• 沒有找到結果。

中 華 大 學

N/A
N/A
Protected

Academic year: 2022

Share "中 華 大 學"

Copied!
62
0
0

加載中.... (立即查看全文)

全文

(1)

中 華 大 學 碩 士 論 文

題目:應用 AVI 技術建立長隧道事件偵測模式 之研究-以雪山隧道為例

On the Construction of an Incident Detection Algorithms for Long Tunnels Using AVI

Sensor Data

系 所 別:運輸科技與物流管理學系碩士班 學號姓名:M 0 9 5 1 4 0 1 9 葉 哲 丞

指導教授:陳 昭 華 博 士

中華民國 九十七 年 七 月

(2)

應用 應用 應用

應用 AVI 技術建立長隧道事件偵測模式之研究 技術建立長隧道事件偵測模式之研究 技術建立長隧道事件偵測模式之研究 技術建立長隧道事件偵測模式之研究 -以雪山隧道為例 以雪山隧道為例 以雪山隧道為例 以雪山隧道為例

學生:葉哲丞 指導教授:陳昭華 博士 摘

摘 摘 摘 要 要 要

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。

關鍵詞 關鍵詞 關鍵詞

關鍵詞::::事件偵測、自動車輛辨識技術(AVI)、雪山隧道、加州法、Paramics 車 流模擬軟體、信號柱

(3)

On the Construction of an Incident Detection Algorithms for Long Tunnels Using AVI Sensor Data

Student : Che-Chen Yeh Advisor : Dr. Chao-Hua Chen

Abstract

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.

keywords: Incident Detection, California algorithm, Automatic vehicle identification

(AVI), Paramics, long road tunnel, Beacon

(4)

誌 誌 誌 誌 謝 謝 謝

能在兩年順利完成碩士學業,最要感謝的莫過於就是指導教授陳昭華博士 及中華大學運管系上的各位師長,感謝陳昭華老師這兩年不管是學業或生活上,

給予學生的幫忙與關心、感謝張靖系主任對我們研究生所爭取的各種福利及關 心照顧、感謝蘇昭銘老師的兩年書報課,讓我們學習到很多上台報告與做研究 的技巧、感謝陳菀蕙老師的 SAS 資料分析、張建彥老師的先進偵測與通訊、林 祥生老師的運輸行銷等老師的課程,都使學生受益良多,還有系辦最美麗、漂 亮的助理美玲,總是很熱心的幫我們解決各種學校的大小事。並由衷感謝中央 大學的顏上堯教授與暨南大學的周榮昌教授,兩位老師於百忙之中抽空來新竹 為學生進行論文口試,並給予學生論文上很多的寶貴建議,以及坪林行控中心 呂明剛工程師,對於雪山隧道相關資料的提供、鼎漢顧問公司李維珊小姐及嘉 義大學俞紫娟同學在 Paramics 使用上的協助。

感謝碩士班 18 位同班同學,感謝兩位好鄰居億玫與玫君,當我每次為愛所 苦很憂鬱的時候,都會主動關心並給我很中肯的建議、感謝逢甲三兄弟的怡德、

秉融、秋廷,他們三人有者截然不同的個性,但相同的是都對班上同學很關心、

感謝來至苗栗頭份的嘉峻、俞寧、至穩、思余,他們四人都有者客家人肯吃苦 的精神,而這也是我正欠缺所要學習的、感謝很豪邁的小春、潔馨、奕彣,她 們三個女生的直爽個性,真的讓我很欣賞,由其是小春,真的很珍惜與妳這段 從嘉義到新竹、從學姊變同學的緣份、感謝很低調的天信、玉琳、至勳,他們 三人外表雖然低調,但其實內心都是很有想法、還要感謝蘇老師家的三位學生,

阿良的熱情、妮妮的聰明、卡妹的可愛,讓我的碩士生活變得精彩許多。

還要感謝眾多的學長姊弟妹,感謝高貴不貴的桂娟學姊花時間幫我審論文、

感謝博班的智浩學長,你 FTP 的某一區,讓我一個人孤單的時候也不寂寞、感 謝超活潑好動的阿毛學弟,雖然你曾經拿放了三個月的蛋糕給我吃,害我拉了 三天,不過我還是要感謝你願意帶我到處跑、到處玩、感謝卓家的怡安學妹,

雖然妳總是只會用某種動物來虧我,不過我還是要祝妳的「楊培安」永遠幸福、

感謝同樣來至稻江的絜矩、小萬、小寶、小 B、怡君、佑伊,有時候緣份真的 很奇妙,很開心又能在中華看到你們、還要感謝師出同門的聖文、秋宏、雅云、

柏妤、惠瑜、文菊、玉潔等學長姊及常拿澎湖名產給我的琬婷學妹,我真的想 說對你們這些學長姊弟妹說,或許我們的相處時間不多、甚至也不熟悉,但有 你們這些優秀的學長姊弟妹,我真的感到很榮幸與驕傲。

最後,我要感謝父母、阿公阿嬤的養育與照顧之恩,是你們提供我一個無 憂無慮的環境,我也才能這樣無後顧之憂的一直念書,真的非常感激。

如果說,越後面提到的人,是代表在自己心中越重要的話,那在這裡我想 要感謝某一位女孩,別忘了我曾經跟妳說過:「無論如何,一定要開心;無論如 何,我都會幫妳!」,相信有了我們彼此的祝福,我們未來一定都會很幸福!

葉哲丞 謹識於中華大學 MB21 研究室 2008 年 8 月 15 日的月圓仲夏

(5)

目 目 目 目 錄 錄 錄 錄

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 ... 14

2.4.1 事件偵測評估方式 ... 14

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

(6)

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

(7)

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

(8)

圖目錄 圖目錄 圖目錄 圖目錄

圖 1.1 研究流程圖 ... 4

圖 2.1 加州演算法流程圖 ... 10

圖 3.1 雪山隧道無事件下車流量與平均速率關係圖 ... 錯誤錯誤錯誤錯誤! 尚未定義書籤尚未定義書籤尚未定義書籤尚未定義書籤。。。。 圖 3.2 第一階段事件偵測流程圖 ... 18

圖 3.3 第二階段事件偵測流程圖 ... 20

圖 3.4 第三階段事件偵測流程圖 ... 21

圖 3.5 加州法偵測流程圖 ... 22

圖 4.1 於 Paramics 中匯入雪山隧道衛星地圖 ... 24

圖 4.2 建立交通分區與輸入車流量 ... 25

圖 4.3 偵測器車流量實際值與模擬值 MAPE ... 30

圖 4.4 Paramics 模擬事件發生圖 ... 30

圖 5.1 AVI 車輛比率對偵測率的影響 ... 43

圖 5.2AVI 車輛比率對誤報率的影響 ... 43

圖 5.3 AVI 車輛比率對平均偵測時間的影響 ... 44

圖 5.4 偵測器間距長度對偵測率的影響 ... 45

圖 5.5 偵測器間距長度對誤報率的影響 ... 45

圖 5.6 偵測器間距長度對平均偵測時間的影響 ... 46

圖 5.7 事件發生位置對偵測率的影響 ... 47

圖 5.8 偵測器累積輸出時間與偵測器間距對平均偵測時間的影響 ... 48

(9)

表目錄 表目錄 表目錄 表目錄

表 1.1 各國近年隧道重大交通事故整理 ... 2

表 1.2 各國長隧道事件管理程序歸納-以中國與台灣為例 ... 2

表 2.1 雪山隧道交控設備 ... 5

表 2.2 雪山隧道交通違規事項統計(2006/6 至 2007/10) ... 6

表 2.3 雪山隧道事件偵測主要方式 ... 6

表 2.4 中國終南山隧道事件偵測主要方式 ... 7

表 2.5 車輛定位技術特性及在隧道內的適用性 ... 8

表 2.6 短距通訊技術特性及在隧道內的適用性 ... 9

表 2.7 加州演算法各變數代表意義 ... 10

表 3.1 隧道內車流輛分類 ... 16

表 3.2 加州演算法各版本差異 ... 22

表 3.3 加州法應用於各服務水準下的門檻值與偵測績效 ... 23

表 4.1 道路幾何特性設定參數 ... 25

表 4.2 所模擬車輛其規格設定 ... 26

表 4.3 各項交通規則設定 ... 26

表 4.4 Paramics 所模擬之偵測器可提供之資料 ... 27

表 4.5 雪山隧道偵測器鋪設現況 ... 27

表 4.6 MAPE 值大小的說明 ... 29

表 4.7 各偵測器車流量驗證 MAPE 值 ... 29

表 4.8 可用測試事件整理 ... 31

表 4.9 可用測試事件詳細資訊 ... 31

表 4.10 Paramics 所模擬之偵測器可提供的資料 ... 33

表 5.1 基本情境各模擬參數設定 ... 34

表 5.2 各參數所用評估值 ... 34

表 5.3 完整敏感度分析 ... 35

表 5.4 裝有車機車輛之比率影響 ... 42

表 5.5 偵測器佈設間距對偵測績效之影響 ... 44

表 5.6 事件發生位置對偵測績效之影響 ... 46

表 5.7 偵測器累積輸出時間對平均偵測時間的影響 ... 47

表 5.8 加州法各門檻值應用於雪山隧道的事件偵測結果 ... 48

表 5.9 本研究與加州法的偵測績效 ... 48

(10)

第一章 第一章 第一章

第一章 緒論 緒論 緒論 緒論

本章節主要在回顧各國長隧道內的事故災害及隧道事件管理程序的整理,

藉此來說明事件偵測模式在事件管理中的重要性,引導出構建長隧道事件偵測 模式的動機,並說明研究目的、研究範圍與限制,以及研究內容與流程。

1.1 研究背景與動機 研究背景與動機 研究背景與動機 研究背景與動機

隨者交通土木工程的施工技術進步,近年來各國新建的隧道皆有越來越長 的趨勢,如通車於 2007 年 1 月的中國終南山隧道,其 18 公里的長度,為世界 公路隧道排名第 2,而台灣的雪山隧道於 2006 年 6 月通車後,其 12.9 公里的長 度,不但是台灣第一,也是世界排名第 5 長的公路隧道。然而長隧道內,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,甚至會使隧道主結構受到破壞,造成隧道需長時間封閉來進行維修。

各國近年發生於隧道內的嚴重交通事故整理如表 1.1,而最為嚴重的一次是 1999 年 3 月 24 日,全長 11.6 公里的法國萬寶龍隧道(Mont Blanc Tunnel),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。另外,2001 年 10 月 24 日,全長 16.9 公里的瑞士聖戈哈隧道 (St. Gotthard),發生 2 輛大貨車對撞的事故,總計造成 28 人死傷,隧道甚至因 此封閉長達 2 個月。而在台灣,2003 年 7 月 13 日於國道三號中和隧道內,則 因一輛聯結車駕駛,沒有注意到前方車流正處於壅塞情形,導致追撞至前方車 輛,造成 9 部小客車的追撞與 3 人死亡的意外。因此可知在隧道內,如無法在 第一時間或短時間內,掌握到事件的發生與地點等資訊,並執行相關交通管制 計畫的話,將會造成非常嚴重的人員及財務損失。

現行各國公路長隧道的事件管理機制如表 1.2,可歸納成(1)事件偵測、(2) 事件確認、(3)產生反應計畫、(4)事件排除等四個程序,而當中又以事件偵測(判 斷事件有無發生)與事件確認(判斷事件位置、事件種類等),最為重要且困難,

因其關係到後續救援反應計畫的擬定與事件排除的方法。目前國內隧道內的事 件偵測方法,大多是透過埋設於地上的迴圈偵測器所蒐集的車流資料,依其車 輛佔有率的變化,來判斷有無事件的發生,或是透過用路人的回報,再輔以閉 路監視器(CCTV)利用人工方式來進行確認,但現行之偵測方式,對於所需花費 的時間與判斷事件的位置,較難完全掌握與控制,常易造成後續的反應計畫時 間受到延誤,使得事故無法在第一時間內被處理,造成二次事故的發生。

伴隨著智慧型運輸系統的發展,如何應用相關先進通訊與偵測技術於長隧 道事件偵測上,如車輛辨識技術(Automatic vehicle identification, AVI)、車輛定 位系統(Vehicle Position System, VPS)等,進而提升長隧道內的事件偵測效率,

避免嚴重的隧道災害發生,已成為長隧道事件管理中的重要課題之一。因此,

本研究透過 AVI 技術中的信號柱,來收集隧道內微觀車輛的參數,配合所構建 的事件偵測演算法,並利用車流模擬軟體來模擬長隧道內車流情況,藉此評估 所研擬的事件偵測模式之績效,以構建出一套有效率的長隧道事件偵測模式。

(11)

表 1.1 各國近年隧道重大交通事故整理

日期 隧道名稱 隧道長度 事故原因 人員傷亡 2003.07.13 台灣北二高

中和隧道 827m 1 連結車車速過快

追撞 9 輛小轎車 3 死 2001.10.24 瑞士 St. Gotthard 16,918m 2 貨車對撞 28 死傷 2001.08.06 奧地利 Gleinalm 8,320m 貨車與轎車對撞 5 死 4 傷 2001.05.28 義大利 Prapontin 4,409m 1 貨車故障起火 19 人傷 1999.03.24 法國 Mont Blanc 11,600m 2 輛大貨車對撞 41 人死 資料來源:【9】

表 1.2 各國長隧道事件管理程序歸納-以中國與台灣為例 事件管理程序

總歸納

中國終南山隧道 應急預案

台灣雪山隧道 事件處理程序

(1)事件偵測 (1)預案啟動 (1)事件察覺與通報

(2)事件確認

(2)現場指揮與控制

(2)受理與確認 (3)預警與通知

(3)產生反應計畫

(4)警報系統與緊急通告

(3)通報派遣 (5)通訊

(6)事態監測

(4)人員避難及交通管制 (7)人員疏散與安置

(8)警戒與治安 (5)救援單位初步應變

(4)事件的排除

(9)醫療與衛生服務

(6)事件處置與傷患救助 (10)應急人員安全

(11)公共關係

(7)善後復原 (12)善後復原

資料來源:本研究整理

1.2 研究目的 研究目的 研究目的 研究目的

本研究主要目的是以車輛辨識技術(AVI)中的信號柱,來收集隧道內微觀車 流的參數,並配合隧道內的交通特性,如禁止變換車道、速限、最小跟車距離 等,構建出適合於長隧道內的自動事件偵測模式,以供相關單位於未來規劃公 路長隧道事件偵測系統時做參考。研究主要目的可歸納如下:

一、分析長隧道車流特性。

二、利用車流模擬軟體來來建立長隧道內的車流情況。

三、構建以車輛辨識技術(AVI)為基礎的長隧道事件偵測模式。

四、評估所構建的長隧道事件偵測模式之績效。

(12)

1.3 研究範圍與限制 研究範圍與限制 研究範圍與限制 研究範圍與限制

一 一 一

一、、、、研究範圍研究範圍研究範圍研究範圍

本研究以國道五號的雪山隧道做為研究對象(雪山隧道其餘相關資料會於 第二章 2.1 節做介紹),並模擬假設隧道內,已安裝 AVI 偵測器與一定比率的車 輛上裝有 AVI 接收器的車機(下稱 AVI 車輛),並能透過 AVI 來取得車輛的相關 微觀參數,以便構建長隧道的事件偵測模式。

二 二 二

二、、、、研究限制研究限制研究限制研究限制

因現實上人力與環境的考量,本研究所構建的事件偵測模式,無法實際於 雪山隧道內進行線上測試,故以離線測試的方式,透過車流模擬軟體來模擬長 隧道內的車流情況,來進行後續相關績效評估。

1.4 研究內容 研究內容 研究內容 研究內容

本研究內容主要先透過各國長隧道內事故災害的回顧、隧道事件管理程序 的整理,來說明事件偵測模式在事件管理中的重要性,引導出構建長隧道事件 偵測模式的動機,並說明研究目的、研究範圍與限制,以及研究內容與流程等 項目。並對雪山隧道結構設計與現行事件偵測方式加以描述,及探討各先進通 訊與偵測技術用於隧道內進行事件偵測上的適用性,並回顧各類型的事件偵測 演算法,最後則選擇評估偵測績效的指標與方法。

而本研究所研擬的偵測模式,主要是研擬於隧道內鋪設 AVI 技術中的信號 柱,且能透過信號柱獲取裝有車上單元之車輛(下稱 AVI 車)的旅行時間、速率 以及所在位置等微觀車流參數。並利用雪山隧道實際偵測器車流資料,分析隧 道內的車流特性,接者透過這些特性,選擇出適合的偵測模式,藉此來判斷事 件有無發生。最後並應用加州法的事件偵測邏輯,來進行雪山隧道的事件偵測,

用於後續的偵測績效之比較。而研究所用的車流模擬軟體則為 Paramics,模擬 所需的雪山隧道車輛偵測器資料、事件資料與相關道路特性與行車規定,則透 過國道高速公路局北區工程處坪林行控中心所蒐集而來。

接者則評估所建立的事件偵測模式之績效,所用評估指標包括偵測率、誤 報率、平均偵測時間,並探討不同的偵測器間距、AVI 車輛比率、偵測器累積 輸出時間等參數對偵測績效的影響,並與加州法的偵測績效做比較。最後在根 據本研究過程中,所遭遇到的問題與研究結果,歸納出具體之研究結論與未來 研究的建議,以提供實務上的應用或未來研究之參考。

(13)

1.5 研究流程 研究流程 研究流程 研究流程

本研究之流程如圖 1.1。

圖 1.1 研究流程圖

(14)

第二章 第二章 第二章

第二章 文獻回顧 文獻回顧 文獻回顧 文獻回顧

本章主要分成五個部分,第一部分為對雪山隧道結構設計與現行事件偵測 方式加以描述;第二部分則分別探討各先進通訊與偵測技術用於隧道內進行事 件偵測上的適用性;第三部分則回顧各類型的事件偵測演算法;第四部分用來 選擇偵測績效的評估指標與方法;第五部分則針對文獻回顧做一小結。

2.1 雪山隧道現況分析 雪山隧道現況分析 雪山隧道現況分析 雪山隧道現況分析

本節在對雪山隧道內的結構設計、交控設備與常見交通違規做探討,以利 後續用於模擬隧道車流之用,並整理現行雪山隧道內的事件偵測方式。

2.1.1 結構設計與交控設備

結構設計與交控設備結構設計與交控設備結構設計與交控設備

雪山隧道通車於 2006 年 6 月,全長約 12.9 公里,世界公路長隧道排名第 5,

為雙孔單向雙車道的高速公路隧道,其隧道之結構設計與所佈設之交通控制設 備分述如下。

一 一 一

一、、、、結構設計結構設計結構設計結構設計

雪山隧道的為雙孔單向雙車道,主隧道之間設有聯絡道作為聯繫用,並於 兩隧道中間下方有一平行導坑,供維修及緊急避難之用,其各項基本結構設計 為設計速率:80km/hr、車道數為雙向分離共四車道(單向二車道)、車道寬為 3.5m、隧道淨高為 4.6m、坡度則採單一坡度 1.225%施工,由台北往宜蘭下坡。

二 二 二

二、、、、交控設備交控設備交控設備交控設備

交控系統可主要分成「資料收集」、「資訊顯示」、「行控中心」三大部分,

其各設備佈設狀況與功能如下表 2.1。

表 2.1 雪山隧道交控設備 主要

用途 設備名稱 鋪設間距及功能

資料 收集

車輛偵測器(VD) 每 350m 一設,用於偵測交通車流狀況。

閉路電視攝影機 (CCTV)

每 175m 一設,行控中心可透過電視牆,顯示隧 道內之車流狀況。

緊急電話(ET) 每 175m 一設,用路人能與行控中心自動連線。

資訊 顯示

速限可變標誌(CSLS) 每 350m 一設,依交通狀況視需要降低速限。

資訊可變標誌(CMS) 每 1400m 一設,提供用路人隧道路況等資訊。

車道管制號誌(LCS) 每 350m 一設,設於車道上方,能顯示「可通 行」、「車道封閉」與「變換車道」等資訊。

另有特種閃光黃燈(每 350m 一設)、FM 廣播系統、號角喇叭(每 50m 一 設)、逃生指示標誌(每 100m 一設)、逃生導引燈(每 50m 一設)等。

行控 中心

行控中心主要由中央電腦、圖誌顯示系統與通訊系統所組成,用於監 控整個隧道內的行車狀況與下達各種交通控制的指令。

資料來源:【10】

(15)

2.1.2 隧道內常見違規事件

隧道內常見違規事件隧道內常見違規事件隧道內常見違規事件

依國道公路警察局第九警察隊所統計,雪山隧道至 2006 年 6 月通車至 2007 年 10 月底於隧道內的交通違規事項如表 2.2,以「未保持行車安全距離」、「超 速」與「雙白實線任意變換車道」為最常發生,這三項違規即佔了所有違規事 項的 90%以上。

表 2.2 雪山隧道交通違規事項統計(2006/6 至 2007/10)

違規事項 違規次數 百分比

未保持行車安全距離 3866 60.45%

超速 1485 23.22%

雙白實線任意變換車道 430 6.72%

未開頭燈 203 3.17%

酒後駕車 185 2.89%

其他 159 2.49%

大型車違規進入行駛 28 0.44%

行速低於限速 50 公里 24 0.38%

載運危險物品 11 0.17%

裝載不穩妥 2 0.03%

裝載貨物滲漏、飛散 2 0.03%

資料來源:【11】

2.1.3 事件偵測方式

事件偵測方式事件偵測方式事件偵測方式

雪山隧道現行的事件偵測方式,可大致分為「用路人回報」、「巡邏車回報」、

「迴圈偵測器」與「閉路監視器」這四種方式,各方式之偵測方法整理如表 2.3。

表 2.3 雪山隧道事件偵測主要方式

偵測方式 詳細偵測方法

用路人回報 用路人透過手機或隧道緊急電話,將事件回報給交控中 心。雪山隧道內每 175 公尺有一具緊急電話,並裝有洩 波電纜,全程可使用手機通話。

巡邏車回報 透過公路警察或公路管理當局的巡邏。

迴圈偵測器 透過迴圈偵測器監測出的異常車流量,來判斷有無事件 發生。雪山隧道內每 350 公尺有一具迴圈偵測器。

閉路監視器 透過交控中心的人員人工監看。雪山隧道內每 175 公尺 有一具閉路監視器。

資料來源:本研究整理

另外,於 2007 年 1 月通車的中國終南山隧道,其全長約 18 公里,為世界 公路長隧道排名第 2,其結構與雪山隧道類似,皆為雙孔單向的雙車道的高速 公路隧道,而終南山隧道則採用 Autoscope【18】影像事件偵測系統,作為其 事件偵測的主要方式(如表 2.4)。

(16)

表 2.4 中國終南山隧道事件偵測主要方式

偵測方式 詳細偵測方法

用路人回報 用路人透過手機或隧道緊急電話,將事件回報給交控中心。

巡邏車回報 透過公路警察或公路管理當局的巡邏。

Autoscope 影像 事件偵測系統

透過隧道內每 250 公尺一具的 Autoscope 影像事件偵測系 統,此系統透過影像辨識的方式,可偵測車速、流量、拋落 物、事故車等資訊。

閉路監視器 透過交控中心的人員人工監看。終南山隧道內每 125 公尺有 一具閉路監視器。

資料來源:本研究整理

2.2 先進偵測與通訊技術之應用 先進偵測與通訊技術之應用 先進偵測與通訊技術之應用 先進偵測與通訊技術之應用

本節就事件偵測上常應用到的各先進通訊與偵測技術做回顧,如車輛辨識 技術(AVI)、車輛定位系統(VPS)、短距通訊技術(DSRC)等,並對其應用於隧道 內的適用性做探討,以下就這三種技術做介紹。

2.2.1 自動車輛辨識技術

自動車輛辨識技術自動車輛辨識技術自動車輛辨識技術

車輛自動辨識技術(Automatic vehicle identification,AVI)為對行進中的車 輛,進行相關資料擷取並辨識其身分。AVI 系統又可分為直接式與電子式車牌 辨識這兩種技術,下為蔚台昌【12】對這兩類 AVI 技術的整理介紹。

一一

一一、、、、直接式車牌辨識技術直接式車牌辨識技術直接式車牌辨識技術直接式車牌辨識技術(即影像式即影像式即影像式) 即影像式

此為透過影像處理技術直接對車輛之車牌進行辨識,系統包括影像處理系 統、路側電腦系統、錄影系統與主電腦系統等。辨識程序首先為透過車輛偵測 器以測得車輛到達及離開,而當車輛駛近車輛偵測器時,則啟動監控攝影機 (CCTV)擷取車輛影像,並根據監控攝影機所擷取之車輛影像,由系統進行影像 處理,以篩選出畫面中之車牌部分,最後,根據所鎖定之車牌畫面,針對車號 逐一加以辨識,並將辨識出之車牌傳送至主電腦系統,以便進行後續作業。

二二

二二、、、、電子式車輛辨識技術電子式車輛辨識技術電子式車輛辨識技術電子式車輛辨識技術(非影像式非影像式非影像式) 非影像式

依擷取資料技術不同,分為雷射光、紅外線及無線電(微波)等三類。雷射 光系統之技術原理係利用路側之雷射掃瞄器發出雷射光,並掃瞄貼於擋風玻璃 或車旁之條碼以取得車輛資料。不過,由於雷射光系統之條碼本身易於偽造、

系統受天候影響與揚塵頗大、再加上掃瞄器必須與車輛較為靠近等不易克服之 缺點,因此目前各國大多採用無線電(微波)系統與紅外線系統。

2.2.2 車輛定位系統

車輛定位系統車輛定位系統車輛定位系統

車輛定位系統(VPS)為結合車輛自動定位技術及相關應用程式的車上單元 設備,主要在提供監控中心或駕駛人取得動態行車定位資訊,進而提供如路徑 導引、動態行車指派、緊急救援等服務。根據蔡秀宜【5】與本研究的整理結果,

本研究認為信號柱較適合於隧道內使用,詳細車輛定位技術特性及隧道內的適 用性如表 2.5。

(17)

表 2.5 車輛定位技術特性及在隧道內的適用性 技術

特性

無線電定位 (以手機為例)

衛星定位 信號柱定位 航位推估

感測與配 合設施

電波發射器,

需設立基地台

衛星接收器,無 須再設立其他 設施

電波發射器,

需設立信號柱

方向與位移 感器

精度 定位精度與站 台數及距離有 關

1.誤差能在15m 內。

2.而DGPS除使 用衛星訊號定 位外,尚接收鄰 近地面基地台 所傳送之差分 訊號進行座標 修正。

定位精度與設 置間距有關

定位精度隨 元件精密度 而定,但有累 積誤差

受遮蔽性 受遮蔽物影響 但可調整

受遮蔽物影響 受遮蔽物影響 但可調整

不受遮蔽物 影響 通訊功能 具通訊連續性 無 具通訊間歇性 無 定位特性 具定位連續性

並且適合長時 間定位

具定位連續性 並且適合長時 間定位

具定位間歇性 並且適合長時 間定位

具定位連續 性但不適合 長時間定位 服務區域 可同時與兩基

地台通訊之範 圍內

可接收衛星訊 號處

信號柱設立處 不受限制

於隧道內 的適用性

電波發射器,

需設立基地台

不適合。隧道收 不到GPS訊號。

適合。 不適合,無通 訊功能。

資料來源:【5】、本研究整理

2.2.3 短距通訊技術

短距通訊技術短距通訊技術短距通訊技術

常見的短距通訊技術(Dedicated Short Range Communication,DSRC)有以下 四種方法,而根據蔡秀宜【5】與本研究的整理結果,本研究認為以紅外線較適 合於隧道內使用,詳細短距通訊的技術特性及隧道內適用性如表 2.6。

一 一 一

一、、、、紅外線紅外線紅外線紅外線(Infrared Ray)

一般紅外線通訊方式為利用分時多工(TDMA)通訊模式於路側單元信號柱 (Beacon)與 OBU 間以約 250kbps 的通訊速率進行一對一通訊。由於其信號功率 不大,故通訊距離較短,約在 15 公尺內,必須每隔一段距離佈設信號柱,信號 柱收訊後以有線方式傳輸訊息給監控中心或相關處理系統。

(18)

二 二 二

二、、、、微波微波微波微波(Micro Wave)

利用信號柱與 OBU 進行溝通,但微波的穿透性較紅外線佳,其傳輸範圍 應用上約可達 30 公尺,故其傳輸距離較遠。傳輸速率則可達 1Mbps,目前 5.8GHz 微波系統可採用分時多工通訊模式進行一對一通訊。

三 三 三

三、、、、展頻展頻展頻展頻(Spread Spectrum Technology)

展頻通訊採用分碼多工(CDMA)通訊模式,目前 900MHz 頻道點對點傳輸 速率可達 38.4kbps;2.45G±50MHz 頻道點對點傳輸速率則可達 2Mbps,屬於中 短通訊距離(500 公尺~2 公里)之無線傳輸。一般無線電技術僅以資料本身頻寬 傳輸訊號;然而展頻技術卻不使用頻帶或頻寬,而是透過增加頻寬的方式來傳 輸資訊,並且可隨環境干擾頻率的特性機動調整,因此可降低訊號傳輸發生錯 誤的機率。

四 四 四

四、、、、藍芽藍芽藍芽藍芽(Bluetooth)

藍芽通訊可於 10~100 公尺的有效傳輸距離內,利用 2.4GH 頻帶,在行動 通訊設備(如手機、PDA 或 Notebook 等)間,進行一對一或一對多點的數位資 料無線傳輸,同時可設定加密保護,亦不受電磁波干擾,其傳輸速率最高可達 2Mbps。

表 2.6 短距通訊技術特性及在隧道內的適用性

紅外線 微波 展頻 藍芽

通訊方式 利用分時多工 通訊模式於信 號 柱 與 OBU 間,進行一對 一通訊。

利用信號柱與 OBU 進 行 溝 通,可採用分 時多工通訊模 式進行一對一 通訊。

採用分碼多工 (CDMA) 通 訊 模式。

在行動通訊設 備 ( 如 手 機 或 NB 等)間進行 一對一、一對 多的數位資料 無線傳輸。

傳輸距離 15m 內 可達 30m 500m~2km 10~100m 傳輸速率 約 250kbps 可達 1Mbps 可達 38.4kbps 可達 2Mbps 於隧道內

的適用性

適合 不適合。因隧 道 為 密 閉 空 間,易產生折 射 , 造 成 誤 差。【8】

不 適 合 隧 道 內,需有基地 台之設置。

適合

資料來源:【5】、本研究整理

2.3 事件偵測系統相關文獻 事件偵測系統相關文獻 事件偵測系統相關文獻 事件偵測系統相關文獻

本節將回顧各事件偵測系統與演算法文獻,並參考許敦淵【8】的分類方式,

將事件偵測系統分成以道路為基礎(Roadway-Based system)、以探針車為基礎 (Probe-Based system)、以駕駛者為基礎(Driver-based system)這三種類型。

(19)

2.3.1 以道路為基礎

以道路為基礎以道路為基礎以道路為基礎

以道路為基礎的事件偵測演算法發展至今總類繁多,且後續研究混合方法 的利用與新方法的出現,使事件偵測演算法的分類更複雜。本研究主要將事件 偵測演算法分成(一)型態識別法、(二)預測法、(三)人工智慧法、(四)其他等四 類。

一 一 一

一、、、、型態識別法型態識別法型態識別法型態識別法(Pattern recognition type)

此類型演算法主要是利用偵測器所偵測到交通參數,例如佔有率、流量與 密度等,再與過去有事件狀況下所校估出之門檻值做比較,用以判斷是否有事 件發生。

(1)加州演算法(California algorithm)

最早由 Payne【26】所提出,其偵測邏輯是透過相鄰兩個上、下游偵測 器的占有率與同一偵測器前、後時段佔有率的差異,作為判斷事件發生與否 的依據。此演算法是以二元決策樹為基本架構,包含了一系列的決策點,而 決策點由門檻值或特徵值所組成。其演算流程分為三階段如圖 2.1,圖中各變 數代表的意義如表 2.7。

資料來源:【2】

圖 2.1 加州演算法流程圖 表 2.7 加州演算法各變數代表意義

資料來源:【3】

(20)

(2)貝氏演算法(Bayesian algorithm)

Kun【23】為事件偵測建造一個資料庫,儲存與管理常發生的交通事 故資料,再透過貝式定理與事件資料庫的配對,運算出事件發生或擁擠程度 之機率,如運算出之機率大於門檻值,則代表有事件發生。其結果顯示,因 其偵測的門檻敏感低,偵測的誤報率也較低,競爭力與移轉性也好於早期常 用的類神經網路偵測法。

二 二 二

二、、、、預測法預測法預測法預測法

此類型演算法主要是利用最近時段之交通特性資料進行預測,根據該預測 值及實際觀測值進行比較,兩者間之差異度即為判斷事件發生與否之標準。

(1)卡門濾波演算法(Kalman filtering)

黃振賢【3】利用卡門濾波法、加州演算法(TSC7)與雙指數平滑法,這三 種演算法進行高速公路事件偵測績效的比較。研究結果以加州演算法(TSC7) 與卡門濾波法為最佳,當中又以卡門濾波法因有隨機動態的特性,較適合用 於高速公路上的交通量預測,而雙指數平滑法易在事件持續期間內重複宣告,

造成其誤報率提高。

(2)灰色預測演算法

王秀帆【1】以灰色預測和假設檢定的方法建立一套事件偵測演算法,來 判斷有無事件發生,並以實例測試灰色預測於事件偵測的績效。演算法的偵 測邏輯為:根據最近幾個時段的佔有率進行預測,並比較該預測值與實際觀 測值的差異,以兩者之間的差異程度為判斷事件發生與否的標準。整個演算 法的架構包括灰色預測模式和門檻值界定兩大部分。其研究結果依 Lewis 對

MAPE 值之分類,可知利用灰色預測模式之預測結果,屬於「優良之預測」。

三 三 三

三、、、、人工智慧法人工智慧法人工智慧法人工智慧法(Artificial intelligence type) (1)模糊理論

Sheu【22】以模糊理論中的模糊分群法(fuzzy clustering),來對偵測器 所蒐集到的車流量資料做分群,並探討其空間與時間的關聯性,達到構建公 路事件自動偵測(AID) 與分類的模式。模糊分群能允許分群結果,有程度上 的區別,非傳統二分法,故能更精準的判斷車流量與事件的關係,達到即時 自動偵測事件的目的。研究採離線方式以國道一號之車流量做為測試,其模 式可提供阻塞的車道數、事件開始與結束的時間與事件所在位置等資訊。

曾信忠【4】利用模糊理論發展了兩套偵測演算法,一為型態識別(Pattern Recognition);另一為系統識別(Identification of a Fuzzy System),並與倒傳遞 類神經網路偵測演算法與 TSC7 法做比較。 研究發現型態識別或模糊演算法 的偵測率,都較 TSC7 法為高,類神經網路演算法雖也有不錯的偵測率,但 需要較多學習時間,不符合即時性。

(2)類神經網路演算法(Artificial neural networks,ANN)

陳怡霖【7】利用基因模糊邏輯控制(GFLC),構建一高速公路之事件 自動偵測模式。透過上、下游偵測器或同一偵測器前、後時段所測得之交通

(21)

資訊差作為區別,共歸納出 9 組變數組合,再利用 GFLC 構建了 4 個事件 偵測模式,分別是流量模式、速度模式、佔有率模式及整合模式。其中,流 量模式僅考慮上下游偵測器及同一偵測器之流量變數;速度模式則僅考慮其 速度變數;佔有率模式則僅考慮其佔有率變數;整合模式則同時考慮不同偵 測器下之流量、速度及佔有率等三種變數。並再進一步構建主成份模式,利 用主成份分析法能將 9 個變數經線性組合轉換成 3 個主成份,能有效解決 GFLC 之狀態變數最多三個之限制。研究結果顯示主成份模式的偵測績效最 好。

四 四 四

四、、、、其他方法其他方法其他方法其他方法 (1)影像識別法

Autoscope System【18】主要是利用即時攝影機畫面,能描述車流狀況並 提供路上交通資訊,如流量、速度、佔有率等事件偵測之基礎參數,可搭配 其他演算法用以偵測事件之發生與否,而目前中國的終南山隧道也是利用 Autoscope,來做為事件偵測的方式之一。

(2)聲音識別法

陳怡霖【7】的文獻整理中,提到 Naoaki(1999)發展出一套以聲音為 媒介之自動化事故偵測法。該偵測器能夠藉由聲音處理技術,自動辨別不尋 常之聲音,再將此聲音發生前後之音頻圖傳送至交通控制中心。這些圖形可 以用來分析事故發生,而偵測器主要功能即是能夠從其他聲音中辨別出事故 引起之聲音。

2.3.2 以探針車為基礎

以探針車為基礎以探針車為基礎以探針車為基礎

此類事件偵測方式,通常為利用車上單元(On-Board Unit, OBU),透過無線 通訊技術來傳遞車輛資料及行車動態等資訊給予路側單元(Roadside Unit, RSU),

並結合一套演算法則,來判定是否有事件之發生。

蕭銓宏【6】透過模擬於隧道出入口架設影像式 AVI,藉以獲取事件偵測演 算法所需之車流參數。並將流量區分為低、中、高流量三種流量狀態,再利用 三種交通微觀參數時間間距、車流順序及車道作為演算法的輸入變數,最後再 以連續偵測異常車輛狀態及統計分配配適判定事件發生與否。其研究結果顯示 其模式具有高偵測率、偵測時間短的優異表現,在誤報率方面也屬可接受的表 現。

王政彥【2】透過利用自動車輛辨識技術來獲得交通參數資料,並利用所獲 得的交通參數旅行時間及平均速率,結合統計方法中的統計分配配適與無母數 檢定,來判斷是否否有事件發生。其結果顯示其模式具高偵測率、低誤報率的 表現,在平均偵測時間方面也屬可接受的表現。

Bruce【20】提出了三種以 AVI 技術為基礎的自動事件偵測演算法,分別 為信賴限度(Confidence limit)演算法、速率暨信賴限度(Speed& confidence limit) 演算法以及雙信賴限度(Dual confidence limit)演算法,其利用模擬的方法收集旅 行時間的資料,以作為測試演算法用。而其所提出的信賴限度演算法的原理是

(22)

利用個別 AVI 車輛之旅行時間平均數及變異數,與信賴區間之上界及預設之門 檻值進行比較,來判斷事件發生與否。速率暨信賴限度演算法的原理大致與信 賴區間演算法相同,但再加入了下游路段速率的輔助來判斷事件發生與否。而 雙信賴限度演算法的原理也是大致與信賴限度演算法相同,但加入了第二種門 檻值進行判斷,以減少誤判的情形發生。最後將三種演算法的績效與 McMaster 自動事件偵測演算法的績效作比較,得出以 AVI 技術為基礎的事件偵測演算法 與線圈偵測器為基礎的事件偵測演算法的績效是類似的。

Kyriacos【23】則對 TRANSMIT 在事件偵測以及交通參數推估能力上作評 估測試。TRANSMIT 事件偵測演算法的邏輯是採用機率分配的原理來估計某一 時段中,車輛在路段上的期望旅行時間。在自由車流、無事件發生的交通狀態 下,車輛路段旅行時間假設為常態分配,當大量的車輛無法在期望時間內到達 下游路側接收器時,則該路段發生事件的機率會增加。同時,當這些車輛無法 通過下游路側接收器時,不確定的警告將會減少。頻繁的車輛延滯警訊,造成 事件可能發生狀態的信賴區間增加,進而啟動警告系統。其研究結果發現 TRAMSMIT 事件偵測演算法的績效與文獻上的自動事件偵測演算法相去不遠,

尤其在誤報率方面遠較文獻上的自動事件偵測演算法佳。

Emily【21】的文獻回顧中,提到 1999 年美國紐約州與紐澤西州,透過 EZ-Pass 電子收費系統來進行事件偵測,其邏輯為車輛通過電子收費系統,來 取得車輛速率資料,藉此計算旅行時間是否有異常,有異常則代表有事件發生。

日本的道路交通情報通信系統(VICS)【19】,為一套能透過無線電波信號柱、

紅外線信號柱與調頻副載波廣播(FM)等三種管道,提供交通資訊給車輛駕駛者 參考利用,只要車輛上裝設有導航車載機,即可免費接收 VICS 中心所提供之 即時道路交通資訊。而藉由這些信號柱,即能獲取道路上車流等資訊,並將這 些資訊傳回給交控中心做應用處理。

2.3.3 以駕駛者為基礎

以駕駛者為基礎以駕駛者為基礎以駕駛者為基礎

此非事件自動偵測,而是透過用路人利用手機與其他通訊設備的回報。研 究發現,隨通訊技術的快速發展,用路人回報在事件可信度方面,反倒會勝過 電腦的演算結果(Emily【21】)。

Mussa【25】透過正於公路上行駛之駕駛者,研究當其發現前方有事故發 生時,會利用手機、路肩的通訊號誌等,將事件回報給公路管理當局的機率。

研究結果顯示只要 20%的駕駛者願意回報,其偵測率就可達 80%以上。且當事 件越提早被駕駛者看見,其偵測績效越好。

(23)

2.4 事件偵測績效之評估 事件偵測績效之評估 事件偵測績效之評估 事件偵測績效之評估

2.4.1 事件偵測評估方式

事件偵測評估方式事件偵測評估方式事件偵測評估方式

一般偵測績效之評估方式,可分為線上測試(On-line)與離線(Off-line)測試,

以下為兩者之差異。

一 一 一

一、、、、線上測試線上測試線上測試線上測試

為將演算法應用於實際道路的即時事故偵測,測試結果會受到許多變異狀 況的干擾,如資料傳輸損失、偵測器故障等因素影響偵測績效,但唯有演算法 真正應用於線上測試,才能證實其真正的績效狀況。

二 二 二

二、、、、離線測試離線測試離線測試離線測試

利用已經整理好的歷史資料或模擬資料進行測試,由於資料內容已事先獲 知,故較容易掌握測試的運作狀況,測試結果公信力較線上測試差。一般研究 單位除非可以與公路單位合作進行線上測試,否則都是以模擬軟體進行離線測 試為主,本研究亦是採離線測試。

2.4.2 事件偵測績效指標

事件偵測績效指標事件偵測績效指標事件偵測績效指標

為評估本研究所建立的事件偵測模式之績效與適用性,必須藉助一些績效 指標來評估,目前廣泛用來評估事件偵測演算法之績效指標有三種,分別為:

偵測率(detection rate, DR)、誤報率(false-alarm rate, FAR)與平均偵知時間(mean time for detection, MTD)三項指標。

一 一 一

一、、、、偵測率偵測率偵測率偵測率(DR)

偵測率為演算法正確判斷事件發生的次數與實際事件發生次數的比值,並 換算為百分比的關係。偵測率數學表達方式,如 2-1 式所示:

偵測率=正確判斷事件發生次數 / 事件真實發生次數×100% (2-1 式) 二

二 二

二、、、、誤報率誤報率誤報率誤報率(FAR)

誤報的定義為事件沒有發生,但演算法判定有事件發生的情形。而誤報率 可分為線上(On-line)誤報率以及離線(Off-line)誤報率兩種。線上誤報率又稱為 啟動誤報的比例(Probability of triggering false alarms)為演算法發生誤報次數與 演算法偵測事件發生總數的百分比,如 2-2 式所示。而離線誤報率為演算法發 生誤報的次數佔所有偵測樣本數的百分比,如 2-3 式所示。

線上誤報率 = 發生誤報的次數 / 判斷事件發生次數 ×100% (2-2 式) 離線誤報率 = 發生誤報的次數 / 偵測樣本數×100% (2-3 式) 三

三 三

三、、、、平均偵測時間平均偵測時間平均偵測時間平均偵測時間(MTD)

偵測時間指演算法判斷事件發生的時間與事件真實發生的時間差,所以平 均偵測時間即「所有被偵測到的事件所花費的總時間」除以「被偵測到的事件 的總數」。

(24)

2.5 小結 小結 小結 小結

由文獻中可發現,透過 AVI 技術或微觀車流參數的事件偵測方法中,旅行 時間是否正常,常被做為事件發生的判斷依據之一,其簡單原理為當事件發生 時,事件上游的車輛速率會下降或停滯,造成旅行時間的增加,而高於無事件 發生時的旅行時間。

而根據 Bruce【20】的研究結果,其發現旅行時間加上事件區間的速率檢 定來用於事件偵測上,會較單純只用旅行時間的績效還來得好,且能降低誤報 率,而王政彥【2】也認同 Bruce【20】的觀點,在其事件偵測模式上,不僅考 量事件區建,還加上了事件上、下游區間的平均速率的檢定。因此本研究的偵 測模式,納入旅行時間再加上區間平均速率是否有異常,來進行事件判斷。

(25)

第三章 第三章 第三章

第三章 事件偵測模式之建立 事件偵測模式之建立 事件偵測模式之建立 事件偵測模式之建立

本章節主要在說明所研擬的事件偵測模式邏輯與建立方法,本研究的事件 偵測模式主要是研擬於隧道內鋪設 AVI 技術中的信號柱,並能透過信號柱獲取 裝有車上單元(OBU)車輛的旅行時間、速率以及所在位置等微觀車流參數。因 此,首先透過偵測器車流資料,分析隧道內的車流特性,接者透過這些特性,

選擇出適合的偵測模式,藉此來判斷事件有無發生。而另應用加州法的事件偵 測邏輯來進行雪山隧道的事件偵測,已用於後續的績效之比較。

3.1 雪山隧道車流特性 雪山隧道車流特性 雪山隧道車流特性 雪山隧道車流特性

3.1.1 分析方法

分析方法分析方法分析方法

本研究透過雪山隧道偵測器資料,找出無事件下車流量與平均速率的資料 (約 1 萬筆),繪製如圖 3.1 的 XY 散佈圖,觀察車流量與速率之關係,並做為隧 道內高、中與低車流量分群的依據。

由圖 3.1 可很明顯看出,當每小時車流量低於 1500 輛,平均速率皆能穩定 的維持在 60 以上,但當每小時車流量高於 1500 輛後,平均速率會很明顯的開 始下降,呈現不穩定。另外,也可發現當低車流量時,可發現平均速率是能維 持在所規定的最低速限上(50 k/hr),因此在此低流量的情境下,車速如低於最 低速限應為不合理情況,其可能代表有事件發生或駕駛的個人因素所造成。

3.1.2 車流量分類

車流量分類車流量分類車流量分類

而在不同車流量下,對事件偵測的績效影響很大,因此,透過圖 3.1 的結 果,本研究將依隧道內車流量的大小,分成如表 3.1 所示每小時 1500 輛以上為 高流量;每小時 700~1500 輛為中流量;每小時低於 700 輛則為低流量這三種 情況。

表 3.1 隧道內車流輛分類

流量種類 流量大小(V/H)

高流量 高於 1500

中流量 700~1500

低流量 低於 700

(26)

圖 3.1 雪山隧道無事件下車流量與平均速率關係圖

(27)

3.2 事件偵測邏輯之研擬 事件偵測邏輯之研擬 事件偵測邏輯之研擬 事件偵測邏輯之研擬

本研究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發生的判斷;第三階段則對事件可能所在的區間與上、

下游兩區間做平均速率差異平均速率,來判斷事件是否發生。

3.2.1 車流量與車速的關係

車流量與車速的關係車流量與車速的關係車流量與車速的關係

本偵測模式的第一階段邏輯為,當車流量越大則車速會降低,因此當車流 量低時,車速如果也過低則為不合理情況,可能代表有事件發生或駕駛的個人 因素所造成,而也由 3.1 節的結論,當為低流量時,車速是能維持在最低速限上。

而車流量則分類成每小時 1500 輛以上為高流量、每小時 700~1500 輛為中 流量、每小時低於 700 輛則為低流量這三種情況,其運作方式則為透過雪山隧 道的迴圈偵測器,所蒐集每小時車流量做為判斷依據。但因為長隧道距離長的 特性,隧道內的每一區可能會有不同車流量的出現,未避免模式的誤判,因此 本模式中的車流量判斷運作方式,是以 AVI 車所在位置上游最近的迴圈偵測器,

其之前 15 分鐘所蒐集的車流量,來估計每小時車流量。

因此,第一階段的偵測邏輯如圖 3.2,為先將車流量分成「低車流量」與「中 高車流量」兩類,如在低車流量下又低於最低速限,則表有事件發生,但未必 免駕駛的個人行為所造成及誤報率的提升,因此,在此區間需連續有兩輛此情 境的車輛,才能判定為有事件。而如為低車流量下但能維持在最低速限上,以 及中高車流量時則進入第二階段的判定。

圖 3.2 第一階段事件偵測流程圖

(28)

3.2.2 旅行時間的檢定

旅行時間的檢定旅行時間的檢定旅行時間的檢定

本研究的偵測模式第二階段邏輯為旅行時間的檢定,因在相關透過 AVI 技 術或微觀車流參數的事件偵測方法中,旅行時間是否正常,常被做為事件發生 的判斷依據之一,其原理為當事件發生時,事件上游的車輛速率會下降或停滯,

造成旅行時間的增加,而高於無事件發生時的旅行時間。

在旅行時間的檢定方面,通常為利用歷史資料與統計方法,來找出無事件 與事件下的旅行時間區間分配,並建立門檻值,做為判定事件發生的依據。本 研究則認為因隧道內禁止變換車道的關係,隧道車流會較一般公路單純,且當 隧道內發生事件時,不論當時車流量大小與事件嚴重性,後方車輛勢必無法像 一般公路能自由變換車道,而更容易造成車流回堵情況。

因此,在此環境下,隧道所需要的事件偵測模式應能更簡化,故本研究研 擬的判斷旅行時間是否異常之方法為,首先透過信號柱獲取 AVI 車輛瞬間通過 的車速,而根據此 AVI 車輛的車速以及兩信號柱的區間長度,即可用來推估 AVI 車輛行駛至下個信號柱的旅行時間,如 3-1 式所示:

Time  = Interval  / (Speed ) (3-1 式)

其中:Time  為估計 AVI 車輛行駛此區間的旅行時間(秒) Interval  為相鄰兩信號柱間距,n 為間距長度(m) Speed  為信號柱獲得的 AVI 車輛瞬間速度(km/hr)

而 AVI 車輛實際行駛此區間的旅行時間,則如 3-2 式所示:

Time  = Time  - Time  (3-2 式)

其中:Time  為 AVI 車輛實際行駛此區間的旅行時間(秒) Time  為 AVI 車輛行駛至下游信號柱的時間點 Time  為 AVI 車輛行駛至上游信號柱的時間點

但考慮車速不可能長時間定速及避免誤報率的提升,因此給予所預測的旅 行時間值予以提高,因此,以上游所獲得的瞬時速度減 5(k/h)後,再來推估所預 測的旅行時間,故旅行時間預測值則如 3-3 式。

Time  = Interval  / (Speed  5) (3-3 式)

不過未避免事件發生後,此區間內的車輛已經開始回堵,AVI 車輛無法順 利通過此區間,造成無從得知實際旅行時間來比較及偵測時間會過長,因此如 AVI 車輛在預測的時間內,皆沒出現的話,模式直接認定其可能有事件發生,

並進入第三階段的偵測邏輯。總結本研究第二階段的偵測決策邏輯如圖 3.3,即 當 AVI 車輛實際行駛此區間的旅行時間(Time ),大於所估計行駛的旅行時間 (Time  )時,即Time > Time  ,代表可能有事件發生,進入第三階段;

如 AVI 車輛實際行駛此區間的旅行時間(Time ),小於所估計行駛的旅行時間 (Time  )時,即Time   Time  ,則表示無事件發生。

(29)

第二階段

旅行時間檢定

實際值>

預測值

第三階段

是 實際值:AVI車實際旅

行此區間的時間

預測值:以上游速率 減5來推估旅行時間

無事件

圖 3.3 第二階段事件偵測流程圖

3.2.3 平均速率檢定

平均速率檢定平均速率檢定平均速率檢定

第三階段則為偵測間速率區間的平均速率檢定,其基本邏輯為當事件發生 時,事件所在的區間,車輛會呈現壅塞,造成速率會降低,而事件下游的區間,

則會因車流的減少,車輛行駛更順暢,所以行車速率會較事件區間還要高。而 根據 Bruce【20】的研究結果,其發現旅行時間加上事件區間的速率檢定用於事 件偵測上,會較單純只用旅行時間的績效還來得好,且能降低誤報率,而王政 彥【2】也認同 Bruce【20】的觀點,在其事件偵測模式上,不僅考量事件區間,

還加上了事件上下游區間的平均速率的檢定。

但實際上,事件發生位置是不知道的,因此 AVI 車所偵測到的區間不一定 就是事件所在區間,事件也有可能是發生在 AVI 車所在區間的下游區間,其原 因為當發生事件後,車輛會開始回堵,而如果此事件區間都沒有 AVI 車,則無 法就偵測到事件,需等到事件上游區間開始出現 AVI 車時,才能偵測到。因此,

如單純檢定「事件可能區間與下游區間」或「事件可能區間的上、下游區間」, 皆會有誤報的可能在。而本模式所謂的平均速率區間,則透過隧道內已鋪設的 每 350m 一設的迴圈偵測器來構成,所需的平均速率則是計算所有車輛(即 AVI 車與非 AVI 車)通過此區間的平均速率來得知,並做為模式所用。

總結本研究第三階段的偵測決策邏輯如圖 3.4,其邏輯為首先檢定 AVI 車所 在區間的平均速率是否小於下游區間平均速率(即Speed  < Speed ),是的 話則表事件發生;如為否,則再檢定 AVI 車所在區間的上游區間平均速率是否 大於 AVI 車所在區間的下游區間平均速率(即Speed   > Speed ),如為是 則表有事件發生,如為否則表無事件。

其中:Speed  為 AVI 車所在區間的平均速率(k/h) Speed   為 AVI 車所在區間的上游區間平均速率(k/h) Speed  為 AVI 車所在區間的下游區間平均速率(k/h)

(30)

圖 3.4 第三階段事件偵測流程圖

3.3 加州演算法的邏輯與應用 加州演算法的邏輯與應用 加州演算法的邏輯與應用 加州演算法的邏輯與應用

加州演算法是由美國加州運輸部門於 1973 年所發展出的事件偵測演算法,

一般簡稱為加州法,其特色在於僅需使用佔有率,也就是固定時間內車輛通過 偵測器上空的時間總合比率,即可進行事件偵測。加州法的簡單偵測邏輯為,

當事件發生時,事件上游的佔有率會增加,而下游的佔有率則會減少,因此當 上、下游佔有率超過所設定的門檻值時,即代表可能有事件發生。而也因為加 州法只需佔有率一個參數且偵測邏輯簡單,偵測率尚可(約 40%~60%),因此常 被管理當局實際應用於公路事件偵測上,也常被做為後續新發展的事件偵測演 算法之績效比較基準或模式改良基礎。

3.3.1 選擇最適的加州演算法版本

選擇最適的加州演算法版本選擇最適的加州演算法版本選擇最適的加州演算法版本

加州演算法至今共衍生出了十代的版本,每個版本所使用的變數略有不同,

其差異如表 3.2。而 Emily【21】則指出加州法各版本中,以加州法 7(TSC7)及 加州法 8(TSC8)的偵測績效最好,黃振賢【3】則認為 TSC7 與 TSC8 兩者偵測 率差不多,但 TSC8 模式法較複雜,需使用到 5 個變數,而 TSC7 只需三個變數,

另外曾信忠【4】與賴建志【13】則都使用 TSC7 來做為與其他事件偵測模式的 偵測績效比較。因此,本研究選擇 TSC7 來做為事件偵測的模式之一,而 TSC7 的偵測邏輯如圖 3.5。

(31)

表 3.2 加州演算法各版本差異

版本

OC

C DO

CC

OCC

DF

OCC

RDF DO

CC

TD

差異

原版本 基本加州演算法

TSC2

加入“事件持續”狀態之基本加州演算法

TSC3

與 2 同,但無 DOCCTD 確認

TSC4

與 2 同,但以 DOCC 取代 DOCCTD

TSC5

加入“事件持續”測試之基本加州演算法

TSC6

與 3 同,加入“事件持續”測試

TSC7

與 4 同,加入“事件持續”測試

TSC8

與 4 同,加入“壓縮波測試”及“事件持續”測試

TSC9

與 4 同,加入“壓縮波測試”

TSC10

OCCTDF、SPDTDF

用於中等及低流量時之事件偵測

註:OCCTDF 表 OCC(i,t-2)-OCC(i,t),表示同一偵測站之佔有率的時間差。

SPDTDF 表路段上游之流量除以佔有率。

資料來源:【13】

資料來源:【13】

圖 3.5 加州法偵測流程圖

(32)

3.3.2 擬定初始門檻值

擬定初始門檻值擬定初始門檻值擬定初始門檻值

TSC7 所需的三個門檻值,則引用賴建志【13】的研究(如表 3.3),以 OCCDF=5、

OCCRDF=0.25 與 DOCC=20,做為本研究的初始門檻值,並於後續再透過偵測 率與誤報率的比較,來找出最適本研究的門檻值。

表 3.3 加州法應用於各服務水準下的門檻值與偵測績效

服務水準 資料類型 OCCDF OCCRDF DOCC 偵測率 誤報率

A 級服務水準 40-40 5 0.25 13~20 0.3871 0.2617

B 級服務水準 40-40 5 0.25 18~20 0.7216 0.2567

C 級服務水準 20-20 5 0.25 20 0.8556 0.3675

D 級服務水準 20-20 6 0.25 20 0.7122 0.1483

E 級服務水準 20-20 5~6 0.25 20 0.4144 0.0642

F 級服務水準 20-20 5 0.25 20 0.5256 0.1733

資料來源:【13】

(33)

第四章 第四章 第四章

第四章 事件偵測模式測試平台 事件偵測模式測試平台 事件偵測模式測試平台 事件偵測模式測試平台

本章節主要在利用車流模擬軟體來構建出雪山隧道的車流情況,並模擬迴 圈偵測器、信號柱與事件發生等功能與情境,藉此獲得相關車流參數,做為後 續偵測績效評估之利用。而本研究所需的車流模擬軟體,為使用英國 Quadstone 公司所研發的 Paramics,其版本為 V5.2【17】。

4.1 模擬路網之構建 模擬路網之構建 模擬路網之構建 模擬路網之構建

4.1.1 基礎路網之構建

基礎路網之構建基礎路網之構建基礎路網之構建

Paramics 的路網構建可藉由道路的空照、衛星等電子地圖的匯入(Overlay) 來輔助建置,其支援的圖型格式包括 jpg、bmp 以及 dxf 檔,而一般為使路網更 加真實,會先將地圖透過 AutoCAD 等圖形軟體處理,將地圖上的道路線形擷取 並轉成 dxf 檔後,即可匯入 Paramics 中的構建模式(Modeller)來做後續處理。而 本研究所需的雪山隧道電子地圖(如圖 4.1),則透過 Google Earth 的衛星地圖來 取得。

當地圖匯入後,則利用構建模式(Modeller)中,位於 Edit -> Network 下的節 點(Node)與節線(Link)兩功能,開始建置細部道路線形。節點為用來表示 交叉路口、圓環、匝道、鄰近路口之路標、中央分隔島、號誌以及槽化等設施;

路段為用來表示市區平面道路、公車專用道、禁止變換車道、左右轉專用道、

單行道、高速公路等基本路段。

圖 4.1 於 Paramics 中匯入雪山隧道衛星地圖

(34)

4.1.2 道路幾何之設定

道路幾何之設定道路幾何之設定道路幾何之設定

此部分在設定雪山隧道的道路幾何特性,包括道路長度、車道數、車道寬、

坡度等資料,大部分的道路幾何特性設定位在 Edit->Categories 下,本研究之設 定值以及設定方法如下表 4.1,而相關雪山隧道幾何特性資料,則透過交通部台 灣區國道新建工程局網站的查詢得知。

表 4.1 道路幾何特性設定參數

參數 於 Paramics 中的設定方法 道路長度:約 13km 需配合 Tool->Grid 的比例格來建置 車道數:單向二車道

車道寬:3.5 m

坡度:1.255% (採單一坡度施工,由台 北往宜蘭下坡)

4.1.3 建立旅次矩陣表

建立旅次矩陣表建立旅次矩陣表建立旅次矩陣表 O-D 一一

一一、、、、交通分區交通分區交通分區交通分區(((Zone)( ))的建置)的建置的建置 的建置

交通分區為車輛的起點與迄點,一般建議交通分區之構建必須涵蓋路段面 積 50%以上,否則路網模擬時,將會造成輸出結果的偏差。本研究的交通分區 設定在隧道兩端的洞口(如圖 4.2),共有兩個交通分區。

圖 4.2 建立交通分區與輸入車流量 二二

二二、、、、輸入輸入輸入輸入 O-D 旅次矩陣表旅次矩陣表旅次矩陣表旅次矩陣表

建立完分區後,即可輸入旅次需求資料,在 Paramics 中的旅次需求資料,

是以 O-D 旅次矩陣表的方式來表達,並可透過 profile file 來設定車輛釋放的間 隔時間與釋放比率。而本研究所需的旅次資料,則藉由坪林行控中心所提供的 雪山隧道車輛偵測器來推估。

參考文獻

相關文件

[r]

Keywords: Balanced Scorecard, Construction Industry, Performance, SWOT Analysis, Five-forces Analysis... 誌

By comparing and analyzing the advantages and disadvantages of using the FRP molded panels and hard PS insulation material on roof insulation and waterproof with the

To explore and improve accuracy of the existing biaxial rectangular robot, the research uses two linear scales to measure the positioning errors of the two axes.. After that,

This research attempts to establishment the whole valuation mode that cures of a stream, providing a valid and complete valuation method, with understand the engineering whole

Keywords: Ecotourism, Smangus Tribe, “Tnunan Smangus” a cooperative system, 5 Force Analysis, value chain analysis, SWOT analysis, TOWS Matrix.1. 誌 謝

℃黏度試驗方法(草案)」兩種試驗方法進行,其中的回收法與美國 ASTM D5404-03 (Standard Practice for Recovery of Asphalt from Solution Using the

IEEE Photon. Hirooka,” Nonlinear effects in quasi-linear dispersion-managed pulse transmission,” IEEE Photon. Menyuk,” Dynamics of the chirped return-to- zero modulation format”,