行政院國家科學委員會補助專題研究計畫成果報告
※※※※※※※※※※※※※※※※※※※※※※※※※
※
※
※
應用類神經網路探討肇事嚴重程度之研究
※
※
Application of Neur al Networ k Model on Accident Sever ity
※
※
※
※※※※※※※※※※※※※※※※※※※※※※※※※
計畫類別：ˇ個別型計畫
□整合型計畫
計畫編號：NSC 90－2211－E－006－075－
執行期間：90 年 08 月 01 日至 91 年 10 月 31 日
計畫主持人：林佐鼎
共同主持人：
計畫參與人員：
本成果報告包括以下應繳交之附件：
□赴國外出差或研習心得報告一份
□赴大陸地區出差或研習心得報告一份
□出席國際學術會議心得報告及發表之論文各一份
□國際合作研究計畫國外研究報告書一份
執行單位：國立成功大學交通管理科學系
中
華
民
國
92
年
01
月
31
日
行政院國家科學委員會專題研究計畫成果報告
應用類神經網路探討肇事嚴重程度之研究
Application of Neur al Networ k Model on Accident Sever ity
計畫編號：NSC 90-2211-E-006-075
執行期限：90 年 8 月 1 日至 91 年 10 月 31 日
主持人：林佐鼎 國立成功大學交通管理科學系
一、中文摘要 本研究以駕駛人之受傷程度來探討肇 事之嚴重程度，並將駕駛人的受傷程度分 為僅財物損失、受傷及死亡三類，利用類 神經網路模式來預測駕駛人發生事故之嚴 重程度，並以敏感度分析來探討各因素對 傷亡程度之影響。本研究結果發現，路口 多神經元及單神經元編碼的肇事嚴重程 度 ， 平 均 總 正 確 率 分 別 為 88.45% 及 96.26%；路段多神經元及單神經元編碼的 肇 事 嚴 重 程 度 ， 平 均 總 正 確 率 分 別 為 96.26%及 98.43%。從敏感度分析得知，不 論在路口或路段，陰雨天的死亡比例顯著 高於晴天，但僅為財損之比例則低於晴 天。乾燥的路面狀態之死亡比例低於其它 路面（潮濕路面）。在路口部分，有障礙物 （道路施工、違規停車）路口之死亡比例 大於無障礙物之死亡比例。 關鍵詞：肇事嚴重程度、類神經網路 Abstr actThe severity of the accidents is explored based on the driver’s injury severity in this study. The injury severity of the driver can be divided into three levels: property damage only, injury, and fatality. The Artificial Neural Network (ANN) model is adapted to forecast the severity of the accidents, and the sensitivity analysis is used to evaluate the influence of factors on accident severity. The empirical results showed that the accident severity predicting correct rate can achieve 94.44% for multiple neurons and
96.26% for single neuron ANN model at intersection. Meanwhile, the accident severity predicting correct rate can achieve 87.55% for multiple neurons and 98.43% for single neuron ANN model at road section. The sensitivity analysis shows that, both at intersection and road section, the proportion of death on cloudy and rainy days is higher than that on sunny days, but the proportion of property damage only on cloudy and rainy days is lower; The proportion of death in dry road surface is lower than that in others (e.g. wet) road surface. The proportion of death at intersection with roadblock (e.g. road construction, illegal parking) is higher than that at intersection without roadblock.
Key wor ds: Accident severity, Artificial Neural Network 二、緣由與目的 近年來，台灣經濟之成長，國民所得 之提高，使得國人對於汽、機車的持有率 急遽上升。導致車輛的成長大幅超過道路 的成長，除了造成道路的擁擠之外，更造 成另一項重大之社會問題便是交通事故。 交通事故所造成的財物損失與人員傷亡， 對個人、社會之衝擊甚大，輕則財物受損， 重責釀成家庭悲劇，其社會成本實難估計。 本研究鑒於以往對於肇事的研究多著 重於肇事次數、肇事率、受傷與死亡人數 和道路幾何設計、車流特性、車輛特性之 因果關係（1-3），對肇事嚴重程度分析大 都以總體的觀點，透過傳統迴歸模式來進 行研究，這樣的作法有相當之缺陷，例如
無法以個體觀點探討肇事、模式侷限在統 計假設之問題等。因此，以個體觀點所構 建之模式陸續被發展出來（4），而利用類 神經網路在運輸問題上之研究亦逐漸被廣 泛應用（5-6）。但利用此模式同時探討路 口及路段肇事嚴重程度則尚無研究。因 此，本研究即嘗試以個體觀點之類神經網 路（Artificial Neural Network，ANN）構建 都市地區路口及路段肇事嚴重程度模式， 並期望模式能反應人、車、路、環境等影 響因素與事故間之關係，進而正確的預判 肇事嚴重度，來提供管理者訂定交通改善 計畫之參考。 三、結果與結論 （一）資料之蒐集部份 本研究資料是依據台南市都市地區民 國 86 年 7 月至 87 年 12 月間之「道路交通 事故調查報告表」整理而得，有效樣本達 12214 件，其中路口的肇事資料 7668 件， 路段的肇事資料 4546 件。 資料中關於肇事事件的屬性包含發生 日期、時間、地點、死傷人數、快車道數、 速限、天候、光線、道路類別、道路形態、 事故位置、特定場所、路面狀況、道路障 礙、交通號誌、車道劃分設施、標誌、事 故類型、車輛損失(財損)；關於肇事當事人 的屬性則有性別、出生日期、行業、教育 程度、受傷嚴重程度、主要傷處、是否配 戴安全帽(帶)、是否為砂石車、當事人行動 狀態、駕駛資格情形、駕駛執照種類、駕 駛人飲酒情形、肇事因素等。 肇事的嚴重程度主要是針對肇事發生 後，道路使用者的傷害程度，本研究將其 分為死亡、受傷及僅財物損失等三個等 級。其中死亡人數共 78 人，路口有 33 人， 路段有 45 人死亡。受傷共有 5114 人，約 佔 20%，其中路口有 3379 人，路段有 1735 人。僅財物損失指肇事的發生只造成車輛 及其周邊設施損壞而無人員傷亡，在本研 究資料中約佔 80%。 （二）模式之理論架構部份 本研究採用類神經網路中的倒傳遞網 路（Back-Propagation Network，BPN）來 架構模式（7-8）。並利用貢獻圖的概念來 評選輸入變數，以比較不同變數在模式中 之預測結果。 此外，本研究也嘗試將不同的條件加 入模式中，以找出最佳的網路型態。包括 找出最佳的輸入變數、資料是否正規化、 最佳的學習參數、最佳的學習法則、最佳 的轉換函數、最佳的層數（Layer）及最佳 的處理單元數（Processing Element，PE） 等。最後，分別對倒傳遞網路模式進行敏 感度分析，以檢驗肇事因素對肇事嚴重程 度之影響程度。在類神經網路的領域中， 倒傳遞網路是屬於監督式學習網路，具有 良好的學習能力，而且學習的精確度相當 高，在處理分類、預測方面的問題具有相 當好的解釋效果，而本研究中的處理問題 方式，正是包含了分類與預測兩方面。 （三）實證研究結果部份 依類神經網路模式分析，其結果如下： 1. 本研究構建之模式在路口多神經元編 碼的肇事嚴重程度分類正確性方面，死 亡為 50％，受傷為 76.56％，未傷亡為 91.82％，平均總正確率為 88.45％；路 口單神經元編碼的肇事嚴重程度分類 正確性方面，死亡為 50％，受傷為 89.21 ％，未傷亡為 98.31％，平均總正確率 為 96.26％。 2. 路段多神經元編碼的肇事嚴重程度分 類正確性方面，死亡為 50％，受傷為 74.44％，未傷亡為 90.7％，平均總正確 率為 87.55％；路段單神經元編碼的肇 事嚴重程度分類正確性方面，死亡為 50 ％，受傷為 92.59％，未傷亡為 100％， 平均總正確率為 98.43％。 3. 依路段及路口之多神經元編碼與單神 經元編碼的分析比較，整體而言，單神 經元編碼之預測績效較多神經元編碼 為佳；就個別而言，多神經元編碼在路 口的預測績效優於路段；單神經元編碼 在路段的預測績效優於路口。 4. 從敏感度分析得知，不論路口或路段， 在陰雨天的死亡比例顯著高於晴天的
死亡比例，但僅為財損之比例則低於晴 天。其原因乃雨天視線不佳，車輛操控 程度較差，故發生肇事較為嚴重，而導 致其死亡比例較高。路口乾燥的路面狀 態之死亡比例低於其它路面（主要為潮 濕路面），但僅為財損比例則高於其它 路面。由於乾燥路面一般均出現在晴 天，故其結果與上述之原因相符。 5. 路口有障礙物（主要為道路施工、違規 停車）之死亡率大於無障礙物之死亡 率，其主要原因乃道路施工及違規停車 之路口，駕駛者對突發異常路況，未能 及時採取有效操控，導致其死亡比例較 高。 （四）建議 1. 根據實證研究發現，相關資料之蒐集與 所蒐集資料之正確性，對於本研究模式 之構健與預測之準確度有相當大的關 係。而受限於交通事故調查表是否確實 記錄，以及事故發生當時的交通量、車 流密度、車流速度與交通組成等因子， 在無法取得的條件下，對於本模式之構 健與預測準確度有相當之限制。雖然在 本研究中的速限、時段、號誌等項目已 隱含上述因子的特性，可間接表現交通 量等因子的影響，但為求能直接反映上 述因素的影響，建議未來可設法收集肇 事 相 關 之 交 通 量 與 車 流 等 特 性 之 資 料，以利進行更深入之探討。 2. 本研究之總正確率雖達到預期結果，但 是肇事資料中，當事人死亡的樣本數較 少，因此本模式對於死亡的預測能力較 差。建議後續可針對較少樣本數之對象 進行方法論之探究，以提高模式對死亡 之預測能力。 3. 理論上高維度的類神經網路其預測效 果會較低維度的效果為佳，但本研究結 果發現單神經元編碼較多神經元編碼 佳，這是因為本研究的多神經元編碼的 變數設定已經將類別項目簡化，因此建 議後續研究能嘗試將變數以較詳實之 類別項目進行更深入的比較探討，以驗 證肇事資料是否亦符合理論假設。 4. 本研究只針對肇事的當事人傷亡程度 進行探討，至於當事人所扮演的角色 （如駕駛人、乘客及行人）仍然有進一 步討論的空間，因此建議後續研究可針 對肇事當事人所扮演之角色分別建立 模式，以比較不同角色其傷亡程度之異 同。 5. 研究中對於當事人的傷亡程度只分為 三級，此種分類方式稍嫌簡略，未來可 嘗試將其等級再加以細分，使模式之解 釋效果更趨完整。 四、計畫成果自評 本計劃針對類神經網路模式的理論作 深入之了解，對分析技術與方法亦作深入 之探討。利用交通事故進行實證研究，其 效果堪稱良好，所得結果與預期結果相當 一致。相信本研究可提供運輸研究人員從 事相關研究時，作為重要之參考。同時本 研究之結果可指引出高肇事危險度之因 子，以提供決策者，作為改善都市地區交 通事故、增進交通安全之依據。 五、參考文獻
1. Miaou, S.P. & Lum, H. (1993). Modeling Vehicle Accidents and Highway Geometric Design Relationships. Accident Analysis and Prevention, 25(6), 689-709.
2. Miaou, S.P. (1994). The Relationship Between Truck Accidents and Geometric Design of Road Sections：Poisson versus Negative Binomial Regressions. Approach. Accident Analysis and Prevention, 26(4), 471-482.
3. Poch, M. & Mannering, F. (1996). Negative Binomial Analysis of Intersection- Accident Frequencies. Journal of Transportation Engineering, 12(1), 105-113.
4. Shanker, V. & Mannering, F. (1996). An Exploratory Multinomial Logit Analysis of Single-vehicle Motorcycle Accident Severity. Journal of Safety Research, 27(3), 183-194.
5. Mussone, L., Ferrari, A., & Oneta, M. (1999). An Analysis of Urban Collisions Using an Artificial Intelligence Model. Accident Analysis and Prevention, 31(6), 705-718.
6. Mussone, L., Rinelli, S., & Reitani, G. (1996). Estimating the Accident Probability of a Vehicular Flow by Means of Artificial Neural Network. Environment and Planning B：Planning ＆Design, 23(6), 667-675.
7. Nelson, M. & Illingworth, W.T. (1991). A Practical Guide to Neural Nets. Addison-Wesley.
8. Zurada, J.M. (1992). Introduction to Artificial Neural Systems. Info Access Distribution Pte Ltd., Singapore.
