩組資料的變異程度相差不 遠，還是有可能獲得相差很大的權重，如圖3.3、表 3.6 所示。在此偏誤範例中，
兩偵測器資料的標準差分別為 3.07 與 2.88，由於標準差的差異不大，理論上兩 者融合的權重應該不會相去甚遠，但是兩者的資料皆集中於分類B，而且在樣本 數不多的情況下，雖然兩者各分類的資料數相差甚少，卻對熵值影響很大，因此 計算出來的權重分別為0.225、0.775，如此變異程度相差不大的兩組資料，其中 一組的權重卻近八成，實為一不合理之現象。
圖3.3 分類偏誤示意圖1
表3.6 分類偏誤範例1
資料來源 Sensor 1 Sensor 2
標準差 3.07 2.88
次數 機率 次數 機率
A B C
1 26
3
0.033 0.867 0.100
0 28
2
0.000 0.933 0.067 熵 0.675 0.363
權重 0.225 0.775
或者當某一組資料的車速皆屬於同一個集合(其中一個集合的機率函數為 1) 時，則權重的計算則會變成無意義(熵值為 0)，如圖 3.3、表 3.7 所示，在此偏誤 範中，Sensor 2 的資料完全落於 B 級中，所以 Sensor 2 的不確定性為 0，權重為 無意義，如此便無法做資料融合的處理。
圖3.4 分類偏誤示意圖2
表3.7 分類偏誤範例2
資料來源 Sensor 1 Sensor 2
標準差 5.18 1.81
次數 機率 次數 機率
A B C
4 23
3
0.133 0.767 0.100
0 30
0
0.000 1.000 0.000 熵 1.014 0.000
權重 --- ---
另外，當資料的變異程度過大時，由於B 類的分組區間較小，平移後 A、C 分類的資料筆數會大於B 類，此時由於 A、C 類的機率函數提高，容易使得熵下 降，會造成變異程度大，但權重卻較高的情況，如圖 3.5、表 3.8 所示。在此偏 誤範中，Sensor 2 的標準差為 15.12，較 Sensor 1 的 9.41 高，但由於 Sensor 2 的 資料變異程度過大，使得 A、C 分類的機率函數提高，最後融合的權重反而較 Sensor 1 大。
圖3.5 分類偏誤示意圖3
表3.8 分類偏誤範例3
資料來源 Sensor 1 Sensor 2
標準差 9.41 15.12
次數 機率 次數 機率
A B C
10 9 11
0.333 0.300 0.367
11 5 14
0.367 0.167 0.467 熵 1.580 1.475
權重 0.466 0.534
由於依文獻中之分類方法會有造成偏誤的可能，因此本研究提出距離權重 法來改善上述資料分類所造成的偏誤情況。明確分類法是以0 或 1 的方式來做資 料次數的計算，而距離權重法是利用每一筆車速與相鄰兩類組中點的距離來計算 權重，以小數的方式來統計次數。首先，假設有 筆車速資料，第i筆資料的車 速為 ，分配到第 類的權重為 ，各分類的組中點為
n
Vi j Nij mj，對於第 筆資料 來
說，若 小於第1 類的組中點 ，則此筆資料在第1 類的次數為 1；若 大於第 類的組中點 ，則此筆資料在第 n 類的次數為 1；若 恰等於某一類的組中點，
則此筆資料在該類的次數為1；若 在某兩類的組中點之間，則依此車速與這兩 類的組中點的距離倒數
i Vi
Vi m1 Vi
n mn Vi
Vi 1
D−j 、Dj−+11，來計算此筆資料分配至這兩類的權重，如下 列步驟所示。
令起始值Nij =0
以上述之方法，將表 3.6、3.7、3.8 三例經修正後，如表 3.10、3.11、3.12 所示。由表3.10 可知，兩組標準差為 3.07 與 2.88 的資料，以明確分類法計算出
正後，其權重為0.559 與 0.441，不致於造成偏誤。
表3.11 修正分類偏誤範例2
四、模擬測試
本研究在上一個章節已對資料融合模式的基本架構做介紹，期望以距離權 重法來改善最佳權重法的分類機率計算方式，降低上述偏誤的影響，為了了解修 正後的結果是否有明顯的改善，因此本研究以電腦模擬的方式，假設可能產生偏 誤的情況，分別計算出距離權重法以及明確分類法的結果，加以比較，希望能評 估模式改善的效果。本章在 4.1 節說明模擬資料的產生方式，4.2 節對測試情境 的設計做一個簡單的描述，4.3 節將模擬測試的結果作分析。