TWI813971B

TWI813971B - 個人化道路風險預測系統、方法與使用者設備

Info

Publication number: TWI813971B
Application number: TW110110632A
Authority: TW
Inventors: 胡誌麟; 黃郁凱; 呂晟暐; 林昆佑; 王柏凱; 劉佩怡
Original assignee: 國立中央大學
Priority date: 2021-03-24
Filing date: 2021-03-24
Publication date: 2023-09-01
Also published as: TW202238457A

Abstract

本發明關於一種個人化道路風險預測系統，其包含：系統伺服器，其包含交通風險預測主控電腦程式產品；以及使用者設備，其係與該系統伺服器通訊連結，並提供前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件，該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此向該使用者提供至少一個人化推薦路徑。

Description

個人化道路風險預測系統、方法與使用者設備

本發明係有關於一種道路風險預測系統、方法與使用者設備，尤其是一種基於機器學習模型而預測道路風險，並考慮個人風險承受指數而預測道路風險之系統、方法與使用者設備。

台灣由於地狹人稠，人口偏好往大都會集中，造成城市交通狀況複雜，交通事故頻發，尤其近年因新興物流產業興起，如機車物流、食物外送等，更造成交通事故層出不窮，不僅造成財物損失，更時常造成人員傷亡。

以桃園市為例，根據桃園市政府的統計，桃園市於2009年因A2類交通事故，A2類交通事故指受傷或超過24小時死亡的事故，共計有15,286件，總計造成20,048人受傷，但到了2018年，事故數量增長至30,689件並造成40,595人受傷，短短十年，無論事故數量及受傷人數皆成長約一倍，足證台灣的交通安全問題日趨嚴重。

造成交通事故的因子眾多，諸如駕駛人為因子、天氣、道路狀況等，都有可能導致交通事故的發生，且這些因子通常難以預期與量化，使得交通事故的預防倍加困難，近年來除了政府單位持續修正法規及改善道路設計外，也有許多研究與發明嘗試從不同面向來解決城市交通事故問題。

舉例來說，曾有學者提出利用迴歸分析(regression analysis)模型，建立交通事故與道路壅塞的基本關係模型，並將資訊提供給駕駛人，進而避免行駛壅塞路段，也有學者提出利用車輛間(vehicle-to-vehicle,V2V)通訊，自動調節車速與車距，除了降低事故機率，也讓高速公路車流更流暢，也有使用模糊理論分析事故熱區及成因，或使用深度學習分析天氣狀況與交通事故的關係。

美國發明專利第US 8,188,887 B2號，曾揭露一組配置在車輛上的車輛監視系統，其能夠與車載電腦耦接，取得車輛之目前即時車況資料，並透過網際網路連結到中央伺服器上取得電子地圖以及行進路線上之即時路況資訊，例如路段速限等，系統還能結合車況資料以及路況資訊，而對使用者發出駕駛提示；美國發明專利公開文本第US 2016/0061625 A1號，曾揭露有關將交通事故依照地點與類型儲存在中央伺服器上，並提供給使用者即時存取，且可以依照使用者所在地點對使用者發出警示的技術。

台灣發明專利第I 702563號，曾揭露一種道路狀態即時通知方法及其系統，當使用者裝置進入某路段時，發送註冊訊息至管理伺服器，以對包含所在路段之群組進行註冊，當使用者裝置發送通知訊息至管理伺服器時，管理伺服器即能將通知訊息發送至包含使用者裝置所在路段之群組中所有註冊的使用者裝置，當使用者裝置離開路段時，發送解除註冊訊息至管理伺服器，以解除至少包含離開路段之對應群組的註冊，這樣的技術能夠快速且有效的通知車輛前方的道路突發狀況，且能即時傳送交通事件訊息給道路上所有相關的車輛。

本案發明人在台灣發明專利申請第109104727號「地圖式適應性可變範圍交通狀況偵測方法與裝置及其電腦程式產品」中，曾揭露根據使用者的位置、前進方向及移動速度動態調整事件偵測的範圍的技術，並搭配在偵測到前方有可能發生道路事件時，提高影音串流的影音品質，或觸發雲端行車記錄器啟動，並錄製較長秒數及較佳畫質，以防漏掉關鍵事故畫面，若無道路事件則可以調降影音品質以節省網路流量及耗電。

然而上述這些研究與發明，多半著重於提出新穎的理論或演算法架構，解決方案往往過於理論化與理想化，或需要執行大量的數學運算，或需要使用特定硬體設備，或建置成本過高，或準確率不佳等，導致難以在現實生活中具體化的付諸實現(reduction to practice)，且這些解決方案或發明幾乎都欠缺對於未來交通事故發生風險預測的功能。

如果能提出一套技術，是能夠在現實生活中付諸實現，可以適應性的根據駕人駛的個人化背景資訊，有效預測未來交通風險事故發生熱區、車流量或平均車速，並預測不同路線的交通事故發生風險機率，還能提前通知駕駛人，則駕駛人可以預先按照個人交通風險承受力，選定行駛符合自己風險承受力的路線，且會針對駕駛人適應性的進行個人化組態設定，或者因應可能的交通事故風險，主動放慢車速、提高警覺，更專注於周遭路況，或者繞道行駛，或採用防衛駕駛，勢必可以從整體上，有效降低交通事故發生的機率。

職是之故，有鑑於習用技術中存在的缺點，發明人經過悉心嘗試與研究，並一本鍥而不捨之精神，終構思出本案「個人化道路風險預測系統、方法與使用者設備」，能夠克服上述缺點，以下為本發明之簡要說明。

鑑於習用技術不足之處，本發明提出於自製車載應用程式中，使用政府開放資料平台所提供之道路事件與自製應用程式使用者上傳之道路事件等資料庫來源，持續利用過去的交通狀況之歷史資訊，並應用機器學習技術進行道路風險(road risk)預測下一個時間點的交通狀況，以及風險地圖的預測，再合併使用者提供的個人化資訊與機器學習所得的風險地圖，據以計算出適當的推薦路徑，以供使用者參考選擇行駛之。

本發明系統著重於對未來的事件進行預測與分析，透過過去與當前的資訊進行未來事件的預測，給予使用者更精準的道路風險承受指數，並推薦使用者風險較低的路段來行駛。

據此本發明提出一種個人化道路風險預測系統，其包含：系統伺服器，其包含交通風險預測主控電腦程式產品；以及使用者設備，其係與該系統伺服器通訊連結，並提供前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件，該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此向該使用者提供至少一個人化推薦路徑。

本發明進一步提出一種個人化道路風險預測方法，其包含：在後端的系統伺服器上安裝交通風險預測主控電腦程式產品；在使用者設備上執行前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件；該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此計算至少一個人化推薦路徑；以及透過該使用者設備向該使用者顯示該至少一個人化推薦路徑。

本發明進一步提出一種個人化道路風險預測使用者設備，其係與包含交通風險預測主控電腦程式產品的系統伺服器通訊連結，該個人化道路風險預測使用者設備包含：顯示單元；以及一處理器單元，其執行前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件，該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此產生至少個人化推薦路徑，且透過該顯示單元向該使用者顯示。

上述發明內容旨在提供本揭示內容的簡化摘要，以使讀者對本揭示內容具備基本的理解，此發明內容並非揭露本發明的完整描述，且用意並非在指出本發明實施例的重要/關鍵元件或界定本發明的範圍。

10:本發明個人化道路風險預測系統

100:使用者設備

101:處理器單元

103:通訊模組

105:儲存單元

107:顯示單元

109:前端程式

110:車載資通訊裝置

115:行動裝置

120:桌上型電腦

125:筆記型電腦

130:智慧手機

135:平板裝置

200:系統伺服器

210:交通風險預測主控程式

211:交通風險預測機器學習模型程式元件

213:影像空間特徵萃取模型

214:時間序列相依關係學習模型

250:交通風險資料庫

300:網際網路

S:起點

E:終點

A:路徑

B:路徑

C:路徑

500:本發明個人化道路風險預測方法

501~507:實施步驟

第1圖揭示本發明個人化道路風險預測系統之系統架構視圖；

第2圖揭示本發明個人化道路風險預測系統包含之遠端系統伺服器與使用者設備之硬體網路設備功能元件視圖；

第3圖揭示本發明個人化道路風險預測系統所使用之CNN模型分層架構示意圖；

第4圖揭示本發明個人化道路風險預測系統所使用之LSTM模型內部邏輯架構示意圖；

第5圖揭示本發明個人化道路風險預測系統所使用之交通風險CNN-LSTM模型多層架構示意圖；

第6圖揭示本發明個人化道路風險預測系統所使用之交通風險CNN-LSTM模型內部經過轉置層與重塑層處理前與處理後之資料排序方式示意圖；

第7圖揭示本發明交通風險CNN-LSTM模型之建置流程示意圖；

第8圖揭示本發明交通風險CNN-LSTM模型使用之輸入矩陣與輸入矩陣之矩陣行列結構示意圖；

第9圖揭示在本發明前端程式操作介面中所顯示的Google Map導航功能所給定的建議路徑示意圖；

第10圖揭示在本發明前端應用程式操作介面中所顯示的交通風險預測機器學習模型針對網格化預測範圍所計算之風險地圖示意圖；

第11圖揭示在本發明前端應用程式操作介面中所顯示的交通風險預測機器學習模型疊合Google Map建議路徑與風險地圖之示意圖；

第12圖揭示在本發明前端應用程式操作介面中所顯示的交通風險預測機器學習模型基於Google Map建議路徑與風險地圖並合併個人化風險指數後所計算之道路風險預測結果示意圖；

第13圖係揭示本發明個人化道路風險預測系統利用網頁瀏覽器做為前端程式而在網頁瀏覽器中顯示之道路風險預測結果示意圖；

第14圖係揭示本發明個人化道路風險預測系統以車載資通訊專用應用程式做為前端程式而在車載資通訊專用應用程式中顯示之道路風險預測結果示意圖；以及

第15圖揭示個人化道路風險預測方法之實施步驟流程圖。

本發明將可由以下的實施例說明而得到充分瞭解，使得熟習本技藝之人士可以據以完成之，然本發明之實施並非可由下列實施案例而被限制其實施型態；本發明之圖式並不包含對大小、尺寸與比例尺的限定，本發明實際實施時其大小、尺寸與比例尺並非可經由本發明之圖式而被限制。

本文中用語“較佳”是非排它性的，應理解成“較佳為但不限於”，任何說明書或請求項中所描述或者記載的任何步驟可按任何順序執行，而不限於請求項中所述的順序，本發明的範圍應僅由所附請求項及其均等方案確定，不應由實施方式示例的實施例確定；本文中用語“包含”及其變化出現在說明書和請求項中時，是一個開放式的用語，不具有限制性含義，並不排除其它特徵或步驟。

第1圖揭示本發明個人化道路風險預測系統之系統架構視圖；第2圖揭示本發明個人化道路風險預測系統包含之遠端系統伺服器與使用者設備之硬體網路設備功能元件視圖；本發明個人化道路風險預測系統10包含應用主從式架構(client-server model)而配置在後端(back-end)或伺服端(server end)的一部或多部系統伺服器200，以及配置在前端(front-end)、客戶端(client end)或展示層(presentation layer)的多台使用者設備(user equipment,UE)100，系統伺服器200與多部使用者設備100之間經由有線 (wired)或無線(wireless)網際網路300建立通訊連結，以建立進行雙向通訊與資料交換之上下行通訊鏈路(upload and download communication link)。

使用者設備100較佳是車載資通訊裝置(telematics device)110、行動裝置(mobile device)115、桌上型電腦120、筆記型電腦125、智慧手機130或平板裝置135等，使用者設備100至少內建彼此電連接之處理器單元101、通訊模組103、儲存單元(storage)105及顯示單元107等硬體單元，以及前端程式109的軟體單元，前端程式109是安裝在使用者設備100上並經由處理器單元101載入而執行，較佳是例如但不限於網頁瀏覽器(web browser)、應用程式(App)或微應用程式(micro App)，使用者經由操作使用者設備100上的前端程式109而操作系統伺服器200上的交通風險預測主控程式210，顯示單元107較佳是顯示器、外接顯示器、或觸控螢幕等。

系統伺服器200上安裝有交通風險預測主控程式210，交通風險預測主控程式210較佳是一隻後端邏輯執行與管理後台，主要包含交通風險預測機器學習模型程式元件211，且還包含周邊的邏輯處理程式元件、管理程式元件、介面程式元件與資料交換程式元件等，其透過安裝在使用者設備100上的前端程式做為前端操作介面，而提供給使用者登入並進行操作，系統伺服器200與交通風險資料庫250通訊連結，交通風險資料庫250可以是建置並直接儲存在系統伺服器200上，或者是另外建置並儲存在另一個與系統伺服器200分離配置但保持通訊連結的資料層或專用資料伺服器之中。

當前端程式以專用的應用程式或微應用程式的方式作為前端使用者介面提供給使用者操作時，較佳是架構在幾個主流的行動作業系統(mobile OS)下運作，例如但不限於：Palm行動作業系統、Windows行動作業系統、Android作業系統、Apple iOS、Blackberry作業系統等，尤其行動裝置的兩大主要作業系統Android系統及iOS系統，在Android系統的部分，應用程式是利用Android Studio設計編輯器而開發，遠端伺服器程式與軟體系統的部分較佳是使用例如但不限於PHP指令碼，存取關聯性資料庫MySQLDB以傳送與接收資料，MySQLDB是一個多使用者、多執行緒的SQL資料庫伺服器，可以為一個資料庫軟體作有效的編排、建檔、表格化，以便後續更有效率的查詢、整理、傳送與接收資料；在iOS裝置的部分，應用程式較佳是使用例如但不限於Xcode與UIKit基礎元件開發設計應用程式介面，利用Objective-C程式語言或Swift程式語言進行開發。

當前端程式以車載資通訊專用應用程式的方式作為前端使用者介面提供給使用者操作時，較佳是架構在幾個主流的車載資訊作業系統下運作，例如但不限於QNX Car 2.0、iOS in the Car、CarPlay、Android Auto、Windows CE Automotive等車載資訊作業系統、或其它例如但不限於PikeOS嵌入式車載資訊作業系統下運作的應用程式、或其它封閉式車載資訊作業系統下運作的應用程式。車載資通訊裝置110較佳是指搭載在車輛上，可運行車載資訊作業系統並在車載資訊作業系統上執行應用程式，且配置具智慧化人機介面(HMI)，例如語音控制、全觸控車機、圖形化汽車儀表板與手勢操控等，且具有資訊處理、運算與通訊能力的智慧裝置。

本發明提出的個人化道路風險預測系統與相關程式元件，除了將前端程式建置為專門應用程式外，還可透過外部部署(off-premises)的方式，應用軟體即服務(SaaS)或平台即服務(PaaS)雲端技術而建置，提供使用者透過在使用者設備100上執行的網頁瀏覽器作為前端程式，而直接提供給使用者操作，在使用SaaS或PaaS服務的情況下，使用者只須取得權限，就可上網存取與使用本發明之系統，使用者不需要在使用者設備100另外上安裝應用程式。對於可以執行網頁瀏覽器的車載資通訊裝置110，使用者也無須在車載資通訊裝置110上安裝應用程式。

在某實施例中，行動端較佳採用Android平台為開發基礎，後端較佳採用Node.js系統開發，結合輕量型資料傳輸框架express.js，資料庫採用開源系統MariaDB，整體系統均建置於Kubernetes雲端容器管理系統架構，並透過自動化部署、擴張及管理容器應用服務系統，達到系統負載平衡、資源分配及不中斷的服務品質。

使用者設備100內部的處理器單元101，將透過前端程式接收使用者下達的指令，並將指令透過通訊模組103傳輸給系統伺服器200上的交通風險預測主控程式210，交通風險預測主控程式210將據此執行指令，包含例如但不限於：存取(access)交通風險資料庫250，包含讀取(read)需要的資料或寫入(write)資料，並下載到客戶端的使用者設備100上，處理器單元101亦指架構較簡單的電子控制單元(ECU)或微控制器單元(MCU)等。在使用者設備100前端程式109與系統伺服器200交通風險資料庫250之間，較佳是選用例如但不限於HTTP/HTTPS通訊協定，並配合例如但不限於JSON格式進行資料交換與雙向通訊。

交通風險預測主控程式210、交通風險預測機器學習模型程式元件211、與前端程式109或其它程式元件，以及遠端伺服器程式或軟體系統，可以應用任何程式語言來編程(programming)與編譯(compiling)，例如但不限於C、C++、C#、Java、VBScript、Macromedia Cold Fusion、COBOL、微軟動態伺服器網頁、組合語言、PERL、PHP、awk、Python、Visual Basic、SQL儲存程序、PL/SQL、任何UNIX命令描述語言、及具有以資料結構、物件、程序、常式或其它程式元件之任何組合實施之各種演算法的可擴展標記語言(XML)。

本發明個人化道路風險預測系統與所包含的程式元件，係由在實體設備層中的各項硬體與在應用程式層中的應用程式/軟體平台/電腦程式產品組成，按照國際開放式系統互連通訊參考模型(OSI/RM)架構，程式元件是在OSI/RM架構第7層(應用層)上執行與運作的軟體應用服務，在第7層的軟體應用服務可自主選用第4層傳輸層中各式通訊協定、在第3層網路層形成資料封包並決定傳輸路徑、通過第2層資料連結層加上邏輯鏈路控制(LLC)與媒體存取控制(MAC)後，與位在第1層實體層上的各項裝置，例如但不限於多部使用者設備100與系統伺服器200等等，建立所需之通訊鏈路。

本發明交通風險預測機器學習模型程式元件211，較佳係由影像空間特徵萃取模型213以及時間序列相依關係學習模型214等兩個主要元件所組成，影像空間特徵萃取模型213較佳選自例如但不限於：卷積神經網路(CNN)模型、區域卷積神經網路(R-CNN)模型、快速區域卷積神經網路(Faster R-CNN)模型、深度卷積神經網路(DCNN)模型、循環神經網路(RNN)模型、卷積循環神經網路(CRNN)模型、深層循環神經網路(DRNN)模型、全卷積神經網路(FCN)模型、多列卷積神經網路(MCNN)模型、雙向神經網路(BRNN)模型或深度神經網路(DNN)模型等。

時間序列相依關係學習模型214較佳選自例如但不限於：長短期記憶模型(LSTM)、非監督式學習模型、監督式學習模型、深度學習(deep learning)模型、自編碼器(AutoEncoder)模型、類神經網路(ANN)模型、多層感知(MLP)模型、深度神經網路(DNN)模型、集成學習(ensemble learning)模型等。

在本實施例，本發明交通風險預測機器學習模型程式元件211，較佳係以由卷積神經網路(Convolution Neural Network,CNN)模型結合長短期記憶(Long Short-Term Memory,LSTM)模型組成交通風險CNN-LSTM模型為例作為演算核心說明。

第3圖揭示本發明個人化道路風險預測系統所使用之CNN模型分層架構示意圖；CNN模型具有以下幾個特點：(1)可以直接以二維矩陣作為輸入；(2)權重共享(weights sharing)以減少模型訓練參數並縮短訓練時間；(3)空間特徵萃取效果佳，在本實施例CNN模型包含如第3圖所示的卷積層(convolution layer)、池化層(pooling layer)、全連接層(fully connected layer)，其中卷積層會在輸入影像上，以固定大小的方形濾波器(kernel)由左而右、由上而下地進行卷積運算，藉此擷取輸入影像的特徵，卷積層的運算式如下所列：

其中

表示第l層的第q個特徵圖(feature map)，

為第l層的濾波器，

為偏移量(bias)，M _q為輸入特徵圖，*為卷積運算，g為激勵函數(activation function)，在本發明系統實施例，較佳是選擇使用線性整流單位(ReLU)函數做為激勵函數，具有收斂速度快、效率高等特性。

池化層在CNN中是用來減少資料量、保留重要資訊的方法，常見的池化方法如最大池化法(max pooling)、平均池化法(mean pooling)等，但池化會破壞順序關係，且由於後續需要把卷積層計算結果傳輸給LSTM層，故並不適合加入池化層，因此本發明系統使用的CNN並未加入池化層，以防時序特徵在池化過程丟失。

全連接層為一個神經網路(Neural Network,NN)層，經由激勵函數可以將二維的特徵圖轉為一維輸出結果，全連接層之運算式如下所列，其中w ^l為權重矩陣(weight matrix)，b ^l為偏移向量，g為激勵函數：

x ^l=g(w ^l x ^l-1+b ^l)

在本發明系統中特徵擷取部分，將由CNN中的卷積層擔任，除池化層為了保留時間排序特徵而剔除外，全連接層也將移動至整個模型架構的尾端做為輸出使用。

第4圖揭示本發明個人化道路風險預測系統所使用之LSTM模型內部邏輯架構示意圖；LSTM模型係透過記憶單元之運用增強長期記憶，例如增加輸入門(input gate)、忘記門(forget gate)與輸出門(output gate)之配置，讓模型自行學習資料流是否輸入、記憶與輸出，並據此篩選出重要的資料，解決遞迴神經網路(RNN)在記憶時間序列較長時，所發生之梯度消失(gradient vanishing)或梯度爆炸(gradient exploding)問題，以可有效擷取長度較長之時間序列資料的依賴關係。

LSTM模型內部之運算式如下所列：

f _t=σ(w _f[h _t-1,X _t]+b _f)

i _t=σ(w _i[h _t-1,X _t]+b _i)

o _t=σ(w _o[h _t-1,X _t]+b _o)

C _t=f _t * C _t-1+i _t * tanh(w _c[h _t-1,X _t]+b _c)

h _t=o _t * tanh(C _t)

其中f _t、i _t、o _t分別表示忘記門、輸入門及輸出門，h _t-1為前一個狀態，X _t為輸入，C _t-1及C _t分別為前一個及現在的記憶單元狀態，w _f、w _i及w _o為權重矩陣(weight matrices)，b _f、b _i及b _o為偏移量向量(bias vectors)，σ為S型函數(sigmoid function)，*為逐元素相乘運算子。

CNN-LSTM模型的目標函數則以損失函數(loss function)來定義，以將損失(loss)降到最低，且準確率盡可能提昇作為模型訓練目標，常用的損失函數如均方誤差(MSE)函數或平均絕對誤差(MAE)函數等，當採用MSE做為損失函數，因為有平方運算，對離群值(outlier)較MAE敏感，當資料含有離群值時損失會被放大，促使模型為了改善被放大的誤差而修正模型，反而降低其它項的準確率，MAE則未將離群值放大，每一個結果的權重皆相同，模型不會特別為一個離群值大幅改變模型。

本發明系統考慮損失低並不代表準確率高，且道路事件風險資料的原始資料內，容易含有離群值，考慮不希望模型過度偏向離群值，故本發明系統選用MAE做為CNN-LSTM模型之目標函數。

第5圖揭示本發明個人化道路風險預測系統所使用之交通風險CNN-LSTM模型多層架構示意圖；本發明提出結合CNN模型及LSTM模型作為主要機器學習模型，搭配轉置層(permute layer)、重塑層(reshape layer)、扁平層(flatten layer)及全連接層(dense layer)，組成本發明使用的機器學習模型，完整模型架構如第5圖所示。

第6圖揭示本發明個人化道路風險預測系統所使用之交通風險CNN-LSTM模型內部經過轉置層與重塑層處理前與處理後之資料排序方式示意圖；CNN模型可以在保留圖像位置資訊的條件下，萃取圖像即輸入矩陣之特徵，LSTM模型則保留輸入資料的時間關連性，但由於CNN模型為萃取空間特徵的神經網路，LSTM模型為分析時間序列的神經網路，兩者未經處理無法直接串接，因此本發明系統在CNN模型與LSTM模型之間加上轉置層與重塑層，將資料排序維度轉為時間排序，最後連接扁平層轉換為資料流序列，提供LSTM模型進行訓練。

為避免模型發生過度擬合(overfitting)，且為避免神經網路層數過多時，造成訓練時間及硬體運算成本快速增加，但準確率反而沒有對應的提升，本發明系統經過試誤後，將CNN模型及LSTM模型最高層數分別設在5層及3層。

第7圖揭示本發明交通風險CNN-LSTM模型之建置流程示意圖；本發明系統使用之原始資料，係由政府開放資料平台取得，包含桃園市2018年及2019年之A2類交通事故資料，A2類交通事故是指造成人員受傷或超過二十四小時死亡之事故，及從其它私人道路事件或交通地圖平台服務商取得，將所取得之原始資料經過資料前處理(data preprocessing)，轉換成CNN-LSTM模型可以處理的資料形式，資料前處理包含資料預處理、產生輸入與輸出矩陣、訓練集與驗證集之分割等步驟。

本發明系統透過以下方式進行原始資料的收集與定期更新，以政府提供的開放資料平台、或自製車載應用程式用戶回傳的道路交通資訊等資料來源，持續進行各地區的道路事件統計，自製車載應用程式將用戶回傳的資料存放在雲端資料庫中進行統計，並將政府提供的開放資料整合，本發明系統包含的爬蟲程式元件，將定期自動瀏覽與存取政府的開放資料庫，當系統偵測到政府開放資料有所更新時，將自動下載到交通風險資料庫250，並過濾出新的數據並與舊數據整合，並與交通風險資料庫250中儲存的自有數據進行整合。

在自有數據收集方面，系統經設定後會自動將用戶每次操作所產生的新數據併入模型，據此逐筆重新訓練與更新模型，或者，自動統計自製車載app用戶提供的數據到達一定的數量時，進行資料統計與預處理，採用線上訓練的架構，系統會開始訓練下一個新的模型，透過模型的驗證來確認新的模型是否準確，先將一部分使用者的模型更新來測試模型的穩定性與精確度，透過上述架構使得本發明提出的模型能夠隨時間演進與資料量的提升，進一步提升模型的可靠度與可信度，讓模型的預測結果更加貼近真實世界的情況。

資料預處理包含以下步驟：(1)刪除原始資料中不需要的欄位，例如但不限於發生地址、死亡受傷人數及車種；(2)取出指定時段例如2018年1月1日至2019年12月31日間的資料；(3)按照事故經緯度範圍依照行政區域取出事故資料；(4)改正原始資料時間格式，例如將「年、月、日」及「時、分」改正為「/」及「：」，及將民國記年改為西元記年。

第8圖揭示本發明交通風險CNN-LSTM模型使用之輸入矩陣與輸入矩陣之矩陣行列結構示意圖；資料前處理執行完畢後，接著需要建構空間輸入矩陣，在本實施例，係給定每1小時做為時間間隔(time interval)，建立每小時空間輸入矩陣，則一天有24小時故會形成24個矩陣，一年將會有8,760個矩陣，以兩年的資料為例，共需建構17,520矩陣。

接著需要給定空間間距(pitch)，以建立空間網格(grid)，並換算對應之經緯度差，例如但不限於，較佳給定間距100公尺，將地圖切為每100公尺一格，則緯、經度差分別為0.0008及0.001。以中壢市區在2018年3月2日20：00至2018年3月2日21：00為例，此時段共發生2件交通事故，分別在緯、經度為(24.96523,121.2044)、(24.93738,121.23228)，故此時段之輸入矩陣除行列值為(1,36)、(29,1)處為1外，其餘數值皆為0，輸入矩陣內每一個元素的數值代表當下時間該地區的事故因子，例如但不限於車禍事件、天氣、路寬、路種、速限、車道數等。

間距亦可給定為200公尺或50公尺，但考量間距太大使警示範圍過大，對使用者無實質意義，間距小則訓練時間及硬體消耗過多，因此為平衡模型預測的實用性與訓練成本，在本實施例較佳選擇給定間距為200公尺、100公尺與50公尺，分別產生20×20、40×40及80×80三種空間輸入矩陣，每一種間距對應不同的準確率、記憶體用量、訓練時間。

本發明系統允許使用者動態調整間距、或範圍切割，使用者可按照自身需求，或依照不同的精準度要求動態調節地圖網格切割的大小與範圍，在實際使用情境下，較大的網格切割大小可能造成模型精確度的下降，但是較小的切割大小反而會造成手機畫面地圖的雜亂，使用者可以自行設定網格切割的大小。

輸出矩陣則定義為僅用12個數對組成，每組數對代表預測發生交通事故在分時事故總數矩陣中對應的行列值，若該時段全部道路事件數量不足12件，將以0值即[0,0]補足。在本實施例將用前一週之同一時段作的資料為輸入矩陣，即168小時之前資料，預測時刻之時段的資料做為輸出矩陣產生的依據。

在資料預處理後，共產生17,520個空間輸入矩陣，將其大致按照8：2的比例，分割為訓練集(training dataset)與驗證集(validation dataset)兩個部分，驗證集亦可進一步分割為測試集(testing dataset)，訓練集將用於訓練本發明提出的交通風險CNN-LSTM模型，驗證集將用於驗證經訓練後所建立的CNN-LSTM模型是否無偏估(unbiased)。

系統在進行模型訓練時，會將處理好的資料依照時間排序，輸入為上一段時間區間y之矩陣為特徵，實際發生的道路事件結果為標記，據此進行進行訓練，例如：以7天為一個間隔(y=7days)，利用七天前發生之資料來訓練交通風險CNN-LSTM模型。

按照上述流程，將更多交通事故因子，例如但不限於：天氣、平假日、車流量等，加入空間輸入矩陣，訓練交通風險CNN-LSTM模型學習考慮更多交通事故因子，並以具有更長時間長度的交通事故因子原始資料訓練CNN-LSTM模型，以提升模型對事故預測的準確率。

本發明提出的交通風險CNN-LSTM模型，進一步與資通訊(ICT)技術相結合，透過Android或iOS的行動平台技術、平台即服務(PaaS)技術、軟體即服務(SaaS)技術，以在行動裝置上運作的前端程式的形式，例如應用程式或網頁瀏覽器，或以在車載資通訊裝置上運作的特定或封閉式前端應用程式的形式，提供給用路人操作使用，可以讓用路人提前做好應變措施，確實減少交通事故的發生率，創造更安全、健康的城市交通環境。

系統可以根據用路人的現在位置，根據即時道路資訊系統預測各種路線的風險概率，並總結為以預計抵達時間(estimated time of arrival,ETA)呈現，讓用路人可以選擇路線，系統也會將已發生道路事件及未來可能發生道路事件，推播(broadcast)給用路人即系統使用者，使用者能夠及早應變預防事故的發生，也可以觸發雲端行車記錄器錄製較長秒數，保障使用者權益。

當模型完成訓練後，模型執行過程，將使用前一段時間的資料作為輸入資料，模型會預測區域內相對應時間的車禍風險預測，例如給定y=7(天)，預測時間為3月9日下午1點，模型會用3月2日下午1點的車禍資料作為輸入資料，並輸出一個2×12的矩陣，輸出矩陣為車禍事件在前述所切割之地圖的行列值，並回傳智慧手機，手機根據回傳的行列值在相對應的格子繪製相對應的顏色，使用者可以在手機端地圖上看到經過路段的風險大小。

實際駕駛車輛時，每個駕駛人的風險承擔能力不同，以同一條導航路線對老人和年輕人之行車安全性的比較，兩者之間的危險性是不能被等同視之，老年人由於身體機能、精神狀態的退化通常擁有較低的風險承擔能力。

因此本發明系統提供使用者根據自身的狀況與條件，而客製化設定風險地圖，系統會根據使用者的個人化交通資訊進行個人風險承受度評估，而為使用者客製化設定風險地圖，系統係根據下列的個人風險承受指數公式，評估使用者的風險承受特性：

R=Wa×A+Ws×S+Wt×T+Wc×C+Wh×H+M

其中R個人風險承受指數(風險值)，為Wa為使用者年齡權重，A為使用者年齡，Ws為使用者性別權重，S為使用者性別，Wt為使用者車種權重、T為使用者車種、Wc為用路時間權重，C為用路時間、Wh為氣候條件權重，H為氣候條件等，M為更多個人化資訊，使用者可自訂更多個人化資訊。

本發明系統對於不同駕駛年齡、駕駛經歷、性別、時間、地點及操作的交通工具等不同屬性，系統會自動計算出地圖各區的風險評估值與個人風險承受指數，客製化個別使用者的風險地圖，並透過導航規劃之路徑並結合個人風險承受指數與風險地圖，計算各路徑之險評估值來推薦用路人安全或風險較低的路徑選擇。

系統實際運作時，透過評估個人風險承受指數，並將計算出來的風險值帶入風險地圖之計算過程，以提供適合使用者個人風險承受指數的路徑，並透過對車禍發生之駕駛人特徵資料進行統計、分群並利用機器學習模型來預測駕駛人之風險值。

第9圖揭示在本發明前端程式操作介面中所顯示的Google Map導航功能所給定的建議路徑示意圖；本發明之實際使用情境如下，使用者要從起點S移動到終點E，使用者在行動裝置115上啟動前端程式109，較佳是自製應用程式，本發明應用程式將先載入Google Map道路地圖，並取得Google Map導航功能所給定的建議路徑，在本實施例，Google Map導航功能共建議三條路徑A、B、C，且估計這三條路徑的ETA皆20分鐘。

第10圖揭示在本發明前端應用程式操作介面中所顯示的交通風險預測機器學習模型針對網格化預測範圍所計算之風險地圖示意圖；第11圖揭示在本發明前端應用程式操作介面中所顯示的交通風險預測機器學習模型疊合Google Map建議路徑與風險地圖之示意圖；接著本發明系統開始偵測能夠完整涵蓋三條路徑A、B、C連同起點S與終點E的合適的預測範圍，並將預測範圍網格化，並執行本發明交通風險預測機器學習模型，計算道路風險預測，並產生風險地圖並顯示在行動裝置115前端應用程式操作介面中，如第10圖所示，再與Google Map建議路徑疊合並顯示在行動裝置115前端應用程式操作介面中，如第11圖所示。

第12圖揭示在本發明前端應用程式操作介面中所顯示的交通風險預測機器學習模型基於Google Map建議路徑與風險地圖並合併個人化風險指數後所計算之道路風險預測結果示意圖；接著本發明系統根據個人風險承受指數公式，評估使用者的風險承受特性，與分別計算每條路徑A、B、C的不同風險值，並將每一條路徑的風險值具體換算為ETA，並提供給使用者參考。

在本實施例，路徑A的風險值經計算後為16，換算為時間後將影響ETA+2分，代表路徑A經風險預測後ETA調整為22分，路徑B的風險值經計算後為13，換算為時間後將影響ETA+1分，代表路徑B經風險預測後ETA調整為21分，路徑C的風險值經計算後為11，換算為時間後將影響ETA-1分，代表路徑C經風險預測後ETA調整為19分，路徑C可視為本發明系統提供的個人化推薦路徑，但使用者可自由從路徑A、B、C中選擇路徑並啟動導航。

舉例來說，路徑A的道路風險評估來自於，當遇到連續假期或是特定節日，經常遇到導航預估時間無法及時反映實際情況的狀況，導致駕駛人錯估出發或抵達時間，或是隔日要出遊時，往往無法確認何時為最佳出發時間，避開大量車潮的堵塞，因此本發明系統透過機器學習演算法，蒐集即時的路況資訊，做前瞻性的車流預測(Proactive)，並加以分析實際抵達時間的可能性區間，亦可推演車流區間時間性的預測，提供給使用者決定何時出門以避開車潮。

第13圖係揭示本發明個人化道路風險預測系統利用網頁瀏覽器做為前端程式而在網頁瀏覽器中顯示之道路風險預測結果示意圖；本發明個人化道路風險預測系統10較佳是基於軟體即服務(SaaS)與平台即服務(PaaS)雲端技術而建置，可以使用在前端展示層的使用者設備100上執行的瀏覽器做為前端程式109，而在瀏覽器上產生各種系統介面，例如但不限於第9圖到第12圖所揭示的介面提供給使用者操作，使用者在可連網的環境狀態下，在自己的使用者設備100上啟動瀏覽器，並在網址列輸入正確的統一資源定位符(URL)，即可登入系統使用。

第14圖係揭示本發明個人化道路風險預測系統以車載資通訊專用應用程式做為前端程式而在車載資通訊專用應用程式中顯示之道路風險預測結果示意圖；本發明個人化道路風險預測系統10較佳可以使用在前端展示層的車載資通訊裝置110上執行的專用應用程式做為前端程式109，而在專用應用程式上產生各種系統介面，例如但不限於第9圖到第12圖所揭示的介面提供給使用者在車內操作，使用者在可連網的環境狀態下，在自己的車載資通訊裝置110上啟動專用應用程式，即可登入系統使用。

第15圖揭示個人化道路風險預測方法之實施步驟流程圖；小結而言，本發明個人化道路風險預測方法500，較佳包含下列步驟：在後端的系統伺服器上安裝交通風險預測主控電腦程式產品(步驟501)；在使用者設備上執行前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件(步驟503)；該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此計算至少一個人化推薦路徑(步驟505)；以及透過該使用者設備向該使用者顯示該至少一個人化推薦路徑(步驟507)。

小結來說，透過機器學習演算法，從過去歷史的資料，結合使用者當下的環境，預測使用者導航所提供的路徑的風險，並根據使用者的相關資料，如使用的載具、使用者身體狀態，計算其自身可承受風險的程度，推薦適合使用者的安全路徑，系統還可以將收集到的資訊做額外的分析，如易發生事故地點的原因探討，進而針對目標地區做改善，提升全體用路人的安全性。

本發明以上各實施例彼此之間可以任意組合或者替換，從而衍生更多之實施態樣，但皆不脫本發明所欲保護之範圍，茲進一步提供更多本發明實施例如次：

實施例1：一種個人化道路風險預測系統，其包含：系統伺服器，其包含交通風險預測主控電腦程式產品；以及使用者設備，其係與該系統伺服器通訊連結，並提供前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件，該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此向該使用者提供至少一個人化推薦路徑。

實施例2：如實施例1所述之個人化道路風險預測系統，其中該交通風險預測機器學習模型程式元件還包含影像空間特徵萃取模型及時間序列相依關係學習模型，其中該影像空間特徵萃取模型係選自卷積神經網路模型、區域卷積神經網路模型、快速區域卷積神經網路模型、深度卷積神經網路模型、循環神經網路模型、卷積循環神經網路模型、深層循環神經網路模型、全卷積神經網路模型、多列卷積神經網路模型、雙向神經網路模型及深度神經網路模型等其中之一。

實施例3：如實施例2所述之個人化道路風險預測系統，其中該時間序列相依關係學習模型係選自長短期記憶模型、非監督式學習模型、監督式學習模型、深度學習模型、自編碼器模型、類神經網路模型、多層感知模型、深度神經網路模型及集成學習模型其中之一。

實施例4：如實施例1所述之個人化道路風險預測系統，其中該使用者設備係選自車載資通訊裝置、行動裝置、桌上型電腦、筆記型電腦、智慧手機及平板裝置其中之一。

實施例5：如實施例1所述之個人化道路風險預測系統，其中該前端電腦程式產品係選自應用程式、微應用程式、車載資通訊專用應用程式及網頁瀏覽器其中之一。

實施例6：如實施例1所述之個人化道路風險預測系統，其中該個人化風險指數係關聯於使用者年齡權重、使用者年齡、使用者性別權重、使用者性別、使用者車種權重、使用者車種、用路時間權重、用路時間、氣候條件權重、氣候條件及其它個人化資訊其中之一。

實施例7：一種個人化道路風險預測方法，其包含：在後端的系統伺服器上安裝交通風險預測主控電腦程式產品；在使用者設備上執行前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件；該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此計算至少一個人化推薦路徑；以及透過該使用者設備向該使用者顯示該至少一個人化推薦路徑。

實施例8：如實施例7所述之個人化道路風險預測方法，還包含以下步驟其中之一：使該系統伺服器存取一交通風險資料庫；選擇預測範圍並網格化該預測範圍；計算至少一建議路徑；計算該至少一建議路徑的預計抵達時間；根據該風險地圖與該個人化風險指數計算該至少一建議路徑的風險值，並透過該使用者設備向該使用者顯示該風險值；以及根據該風險值調整該預計抵達時間，並透過該使用者設備向該使用者顯示調整後該預計抵達時間。

實施例9：一種個人化道路風險預測使用者設備，其係與包含交通風險預測主控電腦程式產品的系統伺服器通訊連結，該個人化道路風險預測使用者設備包含：顯示單元；以及一處理器單元，其執行前端電腦程式產品供使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之交通風險預測機器學習模型程式元件，該交通風險預測機器學習模型程式元件經執行後實施風險地圖之預測及選擇性計算個人化風險指數，並據此產生至少個人化推薦路徑，且透過該顯示單元向該使用者顯示。

實施例10：如實施例9所述之個人化道路風險預測使用者設備，其中該顯示單元係選自顯示器、外接顯示器及觸控螢幕其中之一。

本發明各實施例彼此之間可以任意組合或者替換，從而衍生更多之實施態樣，但皆不脫本發明所欲保護之範圍，本發明保護範圍之界定，悉以本發明申請專利範圍所記載者為準。

500:本發明個人化道路風險預測方法

501~507:實施步驟

Claims

一種個人化道路風險預測系統，其包含：一系統伺服器，其包含一交通風險預測主控電腦程式產品；以及一使用者設備，其係與該系統伺服器通訊連結，並提供一前端電腦程式產品供一使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之一交通風險預測機器學習模型程式元件，該交通風險預測機器學習模型程式元件係基於二維空間網格交通相關事件資料訓練一影像空間特徵萃取模型以及一時間序列相依關係擬合學習模型而建置，其中該影像空間特徵萃取模型為一CNN模型及該時間序列相依關係擬合學習模型為一LSTM模型，該CNN模型透過一轉置層、一重塑層與一扁平層與該LSTM模型銜接，該交通風險預測主控電腦程式產品經執行後產生一交通風險空間預測與一交通風險時間序列預測之一預測結果，以及計算一個人化風險指數且根據該個人化風險指數調整該預測結果，並據此向該使用者提供至少一個人化推薦路徑，其中該個人化風險指數之評估係基於一使用者年齡、一使用者性別、一使用者車種、一用路時間、一駕駛經歷及其組合其中之一。
如請求項1所述之個人化道路風險預測系統，其中該使用者設備係選自一車載資通訊裝置、一行動裝置、一桌上型電腦、一筆記型電腦、一智慧手機及一平板裝置其中之一。
如請求項1所述之個人化道路風險預測系統，其中該前端電腦程式產品係選自一應用程式、一微應用程式、一車載資通訊專用應用程式及一網頁瀏覽器其中之一。
如請求項1所述之個人化道路風險預測系統，其中該個人化風險指數係關聯於一使用者年齡權重、一使用者性別權重、一使用者車種權重、一用路時間權重及一其它個人化資訊其中之一。
一種個人化道路風險預測方法，其包含：基於二維空間網格交通相關事件資料訓練一影像空間特徵萃取模型以及一時間序列相依關係擬合學習模型，其中該影像空間特徵萃取模型為一CNN模型及該時間序列相依關係擬合學習模型為一LSTM模型，該CNN模型透過一轉置層、一重塑層與一扁平層與該LSTM模型銜接；在後端的一系統伺服器上安裝包含該交通風險預測機器學習模型程式元件之一交通風險預測主控電腦程式產品；在一使用者設備上執行一前端電腦程式產品供一使用者操作，以驅動該交通風險預測主控電腦程式產品之執行；該交通風險預測主控電腦程式產品經執行後產生一交通風險空間預測與一交通風險時間序列預測之一預測結果，以及計算一個人化風險指數且根據該個人化風險指數調整該預測結果，並據此計算至少一個人化推薦路徑，其中該個人化風險指數之評估係基於一使用者年齡、一使用者性別、一使用者車種、一用路時間、一駕駛經歷及其組合其中之一；以及透過該使用者設備向該使用者顯示該至少一個人化推薦路徑。
如請求項5所述之個人化道路風險預測方法，還包含以下步驟其中之一：使該系統伺服器存取一交通風險資料庫；選擇一預測範圍並網格化該預測範圍；計算至少一建議路徑；計算該至少一建議路徑的一預計抵達時間；根據該預測結果與該個人化風險指數計算該至少一建議路徑的一風險值，並透過該使用者設備向該使用者顯示該風險值；以及根據該風險值調整該預計抵達時間，並透過該使用者設備向該使用者顯示調整後該預計抵達時間。
一種個人化道路風險預測使用者設備，其係與包含一交通風險預測主控電腦程式產品的一系統伺服器通訊連結，該個人化道路風險預測使用者設備包含：一顯示單元；以及一處理器單元，其執行一前端電腦程式產品供一使用者操作，以驅動該交通風險預測主控電腦程式產品包含的經過訓練之一交通風險預測機器學習模型程式元件，該交通風險預測機器學習模型程式元件係基於二維空間網格交通相關事件資料訓練一影像空間特徵萃取模型以及一時間序列相依關係擬合學習模型而建置，其中該影像空間特徵萃取模型為一CNN模型及該時間序列相依關係擬合學習模型為一LSTM模型，該CNN模型透過一轉置層、一重塑層與一扁平層與該LSTM模型銜接，該交通風險預測主控電腦程式產品經執行後產生一交通風險空間預測與一交通風險時間序列預測之一預測結果，以及計算一個人化風險指數且根據該個人化風險指數調整該預測結果，並據此產生至少一個人化推薦路徑，且透過該顯示單元向該使用者顯示，其中該個人化風險指數之評估係基於一使用者年齡、一使用者性別、一使用者車種、一用路時間、一駕駛經歷及其組合其中之一。
如請求項7所述之個人化道路風險預測使用者設備，其中該顯示單元係選自一顯示器、一外接顯示器及一觸控螢幕其中之一。