# 交通部歷屆比賽作品
**[歷屆比賽視覺化資料](https://freeway2024.tw/history#history)**
## 第一屆
### 冠軍
* 路權捕手(主要)：利用ETC即時的車輛通過偵測站編號，比對得出國道客運行經未經申請路段。
* 轉乘通：建立整合平台，配合車輛經過ETC的站點時間，提供使用者即時的車輛資訊以及轉乘路線選擇。
* 超時監測:結合ETC過站資料，掌握行駛時數，增加監管壓力避免超時。
### 亞軍
4G車機，提供事故位置判斷、道路雍塞判斷等功能。

### 季軍
利用SQL語法加上Google Bigquery分散式運算將260億筆數據匯入，並將資料視覺化，
探討當潮位逐漸升高時，大船進港，是否間接影響周遭交流道貨車、聯結車等車輛流量的變化。

---

## 第二屆
>僅有佳作

---

## 第三屆
### 冠軍
結合GIS地圖資料以及ETC交通資料，提供即時路況、路線規劃以及未來路況預測等功能

### 亞軍
以視覺化軟體Tableau製作分析本年度端午節交通情形，並設計可互動之行車宣導功能

### 季軍
設計出四大視覺化界面
* 駕駛E路通
使用google map&即時警廣路況資料，使民眾了解路況及塞車原因

* 天氣E路通
利用車種通行量&中央氣象局資料，統計出各類天氣造成事故的平均發生率、各類天氣發生事故的趨勢、故類天氣造成各路段事故率排名。

* 假日E路通
利用各車種平均行駛速度、旅次數量，統計出熱門節日的最佳出發時段

* 事故放大鏡
視覺化直觀呈現路況與事故的相對應關係，從而擬定解決問題的方針。

---

## [第四屆](https://www.freeway.gov.tw/Publish.aspx?cnid=193&p=11575)

### 冠軍
>一樣國道走百樣人，透過用戶使用習慣提供專屬服務

為提高用路人行車安全及服務區使用量，在盤點高速公路現況問題後，分析旅次起迄資料，運用高速公路交通資料庫及其他 open data，發展使用者、管理者及大數據運算等功能，建立Web介面提供使用者相關資訊(如車輛、服務區、塞車路段提醒及路線規劃等)。

* 現況分析圖
* 研究方法
* 系統架構

### 亞軍
>提高服務區利潤的關鍵秘密

以提高服務區營收為目的，提出「提高營運效率」、「增加留客率」及「降低營運成本」三項目標，分別以分界決定法、線性迴歸法及指數平滑法進行交通量與營業額資料分析，建議營運效率較差之服務區可藉特色發展、服務設施升級等方式來提升消費意願。

### 季軍
>國道壅塞整流器

為改善高速公路壅塞情形，希建立用路人資訊交流互動平台，以線性與羅吉斯迴歸模式進行壅塞預測，TTC 演算法進行服務區停車位及國道離峰時段容量之指派。

---

## [第五屆](https://www.freeway.gov.tw/Publish.aspx?cnid=193&p=14352)

### 冠軍(預測事故)
* 考量高速公路長期肇事率維持於 0.19~0.24件/百萬公里，該研究運用高速公路交通、全國違規、事故及氣象觀測等資料，以羅吉斯迴歸、XGBoost 及類神經網路模型(ANN)，提出可視化工具及事故預測模型之兩項核心服務。

* 比賽圖表


### 亞軍(預測事故)
* 該研究建立一套國道事故預警系統，以LightGBM 作為演算法，將高速公路之交通、違規及事故資料、選用 AUC 作為評估函數，目的為提醒高風險的駕駛人小心駕駛。

* 比賽圖表


### 季軍
* 有鑒於高速公路尚無自動偵測事故機制，以此基礎發想設計一套系統，在事故發生前透過車流變化狀況探測到危險徵兆。
1. 車流亂度：提出一個創新量化路段車流穿插之指標，研究顯示「順序變換度」、「新進車流量」、「上個五分鐘重疊」三項特徵與國道死亡車禍有顯著關係，同時車流混亂程度對行車速度與交通量亦有相當程度之影響。
2. 事故偵測與預警系統：透過 ETC、VD、雨量及車流亂度等資料，卷積式類神經網路方法進行事故預測，以國 1 三重至林口南下路段進行實證，11 筆事故中，模型成功告警其中 5 次較嚴重的事故。
3. 事故傷亡預測：將事故歷史資料以XGboost 模型檢視訓練，以 SVM 模型進行事故傷亡預測，實證結果有 77%的死亡事故能被正確預測。


---

## [第六屆](https://www.freeway.gov.tw/Publish.aspx?cnid=193&p=19372)
惟考量應用於實務上仍有精進空間，因此冠軍從缺。

### 亞軍
以 LightGBM 預測事故/事件處理時間與壅塞分布影響，開發事故與非事故壅塞預警與視覺化系統，給予用路人及管理者即時決策輔助互動系統。

* 比賽圖表

### 季軍
針對國道交通事故與散落物進行排除時間之預測，運用 Elastic Net、Random Forest、XGBoost、神經網路多重感知器(MLP)等 4種方法評估預測績效，重要發現摘述如下：
1. 不論是預測事故排除處理時間，抑或是預測散落物排除處理時間，均以 MLP+XGBoost 預測績效最好。
2. 在後續應用及推廣部分，研究資料可用於高速公路 1968App 之旅行時間預測資訊，同時建議與 1968App 之「自訂推播」功能結合，提供用路人參考。

* 比賽圖表


---

## [第七屆](https://www.freeway.gov.tw/Publish.aspx?cnid=195&p=24642)
惟考量應用於實務上仍有精進空間，因此冠軍從缺。
### 亞軍-國道複合式交管策略分析與模擬預測系統-使用 AI 機器學習及大數據架構
1. 該研究引入機器學習及大數據技術，配合適當的交管策略資料編碼並與交通資訊彙整，讓 AI 協助分析與預測不同交管策略下的交通狀況。
2. 此外，模型亦導入氣候、新冠肺炎疫情等影響路況之因子，以大數據整合歷年之交通資料，打造出一國道複合式交管策略分析與模擬預測系統，其不僅可預測連續假期間全國道各路段之起訖旅次量、旅行時間及各路段之車流量，亦可模擬在各種不同交管策略組合下，國道之車流熱力變化。
* 得獎海報圖表


### 亞軍-國道疏導措施績效分析-以國道五號為例
* 以國道五號之各路段為例，該研究找出潛在可執行之管制措施，同時建立一套可量化各管制正效益之車流分析系統，並建立一套可預測未來連續假期車流與車速的模型。


### 季軍-解決連假時段之特定路段塞車問題與未來應用-透過數據分析與人工智慧模型預測塞車問題
1. 該研究提出國5及國1竹北-新竹連續假期疏導措施的實行效果。盤點相關問題為：
(1)連假前 1 天的車流量已增加，而且車速下降，但沒有措施協助舒緩；
(2)高乘載實施時間前後車速驟降；
(3)差別費率和暫停收費效果不明顯。
2. 本案利用人工智慧模型，以歷史車速及車流資料分析未來的車速與車流，再延伸分析各項疏導措施單獨施行之車流與車速。
3. 未來建議運用監控系統並導入CarPlay 概念。

* 得獎圖表


---

## 111年競賽

>僅有佳作

---

## [112年競賽](https://www.freeway.gov.tw/Publish.aspx?cnid=195&p=33746)
惟考量應用於實務上仍有精進空間，因此冠軍從缺
### 亞軍-高速公路匝道儀控動態優化系統
1. 利用歷史資料建立預測模型，並以車輛偵測器回傳之即時車流量資料預測未來五分鐘內的高速公路主線車流量，提前對匝道儀控號誌進行自動化調整，協調匝道與主線的車流量以緩解塞車程度。
2. 以國道3號南下龍潭交流道路段為例，使用 SUMO 模擬軟體，以模擬的方式，和實際狀況比對後再做進一步的分析。顯示此系統可確實能提升高速公路主線效率並降低塞車風險，提升道路通行能力。

* 得獎海報圖表


---

### 季軍-國道收費好驚嚇，預約國道省時省錢不用怕
1. 針對國道5號建構國道收費定價最佳化設計雙層規劃模型，提出由源頭管理車流之「預約國道」策略。
2. 研究結果顯示台北往宜蘭的國道5號於連假尖峰時段，未預約用戶之收費為預約用戶的五倍，而旅行時間則多出20%。

* 得獎海報圖表


---

# 論文類
## [使用車輛偵測器和自動車輛辨識之資料預測高速公路旅行時間(2013)](https://ndltd.ncl.edu.tw/cgi-bin/gs32/gsweb.cgi/ccd=bD7moe/search?s=id=%22101NCTU5423042%22.&openfull=1&setcurrent=1#XXX)
### k-NN(p.9)
k-NN 用於交通預測上，其原理是透過歷史資料與即時資料的比較，找出最相近 k 筆歷史資料，進行交通預測的一種方法，比較的資料通常以日期、星期別等方式分群比較，因此歷史資料的周延性以及準確性，則是影響 k-NN 方法預測準確性的一大因素。

### AVI-自動車輛辨識 (p.14)
使用 AVI 進行旅行時間蒐集，必須先將非正常行駛於國道之旅行時間樣本濾除，如駕駛暫時離開國道等等因素造成。而 AVI 的辨識率大約在車流的 5 至 6成，AVI 蒐集的旅行時間樣本也能達到車流的 1 至 2 成。對於每個時階的平均旅行時間，AVI 在 95%信心水準下，8 成以上的時間誤差皆不會差過平均旅行時間的百分之十，因此使用 AVI 作為旅行時間推估，有著非常好的效果。
AVI 儀器使用影像辨識，因此在較早的凌晨時段及晚上時段光線不足，導致旅行時間樣本蒐集上效果較差，但在白天正常上下班時段，儀器若正常運作，則AVI 有相當不錯的旅行時間蒐集能力。未來里程收費時，旅行時間樣本之蒐集則較少因為光線及儀器問題，導致資料缺失的狀況，應用於旅行時間樣本蒐集能有著更顯著的效果。

### VD(Vehicle Detector)資料分析(p.40)
VD 於台灣國道高速公路上具有以下特性：
(1) 偵測器的間隔距離約 1~2 公里。
(2) 回傳頻率為 1 分鐘/次，傳回資料有大車及小車平均速度、大車及小車流量。
(3) 速度、流量資料異常或者遺漏。
本研究採用 5 分鐘平均速度。其中特性(3)可由本研究所整理的速度-時空圖發現，偵測器時常出現故障或者遺漏的情況。

對於 VD 進行異常資料，過濾機制步驟如下：
(1) 按照星期別分別計算其流量、速度、佔有率之平均數與變異數
(2) 將平均數之 3 倍標準差以外之數據刪除

VD 會出現儀器暫時故障及蒐集資料異常的情況，導致台灣佈設的 VD 蒐集車流量不守恆，難以使用密度及占有率推估旅行時間，單純使用速度資料推估則容易在尖峰時段造成旅行時間低估的現象。

---

## [利用交通速度偵測數據於高速公路塞車行為之研究(2016)](https://ndltd.ncl.edu.tw/cgi-bin/gs32/gsweb.cgi/ccd=ROo_pu/record?r1=2&h1=0#XXX)

### 車輛偵測器國內外研究彙整(p.32 ~ p.34)

## [都會區內高速公路走廊交通疏導改道策略之構建與模擬研究—以圓山與台北交流道間之高速公路走廊為例](https://https://ndltd.ncl.edu.tw/cgi-bin/gs32/gsweb.cgi/ccd=ROo_pu/record?r1=5&h1=5#XXX)
### 高速公路走廊交通疏導改道策略之運作架構(p.41)

---