應用人工智慧之基因規劃法開發肇事鑑定責任系統dspace.lib.fcu.edu.tw/bitstream/2377/28943/3/d958116798101.pdf ·...

應用人工智慧之基因規劃法開發肇事鑑定責任系統

作者：李旻錡、蕭兆棟、李佳容

系級：運輸科技與管理學系四年級

學號：D9581167、D9540335、D9581255

開課老師：葉名山

課程名稱：專題研究

開課系所：運輸科技與管理學系

開課學年： 98 學年度第一學期


1 逢甲大學學生報告 ePaper(2009 年)

中文摘要

本系統利用電腦技術結合人工智慧方法建立一套兩車事故碰撞之鑑定決策

支援系統。該系統可依據鑑定案例之屬性值，自動輸出判定肇事責任之資訊，便

於鑑定委員進行鑑定作業時之參考，藉以提升肇事鑑定之效率。並針對鑑定會及

覆議會兩組織鑑定責任一致兩車碰撞之汽車對汽車，計有 2207 筆資料，利用文獻回顧分析挑選影響責任鑑定之變數，再進行卡方檢定篩選顯著影響變數，並運

用基因規劃法分析方法之模式分別以其資料 70%進行模式訓練及 30%加以驗證，並獲得 53.41%之驗證判中率，最後開發成事故鑑定專家系統。最後透過 Visual Basic2005 之程式語言進行介面撰寫，提供使用者於友善界面下點選變數選項，並輸出預測結果，以及輔以輸出整體資料庫相關類型之百分比，做為使用者於事

故鑑定參考之用。

關鍵字：肇事責任鑑定、基因規劃法、人工智慧



目次

一、緒論........................................................................................................................3 1.1 研究動機.........................................................................................................3 1.2 研究範圍.........................................................................................................3 1.3 研究問題與目的.............................................................................................3 1.4 研究流程.........................................................................................................4

二、國內肇事鑑定制度................................................................................................6 2.1 國內肇事鑑定制度現況分析..........................................................................6 2.2 研究方法文獻評析.........................................................................................7

三、研究方法................................................................................................................9 3.1 基因規劃法.....................................................................................................9 3.2 方法及概念...................................................................................................10 3.3 處理流程....................................................................................................... 11

四、資料來源與變數..................................................................................................15 4.1 資料來源.......................................................................................................15

4.1.1 道路優先權.........................................................................................15 4.1.2 變數選取............................................................................................17

4.2 選取變數資料統計.......................................................................................18 五、模式建立與驗證..................................................................................................21

5.1 資料變數卡方檢定.......................................................................................21 5.2 基因規劃法模式...........................................................................................22 5.3 模式訓練及驗證...........................................................................................23 5.4 模式檢討.......................................................................................................25

六、建檔及鑑定系統..................................................................................................26 6.1 建檔系統.......................................................................................................26 6.2 肇事責任鑑定系統功能...............................................................................31 6.3 肇事責任鑑定系統操作方法.......................................................................32 6.4 未來肇事判別軟體開發導向........................................................................36

七、結論與建議..........................................................................................................38 參考文獻......................................................................................................................39



一、緒論

1.1 研究動機

近年來，臺灣地區肇事案件呈現增長且仍無減緩之趨勢，交通事故所導致之

死亡人數，仍為國內人民死亡原因排名之前三名，加上國人日益重視對於自身相

關權益之保護，與道路交通事故發生後肇事責任判定對於兩造後續之民事賠償與

保險理賠等息息相關，因而申請肇事案件數日益遽增。目前我國肇事鑑定制度以

全省各地區車輛行車事故鑑定委員會（簡稱車鑑會）先行審理，倘若兩造雙方對

於鑑定結果有疑議時，則提請車輛行車事故覆議委員會（簡稱覆議會）再行覆議。

每年車鑑會所需審議的案件約千餘件事故，且每件案件的審理都是各委員耗費心

力經過不斷的討論所得到的結果，但每筆案件隨著法院案件的審理完畢也跟著結

束其效用，若能將這些資料拿來加以分析處理，建構一完善的資料庫，並藉由這

些資料採用人工智慧之基因規劃法歸納出鑑定責任並加以預測及分析提供各委

員參考，便能有效的減輕各車鑑會的委員在審視案件時的負擔，若需要以往案件

的參考時也不需要一筆一筆去翻閱紀錄，另一方面，也可以提供一般民眾對於自

身權益維護時的一項參考，透過此決策支援模式得到肇責判定的參考。

1.2 研究範圍

以兩車事故汽車碰撞汽車為主，透過覆議會以及地鑑會之肇事資料，由逢甲大學車鑑中心建檔，建立起一個肇事資料庫。再利用基因歸劃法(Genetic Programming, GP）希望電腦在未獲得詳細程式指令的狀況下透過運算，搜尋目標最佳化的肇事責任判定結果。並且導入 Visual Basic 2005 程式語言(Object Oriented)設計使用者操作介面以及顯示事故位置示意圖，本研究採用資料為覆議會肇事事故鑑定資料，以汽車碰撞汽車為基礎，共計有 2207 筆。

1.3 研究問題與目的

本系統以兩車事故為主，透過覆議會以及地鑑會之肇事資料，由逢甲大學車

輛行車事故鑑定系統中心建檔，建立一個肇事資料庫，再利用基因規劃法預測分

析肇事責任判定結果。往後再經由 Visual Basic 2005 程式語言設計開發使用者操作介面併納入分析過後的結果，以人性化的介面輸出結果供使用者作為事故鑑定

時參考的依據，期望能達成下列項目。



(1) 廣泛的蒐集相關文獻，透過文獻的回顧以得知相關研究所得到的結果及其所造成的影響。

(2) 經由建立肇事鑑定資料的過程，增加對於肇事鑑定實務的概念，以增進電腦建檔的正確性。

(3) 利用基因規劃法運用電腦能在未獲得詳細程式指令之情形下創造最佳解，歸納出鑑定責任並加以預測及分析，以增加鑑定結果之公正性、

客觀性與準確性，以減少人為因素的影響，並提高鑑定之效率，供肇事鑑

定人員做為參考依據。

(4) 將以基因規劃法所分析過後的結果結合其他方法應用到本研究上。

(5) 正確判斷肇事責任之歸屬，使案件建檔有效率，並加快建檔速度且防止人為輸入錯誤。

(6) 未來應用到實務上時，透果簡易的操作介面，並提供一套完整的操作說明，將本系統推廣至鑑定會、各保險公司以及當事者之參考使用。

1.4 研究流程

本研究流程圖如下圖 1 所示，並將研究步驟分別概述如下所示：

(1) 界定系統主題及範圍：將詳細界定本研究之動機、目的、問題與範圍，不使本研究脫離設定之主題。

(2) 文獻回顧彙整與分析：藉由回顧文獻得以彙整重要資訊，共主要包含肇事鑑定制度現況分析探討、人智慧應用於肇事方面之應用、及事故責任鑑定決策

支援模式等三大部分之文獻。

(3) 事故影響因子之探討：本研究蒐集之因子為道路交通事故調查表之表(一)及表(二)內容，並增建事故現場圖所提供之相關資訊，除藉由文獻回顧彙整外，亦將變數進行卡方檢定，以進一步取得顯著變數。

(4) 資料蒐集整理與統計：資料來源為各地區鑑定會及覆議會資料，經由建檔人員將資料以建檔研究輸入電腦後，加以統整，供後續預測分析用。

(5) 基因規劃法預測分析：應用基因規劃法分析事故資料庫，並分成三種不同碰撞類型(汽車撞汽車、機車撞機車、汽車撞機車)加以預測分析，並驗證其模式之判中率。

(6) 事故鑑定系統之建立：將前述之資料庫及基因規劃法分析完成後之成果，透過程式語言介面開發之事故責任之判定決策支援系統，依照採用對使用者最

友善之介面進行開發。

(7) 研究成果結論與建議：本系統將針對研究成果及所建立之模式，提出可行之



改善方案或建議，以供管理當局或使用者參考之用。

圖 1、研究流程圖

界定系統

主題及範圍

建立資料庫建檔系統

基因規劃法

相關系統

事故因子

文獻回顧

肇事相關

系統

採用前期肇事事故資料分析成果

資料庫擴建

導入事故鑑定系統

資料篩選及檢核

基因規劃法

預測肇事責任

系統成果結論與建議

建立事故鑑定系統

基本統計與檢定



二、國內肇事鑑定制度

2.1 國內肇事鑑定制度現況分析

我國行車事故鑑定制度由十二個行車事故鑑定委員會及三個行車事故鑑定

覆議委員會組成。現行車輛行車事故鑑定制度流程，大致為先由警察機關依據交

通事故處理辦法之規定進行初步現場勘驗與蒐證，建檔備查；待鑑定單位接受申

請，由警察機關移送或受司法機關囑託後方進行事故之鑑定。

事故發生後，警察機關於現場之繪製事故現場圖和蒐證程序與資料之正確

性，攸關事故鑑定之結果，其重要性足與鑑定程序相提並論。唯目前台灣地區警

察單位於處理交通事故時，現場處理員警，工作繁重，多以儘速恢復交通之順暢、

協助傷患之救助與就醫為首要目標，再者保護現場完整、現場勘查並做紀錄、現

場清理等工作，處理程序相當繁雜，難免有所遺漏與不足，而因各事故之特性仍

有所差異。

警察機關所蒐集之資料項目與內容，與事故鑑定所需之資料內容，有時並無

法完全相符合，造成事故鑑定時之困擾與增添事故現場重建之困難，並有可能造

成鑑定結果的誤判，因而造成錯誤之裁決，對當事人之權益造成損害。因此警察

機關與鑑定單位所需之資料格式與內容仍有待協調與明確規範之研擬，以不致對

當事人之權益造成負面影響。

當事故進入鑑定程序後，以全省各地區車輛行車事故鑑定委員會(簡稱車鑑會)先行審理。由於多數鑑定委員會每月平均僅集會一次或兩次，因此，如以每月集會兩次來計算，每次集會所需處理之案件數量將高達三十件以上，使能用於

討論與分析案件之時間相對減少，容易造成鑑定時程延滯；更由於案件呈現逐年

成長無減緩之趨勢，因此，鑑定委員迫於消化案件之壓力，亦難以對個別案件進

行深入之分析，如此將影響鑑定之品質與結果。而囑託單位或當事人對於車鑑會

鑑定結果有所疑議時，得於收受鑑定意見書之翌日起三十日內敘明理由向該管理

車輛行車事故覆議會委員會(簡稱覆議會)進行覆議，但以一次為限。覆議鑑定與車鑑會之作業程序大致相同，所不同處主要有：車鑑會通常會通知當事人到會說

明，覆議鑑定時則無。以及覆議鑑定時通常僅對車鑑會之內容進行檢視，包括所

引用之法規是否適當、詞句是否合宜等。但台灣省覆議會覆議書之製作仍以本身

研判為主，原鑑定內容之適當性並非覆議重點。



2.2 研究方法文獻評析

基因規劃法是根據生物物競天擇所得到靈感所演繹的方法，可視為類似隨機

搜尋的最佳化演算法。演化式計算不同於傳統演算法，其概念是把生物界演化的

抽象機制，應用到解決最佳解的問題上，讓系統朝著更佳的方向自我演化。在演

化式計算的群體中，大量個體追隨有利的環境，聚集而形成各式族群。尤其在大

部份複雜非線性的數學問題上，因為缺乏解析決定的求解方法，演化式計算便成

為有效的分析工具。

基因規劃之研究與其應方面，近年來有數篇相關的論述：

1. 鍾侑達(2005)應用基因規劃建立洪水演算模式，並且與倒傳遞類神經網路及自適應模糊類神經網路進行比較，結果顯示基因規劃所建構之模式

在整體上表現較其他方法佳。

2. 林嘉宏，「鋪面紋理與摩擦力關聯性之初步研究」，逢甲大學交通工程與管理學系碩士論文，民國97年，其方法論採用基因演算法。

3. 黃圩君，「以基因程式規劃為基的產品關聯與顧客輪廓規則探勘之研究」，天主教輔仁大學資訊管理學系碩士論文，民國93年，使用將基因規劃法應用在顧客關係管理，試圖利用基因規劃法強大的解答能力來對顧客的

流失模式加以分析，經過建模過程中不斷的訓練與測試，再加上模型的檢

定，發現遺傳規劃法在顧客流失模型的建立上的確是有其適用性。

4. 林忠億，「多層式多重族群基因規劃法與其應用」，國立交通大學資訊工程與工程系統所博士班，延伸單族群基因規劃法至多族群基因規劃

法，並提出多層式的架構將族群進行整合。此多層式架構可利用多個族群求

得更佳的解，更利用多層式架構將解進行改善與調整。

5. 侯浩生，「利用基因規劃法合成被動濾波器」，國立成功大學微電子工程系統所博士論文，民國95年，該論文提出某種樹狀結構以及基因規劃法來做被動濾波器的合成，並將之導入一個迭代的演算法中，此一演算法可

以用來合成較經濟的電路研究。

6. 王衍智，「台灣股票選擇權日內價格訂價模型研究-比較時間序列方法與基因規劃方法」，朝陽科技大學財務金融系碩士論文，民國93年，透過時間序列和基因演算法的模型，處理高頻的股票選擇權交易資料。

7. 林勁伍，「利用核醣核酸的二集結構及基因規劃法找尋其共同結構元」，國立交通大學資訊科學系碩士班，民國94年，利用基因規劃法，改善GPRM對於突起結構及非對稱環狀結構容忍性不佳的部分，加入包含能量的資訊以縮小搜尋空間期待能處理運算數量更多結構更複雜的核醣酸族群。

8. 李志豪，「以基因規劃法為基礎的中文斷詞模型」，玄奘大學資訊



科學學系碩士班，以基因規劃法為基礎去模擬中文斷詞模型，而斷詞的處理

規則是依據詞庫中的「詞出現次數」和「詞的長度」等資訊，作為GP演化的基礎，進而處理中文斷詞，對於讓電腦能夠了解人類的中文文法有著顯著

的效果。



三、研究方法

3.1 基因規劃法

基因規劃法(Genetic Programming, GP)是由美國史丹佛大學教授 Koza 於1992 年提出，針對電腦系統上的一項重點問題，“如何使電腦能在不提供它詳盡程式指令下，自發學習解決問題？”而創造了「基因規劃法」。基本上基因規劃法是根據基因演算法而發展出的一種自動化、領域獨立的演算法，GP 可於所定義問題領域中自動產生最適解的規劃，可以用於相當廣泛的領域，應用彈性很大，

在不易從數學上獲得完美公式的規劃設計領域尤其適合。基因演算法的機制，將

原本以位元串構成的單元，推廣到以程式構成的單元。而每個單元的適應度是由

其程式對環境的執行結果而定。所以「基因規劃法」，就是將傳統「基因演算法」的搜尋位元串狀態空間，推廣到搜尋程式行為空間。而隨著其單元結構由位元串

修改成程式，所有相應的基因機制也必須作調整，以對應各單元的程式結構。為

了讓單元程式可以演化，所以其中的程式必須被表示為剖析樹結構。因此 Koza就採用利於剖析樹結構操作的 LISP 語言，作為「基因規劃法」的程式語言。

過去在進行模式設定、推演時，為使其更具有一般化的應用，則必須建立許

多條件假設。藉由重重的限制制定模式與方程式，確實可找到更具實用性質以及

了解背後意義所代表其意涵的模型。但是相對的，模型假設的限制，也確實影響

許多對於結果判斷預測能力不佳之現象產生。因此，GP 即是為了破除模式推演過程均要經由合理的因果關係與數學邏輯的狀況，如果實際問題存在有數學邏輯

不易得到與因果關係難以直接尋找之窘境，並且存在解釋障礙時，傳統數學與統

計方法將較難推演出具有效率的模型。「基因規劃法」的機制中，與「基因演算

法」的不同點大致上為：在初始時必須依照環境，決定演化單元程式所需的函式

集與元素集，以隨機組合函式集與元素集來產生初始群體的各單元程式。

在每個世代中，「基因規劃法」的適應度評估必須根據，在環境下執行各單

元程式的結果決定。通常在「基因規劃法」中的基因操作，並不包括突變，卻只

有雙元間的程式交換。因為以程式為單元，所以又必需考慮一些演化過程中的控

制因素。此外自動函式定義也是在其機制中使單元程式，能應付更高難度問題的

一項重要方法。「基因規劃法」現可應用在，符號回歸、計劃問題、最佳控制、

自動程式、遊戲策略、突現行為等研究領域。

基因規劃法是基因演算法(Genetic Algorithms, GA)在應用上的一之分支，亦可視為更深一層的變化，基因演算法之核心理念主要可以回溯到 1859 年達爾文的「物種原始」一書中所提之「物競天擇，適者生存」的演化及淘汰觀念，也就

是仿效自然界生物基因進化之天性，每種生物會依據生存環境之不同而調整改變

本身之基因組合方式，以適應該環境之生存型態。



GP 概念即是透過電腦程式設計與模式架構的推導，協助減少模式設定上所面臨的困難。因此 GA 與 GP 的應用越來越加以廣泛。大致上的整體運算概念與流程是相同的，均以世代演化作為核心。其運作概念乃是由每一世代中的每一個

體相互競爭，較適合生存環境的個體有較高的適合度(適應值)，有較高適應值的染色體能繁衍或複製較多的子代，然後從其中選擇來配對交配產生下一代，以期

可以產生更多的下一代。

且為避免忽略有些有用的資訊，急速的落入局部最佳解限制中，則可藉由突

變(Mutation)的處理，來產生有用的資訊，但是通常突變率是極低的性質。如此一代一代的演化下去，將產生適應值很高的染色體，而這染色體即是我們所需要

的解。

3.2 方法及概念

Koza 教授所提出的基因規劃法拋棄了基因演算法染色體的概念，不僅用一條長度固定單純基因(0,1)所組成的布林字串來表示「數量」，改以大小、形狀與結構都具有高度變化彈性的樹狀結構，用以表示「規劃」。基因規劃法完全以自

動化的方式生產解答，不需要針對解決問題編碼再解碼。

規劃的樹狀結構(Genotype)，是由針對個別問題領域而定義出的函數節點及終端節點組合而成，稱為算式樹(Expression tree 或稱剖析樹(parse tree))。如圖 2表示之，其中加號(+)與乘號(×)為函數節點(Functions)，其餘均為終端節點(Terminals)。

表達方式有兩種：

1. 中序(Infix Notation)為(5+(8×0))

2. 前序(Prefix Notation)為(+5(×8 0))

圖 2、基因規劃法之算式樹

算式樹中解碼是直向的，以(5+(8×0))則先解(8×0)後，再解碼成(5+0)最後得到 5 的答案。

算數運算元 + , – , * , / ….

+

5 ×

8 0

Function

Function Terminal

Terminal Terminal



布林運算元 AND、OR、NOT…

比較運算元 < , > , ≥ , ≤ …

邏輯運算元 If – Then – Else…

迴圈操作元 Do – Until…

程式運算

每一個母代中的個體均代表的一組數學運算函數，此函數如同基因一般會經

由演化過程產生出最佳後代。

每一個母代都結合了適合度以良策每個問題執行之成效，適合度大多採案例

表現的總和或是平均作為量測，除非問題很簡單，否則起始母代通常不會有好的

結果產生。

3.3 處理流程

流程 1：定義終端節點集合及函數集合

(1) 定義終端節點集合

終端節點集合 T (Terminal set T)須依據問題特性定義，其包含之元素可為變數或特定常數，其所定義出的終端節點集合，必須使算式樹滿足完整性

(sufficiency)和封閉性(closure)的原則，封閉性(Closure)是指所有的元素經過函數計算後的值域須落在終端節點集合的論域內，完整性(Sufficiency)則是指函數集合與終端節點集合一定要能解決問題，且最好是能有效解決問題的最小集合。

(2) 定義適應函數

適應函數為計算染色體好壞的函數，設計適應函數的主要目是用來評析各個

個體的表現，每個問題的本質都有不同的適應函數來相對應，適應值愈大就代表

此個體愈不容易被淘汰，下一代存活下來繼續演化的機會較大；反之則愈容易被

淘汰。

適應函數有：(expert systems with applications 29 (2005))

1

N

i i ii

ff o e N=

= −∑

io 是觀測的樣本分類

ie 是預測的數值

(3) 適合度測試



適合度測試之目的在於評估以給定程式求解欲解決問題的優劣程度，可隨問

題特性以各種合適之指標或方式衡量，如誤差(error)、距離(distance)或時間(time)等等…。

(4) 設定控制基因規劃法運作之參數

需事先定義研究參數來控制其運作，決定參數有：

族群大小

演化代數

樹的高度上限

選擇方式

交配方式與交配率

突變方式與突變率

精英保留率

(5) 決定指定最佳解的方式及基因規劃法運作的停止條件

基因規劃運作之停止條件，通常以演化過程進行至最大演化代數、運算時

間、適應函數值的收斂程度或目前最佳解連續數代沒有改變，即停止演化。因基

因規劃法之目的在找尋適應度最佳之個體，是故選擇最佳解的方式。

流程 2：產生初始族群

GP 的運作開始於第零代族群的初始化，而整個初始化的流程完全是以隨機方式運作，由終端節點與函數集合內的元素所組合成的剖析樹形成初始族群。隨

機的在函數集合中挑選，以決定每個函數節點的元素；隨機的在終端節點集合中

挑選，以決定每個在終端節點的元素。

流程 3：選擇、複製

「選擇」的機制主要是建構在「適者生存」的準則下，模擬「物競天擇」的

現象，被賦予較高存活率的個體期基因也較優秀，經過世代繁衍將較差的基因淘

汰，即為基因演化的機制。複製最基本的子代形成方法，直接將最優秀的個體進

行複製。

流程 4：交配

交配的方式有兩種，一種是不同的母代進行交配，如下圖 3 所示。另外一種是相同父代進行交配，「交配」的主要作用是在於「於選擇中存活下來的個體」

為基礎，相互交換部份的子結構，然後產生新的個體。基因規劃法賦予個體在結

構上任意變化的彈性，所以兩個相同的個體交配會產生不同的兩個個體。而交配

的步驟屬於「有性生殖」。

交配亦有選擇「複製」的作用，母代會去向較佳的方案複製其運算式，在不

修改之狀況下成為子代的基因；因此，一個親代的個體亦只有一個子代的個體產



生，所以稱作是「無性生殖」

選擇兩個個體的進行交配時有以下三種方式：

(1) 使用適應值為基準的機率值

假設 ( ( ))jf S t 是個體 jS 的適應值，而母體中所有總適應值應為

1( ( ))

n

jj

f S t=∑ ，所以個體 jS 被選到參與進行交配下一世代的機率則為

1

( ( ))

( ( ))

jn

jj

f S t

f S t=∑

。

(2) 採用競爭的方式

隨機取出兩個個體，之後比較兩者的適應值大小，將適應值大的個體與下一

個世代個體進行交配。

(3) 依適應值排序

把母體中所有的個體依照適應值加以排序，取前兩名的個體進行交配世代

圖 3、基因規劃法不同母代交配示意圖

×

6 +

4 1

母代 1

+

/ IF

> 6 2 42

6 9

母代 2

兩母代交配後

×

6 +

4

1

子代 1

+

/

IF

> 6 2

42 6 9

子代 2



流程 5：突變

突變於基因規劃法中是屬次級的運算，突變的目的是為了防止染色體掉入局

部最佳解，或避免染色體層數無限制的膨脹。GP 中最簡單的突變就是把算式樹中的一個節點與另外一個節點做交換，稱之為對偶基因突變。

而突變的基因必須要有相同的參數性質，舉例說明：函數+可以來取代×，變數 X 可以取代一個常數；但是函數+不可以用三角函數的 sin 來取代。

有些基因程式在世代不斷的交換下會有增長的趨勢，因此有一種收斂的突變

方式，其原理為隨機改變基因程式而且使其縮減，收斂式突變開始選擇樹中的節

點(不可以為根部的節點)，而被選取的基因將被移去而用其後的基因取代，先前基因的參數將全數刪除，此收斂式突變請參照圖 4 所示。

圖 4、收斂式突變示意圖

簡言之，突變分成有兩種：

(1) 函數節點內的函數或者是終端節點內的元素被直接取代

(2) 一個完整的子樹被一隨機產生的子樹所取代

流程 6：適應度評估

在所有世代的產生新個體，皆須進行適應度評估，以確定個體在問題中的優

劣程度，因為許多子代基因會在複製、交配、突變的世代進行後取得舊母代基因，

進行適應度評估做為該個體在選擇時存活率計算的依據。

+

1 3 4

+

×

9 5

-

+

1 3

×

9 5

-

exp

突變 exp



四、資料來源與變數

4.1 資料來源

本研究所採用之資料庫為 86 年至 96 年期間，台灣地區道路交通事故案件已建檔入資料庫之資料中，萃取可用之汽車碰撞汽車肇事事故案件數共 2207 件，該資料庫之建檔變數共計分成共同狀況、當事者資料、以及當事者行動狀態等三

大部分。

4.1.1 道路優先權

道路優先權為世界各國於肇事鑑定時參考之重要依據，因此本研究參考國內

法規以及相關書籍對於肇責之判定進行彙整，並且納入肇事責任判定之變數。路

權於資料庫中判定方式以圖形化方式表示下圖 5 至圖 8 所示。

圖 5、同向路權判定流程示意圖



圖 6、對向路權判定流程示意圖

圖 7、橫向路權判定流程示意圖



圖 8、橫向路權判定流程示意圖

4.1.2 變數選取

本研究所採用之道路交通事故資料庫為覆議會之事故資料，後續經過變數簡

化與建檔處理方得以進行分析。再者事故資料中附有各地區鑑定會之判決結果，

因此為求鑑定資料之一致性與及判定結果能夠使兩組織相同，因此本研究經整理

後採用各地區鑑定會、覆議會兩組織判定肇事責任一致之資料進行分析，共有三

大類資料庫投入分析。然資料須經更進一步檢視以及篩選，由原建檔之資料庫再

經過六項篩選準則方能納入考量分析之用。其六項準則分別為(1)事故案件為非兩車事故碰撞類型；(2)各地區車鑑會或覆議會之鑑定責任之欄位有缺漏者；(3)肇事案件之事故責任為分析函覆或者是不予鑑定者；(4)本研究採用之重要變數不明狀況過多而無法修正者；(5)肇事案件兩造雙方闕漏單一方變數過多無法修正者；(6)兩造雙方中有一方為非本研究界定之車種者。

肇事資料庫於原始表單建檔之變數共計有 40 項欄位變數，並將該變數分成共同狀況、當事者狀況以及道路基礎設施狀況共三大類項。而將資料進行初步整

理後，進一步將資料變數篩選為共同狀況變數計有 8 項、當事者狀況變數計有13 項、道路基礎設施狀況計有 3 項，初步篩選出共 24 項變數，詳細篩選過程如下所述。

共同狀況：意指當兩車發生事故時相同的環境與狀態之變數，本研究採計有

12 項變數中，分別為「案號」、「肇事發生時間」、「事故類型及形態」、「肇事因素」等 4 項變數不納入分析之用，因此後續之因素分析等方法則採用「肇事區



別」、「肇事時段」、「事故位置型態」、「天候」、「光線」、「道路類別」、「號誌種類」

以及「號誌動作」共 8 項變數，該變數於模式建立時，僅放入單一當事人之共同狀況變數。

當事者資料：意指當兩車發生事故時，兩車所擁有自身的變數與情形，其自

身具有之變數與對方不同或是相互對應，故變數則是代表著兩車不同之「狀態」，

其中本研究採計有 23 項變數中，「行向關係」、「區分駕駛」、「行車方向」、「性別」、「出生年」、「出生月」、「出生日」、「受傷程度」、「保護裝置」、「當事人行動狀態」

以及「筆錄速度」等 11 項變數不納入後續研究考量，因此後續變數篩選分析時則採用 13 項變數，分別為「性別」、「年齡」、「動作」、「車種」、「兩車關係」、「車輛是否過路口中心」、「變換車道與否」、「違規行駛」、「駕駛資格情形」、「駕駛人

飲酒情況」、「車輛碰撞部位」、「肇事逃逸」、以及「是否超速駕駛」進行分析及

應用。

道路基礎設施狀況：意指事故發生時兩車各自對應之道路上的標誌、標線、

號誌與所在道路狀況，其變數篩選出 3 項變數分別為「道路視距」、「幹道或支道」以及「閃光號誌」進行分析及應用。

本研究所採用之鑑定會、覆議會兩組織鑑定一致的汽車對汽車碰撞事故型態

計 2207 筆。然汽車包含有小客車、小貨車、小客貨、營小客車、大客車、大貨車與聯結車等七種車型，而本研究採用此資料進行各種方法之分析與驗證。

4.2 選取變數資料統計

本研究所採納之變數經交叉分析篩選後，所得之變數與該分類變項之基本統

計量，茲整理於下表 1 所示：

表 1、肇事資料庫建檔之屬性代號與意義說明表序號屬性(代號) 項目及統計資料

1 肇事區別 (X1) 1.北基宜(333) 2.桃竹苗(390) 3.中彰投(452) 4.雲嘉南(524) 5.高屏澎(324) 6.花東(170) 7.不明(14)

2 肇事時段 (X2)

1. 凌晨 (00:00( 含 )~04:00( 不含 ))(156) 2. 清晨(04:00(含 )~08:00(不含 ))(228) 3.上午 (08:00(含 )~12:00(不含 ))(514) 4. 下午 (12:00( 含 )~16:00( 不含 ))(600) 5. 晚上(16:00(含 )~20:00(不含 ))(431) 6.夜晚 (20:00(含 )~24:00(不含))(278)

3 事故位置型態 (X3) 1.有號誌路口(802) 2.無號誌路口(616) 3.路段(775) 4.路邊起始(14) 5.其他(0)

4 天候 (X4) 1.惡劣天候(暴雨、強風、風沙、霧、煙、雪)(18) 2.雨(273) 3.陰、晴(無雨)(1916)

5 光線 (X5)

1.日間自然光(1464) 2.晨或暮光(80) 3.夜間(或隧道、地下道、涵洞)有照明(555) 4.夜間(或隧道、地下道、涵洞)無照明(108)

6 道路類別 (X6) 1.國道(48) 2.省道(520) 3.縣道(315) 4.鄉道(270) 5.市區道路(744) 6.其他(310)



序號屬性(代號) 項目及統計資料

7 道路視距 (X7) 1.不良(126) 2.良好(1937) 3.其他(144)

8 號誌種類 (X8) 1.行車管制號誌(322) 2.行車管制號誌-附設行人專用號誌(14) 3.閃光號誌(466) 4.無號誌(1405)

9 號誌動作 (X9) 1.正常(758) 2.不正常(8) 3.無動作(36) 4.無號誌(1405)

10 年齡 (X10)

1.20 歲以下(不含 20 歲)(25) 2.20~35 歲(含 20 歲，不含 35歲)(936) 3.35~50 歲(含 35 歲，不含 50 歲)(891) 4.50~65 歲(含50 歲，不含 65 歲)(289) 5.65 歲以上(含 65 歲)(66) 6.不明(0)

11 車種 (X11)

1.小車(小客車、小貨車、小客貨、營小客車)(1926) 2.大車(大貨車、大客車、聯結車)(281) 3.機車(重機、輕機、大型重型機車)(0) 4.其他(0)

12 動作 (X12) 1.直行(1707) 2.右轉(107) 3.左轉(261) 4.迴轉(80) 5.靜止(33) 6.倒車(16) 7.不明(3)

13 是否過路口中

心 (X13)

1.否(601) 2.是(816) 3.非路口(790)

14 閃光號誌 (X14) 1.閃紅(118) 2.閃黃(274) 3.無閃光號誌(1479) 4.非閃光號誌路口型態(336)

15 變換車道 (X15) 1.無(1733) 2.有(407) 3.有超車動作(53) 4.不明(14)

16 違規行駛 (X16)

1.入侵對向車道(93) 2.逆向(19) 3.無違規(1010) 4.不明(122) 5.未行使於指定車道上(59) 6.未依標誌標線行駛(260) 7.未依規定讓車(左右轉亦同)(384) 8.變換車道或方向不當(43) 9.未注意車前狀況(309) 10.違反號誌管制或指揮(8)

17 幹道或支道 (X17) 1.幹道(260) 2.支道(260) 3.不明(54) 4.同為幹支道(1633)

18 兩車關係 (X18)

1.同向前車(195) 2.同向後車(195) 3.同向左方車(137) 4.同向右方車(136) 5.橫向左方車(443) 6.橫向右方車(443) 7.對向(657) 8.路邊起始(1) 9.不明(0)

19 駕駛資格 (X19) 1.有適當駕照(1839) 2.無照駕駛(32) 3.駕照吊扣(銷)(12) 4.無適當駕照(6) 5.不明(318)

20 飲酒情況 (X20) 1.有[大於 0.55mg/l](49) 2.有[0.25mg/l~0.55mg/l](34) 3.經酒測合格[小於 0.25mg/1](122) 4.無(1723) 5.不明(279)

21 肇事逃逸 (X21) 1.否(2195) 2.是(12)

22 車輛碰撞部位 (X22)

1.右前(323) 2.右側(225) 3.右後(83) 4.後面(59) 5.左後(160) 6.左側(221) 7.左前(321) 8.前(498) 9.無碰撞或碰撞位置不明(317)

23 超速行駛 (X23) 1.嚴重超速(超過速限 20 公里以上者)(108) 2.超速(超過速限0~20 公里者)(199) 3.無(1619) 4.不明(281)

24 路權(X24) 0.無(1103) 1.有(1104)



序號屬性(代號) 項目及統計資料

25 鑑定責任 (X25) 1.全部原因(full)(525) 2.主要原因(major)(502) 3.同為原因(same)(152) 4.次要原因(minor)(502) 5.完全無因(non)(526)

註：(數字)中代表樣本資料筆數。



五、模式建立與驗證

5.1 資料變數卡方檢定

本研究藉由交叉分析表挑選顯著變數，除了「肇事責任」該變數為結果變數外，共有 44 項變數進行卡方檢定，共挑選出汽車對汽車事故類型有 34 項變數，，其卡方檢定之相關數值彙整如表 2 所示。

表 2、碰撞事故型態卡方檢定表

Pearson 卡方概似比線性對線性關連顯著性

肇事時段 0.999 0.999 0.981 N/A 肇事區別 0.237 0.200 0.966 N/A

事故位置型態 0.000 0.000 0.974 ◎ 天候 0.541 0.409 0.949 N/A 光線 0.769 0.782 0.971 N/A

道路類別 0.000 0.000 0.986 ◎ 號誌種類 0.000 0.000 0.986 ◎ 號誌動作 0.000 0.000 0.984 ◎ 障礙物 0.832 0.845 0.996 N/A 視距 0.024 0.016 1.000 ◎

動作(甲方) 0.000 0.000 0.000 ◎ 車種(甲方) 0.000 0.000 0.000 ◎

兩車關係(甲方) 0.000 0.000 0.374 ◎ 是否過路口中心(甲方) 0.000 0.000 0.549 ◎

變換車道(甲方) 0.000 0.000 0.000 ◎ 違規行駛(甲方) 0.000 0.000 0.319 ◎ 幹道或支道(甲方) 0.000 0.000 0.056 ◎ 閃光號誌(甲方) 0.000 0.000 0.158 ◎

性別(甲方) 0.000 0.000 0.752 ◎ 年齡(甲方) 0.001 0.002 0.333 ◎

保護裝置(甲方) 0.004 0.001 0.657 ◎ 駕駛資格情形(甲方) 0.650 0.447 0.730 N/A 飲酒情況(甲方) 0.000 0.000 0.000 ◎ 肇事逃逸(甲方) 0.757 0.697 0.571 N/A 超速狀況(甲方) 0.000 0.000 0.261 ◎



車輛碰撞部位(甲方) 0.000 0.000 0.103 ◎

Pearson 卡方概似比線性對線性關連顯著性障礙物(乙方) 0.832 0.845 0.996 N/A 動作(乙方) 0.000 0.000 0.000 ◎ 車種(乙方) 0.000 0.000 0.000 ◎

兩車關係(乙方) 0.000 0.000 0.344 ◎ 是否過路口中心(乙方) 0.000 0.000 0.507 ◎

變換車道(乙方) 0.000 0.000 0.000 ◎ 違規行駛(乙方) 0.000 0.000 0.328 ◎

幹道或支道(乙方) 0.000 0.000 0.052 ◎ 閃光號誌(乙方) 0.000 0.000 0.158 ◎

性別(乙方) 0.000 0.000 0.789 ◎ 年齡(乙方) 0.001 0.002 0.342 ◎

保護裝置(乙方) 0.004 0.002 0.692 ◎ 駕駛資格情形(乙方) 0.650 0.447 0.748 N/A 飲酒情況(乙方) 0.000 0.000 0.000 ◎ 肇事逃逸(乙方) 0.758 0.689 0.573 N/A 超速狀況(乙方) 0.000 0.000 0.242 ◎

車輛碰撞部位(乙方) 0.000 0.000 0.100 ◎ 判定顯著變數個數 34 個

註:◎為採納 P 值小於 0.05 之顯著變數

5.2 基因規劃法模式

納入 GP 進行行車事故責任鑑定之分析，其主要過程大致如第三章研究方法內六個流程所表示，這邊主要概述如何將肇事變數納入基因演算法內並應用:

終端節點集合一般可定義以變數為主或是常數，本研究及可採用原 44 項變數中的屬性值作為終端節點，或是由電腦亂數產生。例如，終端節點集合可為

U(x1=光線、x2=道路類別、x3=速限、x4=視距、x5=號誌…,常數)，而屬性值則為車種 x1 =(1 大車, 2 小車, 3 機車)、道路類別 x2=(1.國道 2.省道 3.縣道 4.鄉道 5.市區道路 6.村里道路 7.專用道路 8.其他)，其餘由電腦自行設計。

假設本研究產生 10 個初始母代，則電腦將從變數之屬性值中隨機抽取以及常數值進行運算，因此可能會產生像下頁圖 9 中 10 個初始母代，其中 x1=光線、x2=道路類別、x3=速限、x4=視距、x5=號誌…，而產生母代 1 即是肇事責任= x1+ x2，而母代 2 的肇事責任=x3×(if x5> x9 then= x5, else=0)以此類推。



圖 9、產生初始母代群示意圖

5.3 模式訓練及驗證

本研究模式訓練採楊奕岑先生開發之遺傳規劃模式 3.0 進行，模式訓練的時間會受到「親代個數」與「繁衍代數」這兩個參數的限制，此二參數設定越大，

則演算則演算所耗費的時間就越多，但在可行解空間中搜尋的比例也越大，越有

可能找到全域最佳解。模式模擬完畢時，會產出兩個檔案：「ObjectF1.txt」與「BestSolution1.txt」。

其中「ObjectF1.txt」為目標函數變化的情形。本模式的目標函數定義為「模擬應變數值與真實應變數值之差值為最小」，即 MinZ=Σ∣(Y 模擬-Y 真實)∣

「ObjectF1.txt」產出的形式如圖 10 所示

圖 10、ObjectF1

+

x1 x2

×

x3 ＞

x5 x9

母代 1 母代 2

-

/ 6

x10 x4

母代 3

+

x6 x7

母代 10



第一行為演算的是代數，第二行為當代之最佳目標函數。理論上來說，若是

此一目標函數變化為「零」則代表模式找到全域的最佳解。

第二個產出檔案為「BestSolution1.txt」，此檔是以模擬完成之後的最佳解所模擬得到得應變數變化情形，如下圖 11 所示：

圖 11 、BestSolution1

由圖 11 可以很明顯的看出，此輸出檔分為兩個部分。上半部為最佳函數部分，此一數學式即為本模式所模擬出來的最佳回歸式，下半部則是以此最佳迴歸

式所模擬出來的模擬應變數。

本研究在進行基因規劃法之模式建立時，將所有變數標準化，使所有變數均

能被納入運算中，程式中標準化的方式乃將原本數值標準化成 0.0001 到 1 之間

的數值 stdX ，亦即0001.00001.01)(

minmaxmin +−

−×−=

XXXXX std

因此，利用標準化優選

方式所得到的公式計算的值需要經過還原min

minmax

0001.01)0001.0( Y

YYYY std +−

−×−=

，才

能得到實際最佳解。

本研究建立模式時，將資料庫之 70%作為訓練之用及 30%作驗證之，因資料筆數過大所以模式訓練所需時間甚久，一個模式需要兩天以上的時間來產生結



果，故在訓練用時先進行資料筆數為 500 筆，繁衍代數為 100 代測試模式建立，其結果如下頁表 3 所示，最佳驗證判中率僅 19.86%。故資料筆數的多寡對於基因規劃法在進行模式訓練時有著相當重要的影響，之後便將原本設計之 70%訓練比數納入模式建立，在繁衍代數方面也增加到 300 代，其結果如下表 4 所示，最佳訓練判中率已可達 62.61%，驗證判中率也提升至 53.41%，由此可以發現基因規劃法的模式建立在資料筆數越多的情況下所建構出的模式會越佳，最佳函數姐

入下式所示：

}兩車關係))號誌種類(())(exp{((

−−+×+−= 路權路權路權幹道或支道兩車關係肇責

各變數所代表意義可參見第四章第二節之選取資料變數統計，由上式可發現

路權在事故判別中所占權重極大。

表 3、基因規劃法測試資料所得訓練驗證結果資料筆數繁衍代數繁殖比例突變比例訓練判中率驗證判中率

500 100 0.3 0.5 29.32% 13.11% 500 100 0.3 0.7 27.54% 14.52% 500 100 0.5 0.5 33.59% 19.86%

表 4、基因規劃法之肇事事故資料庫訓練驗證結果訓練筆數繁衍代數繁殖比例突變比例訓練判中率驗證判中率

1545 300 0.3 0.5 43.32% 33.71% 1545 300 0.3 0.7 51.31% 31.15% 1545 300 0.5 0.5 56.86% 37.26% 1545 300 0.5 0.7 53.82% 42.23% 1545 300 0.7 0.5 62.61% 53.41% 1545 300 0.7 0.7 55.48% 51.93%

5.4 模式檢討

本研究模式訓練之結果最佳判中率為 53.41%，遠低於類神經及判別分析超過 80%之判中率，顯的不佳，分析其原因可能為 34 項變數之間之不確定性太高，因資料筆數已達 2207 筆，資料筆數量應已足夠，且基因規劃法用於交通事故上之文獻不多，並無其他文獻數據可供參考，故此方法用於交通事故可能有其不確

定性。



六、建檔及鑑定系統

建檔系統及肇事鑑定責任系統將因變數共計有 34 項及果變數(肇責)計有 1項，編碼納入軟體中，結合現階段的資料，例如:類神經網路模式、分類樹模式，已經可將結果輸出，供使用者使用。

6.1 建檔系統

建檔系統表單分四個部份，分別為事故調查表一至四。其中本建檔系統事故

調查表一及事故調查表二的表單設計完全參照警員事故處理的道路交通事故調

查表（一）如下頁圖 13 及調查表（二）之欄位格式，因此建檔人員實際操作上可完全依照案件的資料建檔至本系統所相對應的欄位。而本系統事故調查表三及

事故調查表四的表單設計內容則為新增加的資料欄位，例如事故位置、兩方肇事

責任、兩車關係、行車方向、幹支道型態等欄位，這些資料需透過建檔人員依據

每一筆肇事案件的事故現場圖以及筆錄來做判斷，因此建檔人員的肇事分析能力

和資料的正確率有極大的關聯，若建檔資料發生錯誤將嚴重影響後續肇責的分析

預測，故部分欄位資料將透過程式撰寫自動判別產生，加快建檔速度並防止人為

輸入錯誤。

此外，每一筆肇事建檔資料共分為共同狀況以及肇事當事人狀況兩大部分，

有關變數欄位名稱如表 5、表 6 所示，欄位資料除了既有案件提供外，尚有欄位資料需由建檔人員依據每一筆案件的事故現場圖以及筆錄來做判斷，各欄位說明

如下，部分欄位有納入檢核機制如圖 6，有的採取自動產生資料並鎖定欄位；有的採取資料輸入錯誤警告文字訊息，防止建檔人員鍵入錯誤並提升資料庫品質。

表 5、共同狀況資料欄位變數欄位名稱代號或數值範圍檢核機制肇事時間（時） 0～23 以錯誤訊息提醒肇事時間（分） 0～60 以錯誤訊息提醒肇事地點（縣市）（開放式建檔）ex.台北市無天候 1.暴雨 2.強風 3.風沙 4.霧煙 5.雪 6.雨 7.陰 8.晴無

光線 1.日間自然光線 2.晨或暮光 3.夜間（或隧道,地下道,涵洞）有照明 4.夜間（或隧道,地下道,涵洞）無照明

無

道路類別 1.國道 2.省道 3.縣道 4.鄉道 5.市區道路 6.村里道路 7.專用道路 8.其他

無

視距 1.彎道 2.坡道 3.建築物 4.樹木農作物 5.路上停放無



車輛 6.其他 7.良好

號誌 1.行車管制號誌 2.行車管制號誌（附設行人專用號誌） 3.閃光號誌 4.無號誌

程式碼檢核

號誌動作 1.正常 2.不正常 3.無動作 4.無號誌程式碼檢核表 6、個別狀況資料欄位變數

欄位名稱代號或數值範圍檢核機制出生年月日開放式建檔 ex.77.12.12 無駕駛受傷程度 1.死亡 2.受傷 3.未受傷 4.不明程式碼檢核

當事者區分（類

別）

1.公營汽車 2.民營汽車 3.公營客運 4.民營客運 5.遊覽車 6.自用大客車 7.營業用小客車 8.自用小客車 9.營業用大貨車 10.自用大貨車 11.營業用權聯結車 12.自用權聯結車 13.營業用半聯結車 14.自用半聯結車 15.營業用曳引車 16.自用曳引車17.營業用小貨車 18.自用小貨車

無

駕駛資格情形 1.有適當之駕照 2.無照（未達考照年齡） 3.無照（已達考照年齡） 4.越級行駛 5 駕照被吊扣 6 駕照被吊（註）銷

程式碼檢核

酒測值 1.未飲酒 2.無反應 3.濃度0.11%

無

車輛撞擊部位（最

初）

（一）汽車： 1.前車頭 2.右側車身 3.後車尾 4.左側車身 5.右前車頭（身） 6.右後車尾（身） 7.左後車尾（身） 8.左前車頭 9.車頂 10.車底（二）機車： 11.車頭 12.右側車身 13.後車尾 14.左側車身（三）其他： 15.不明 16.非汽（機）車

無

動作 1.直行 2.右轉 3.左轉 4.迴轉 5.靜止 6.倒車無車輛是否過路口

中心 1.是 2.否 3.非路口程式碼檢核

是否變換車道 1.無 2.有 3.超車 4.不明無

違規行駛 1.入侵對向車道 2.逆向 3. 無違規 4.不明 5.未行駛於指定車道上 6.未依標誌標線行駛

無

幹支道區別 1.幹道 2.支道 3.不明 4.路段資料程式碼檢核閃光號誌 1.閃紅 2.閃黃 3.無閃燈號誌程式碼檢核

鑑定責任 1.全部原因 2.主因 3.同為原因 4.次因 5.無因 6.不予鑑定 7.分析函覆

程式碼檢核



兩車關係 1.同向前車 2.同向後車 3.同向左方車 4.同向右方車 5.同向路邊行駛 6.不明 7.橫向左方車 8.橫向右方車 9. 橫向路邊行駛 10.不明 11.對向

程式碼檢核

本系統以人性化介面設計，透過程式碼判別啟動的檢核機制，可減輕人員建

檔過程中的負擔並防止資料錯誤產生，操作方法及流程如下列幾點說明。

1、開始輸入建檔人員代號

啟動系統後點選檔案後按新增，系統會要求輸入建檔人員證號以防止人

員持續誤植資料之現象，核對人員可立即了解何人較易誤植資料，此外後續若資

料出現紕漏可依據此人員證號追蹤相關責任。由於在第一次輸入證號後，系統會

自動記錄，因此人員證號僅需在第一筆案件輸入時鍵入，後面幾筆案件不必再重

複輸入人員證號，如此一來可增加建檔效率。

2、輸入事故當事者人數

根據肇事案件判別事故當事者人數，本系統輸入範圍為 2~4 人，當使用者輸入錯誤時系統警醒裝置會自動跳出訊息方塊，告知使用者輸入人數錯誤。

3、案件來源及事故類型

此步驟需參閱案件事故調查表二，選擇案件來源以及判別事故類型，事故類

型分為 A1、A2 以及 A3 等三類，其分類定義 A1 為傷亡車禍（任一當事人在 24小時內死亡）；A2 為受傷車禍（無人死亡或任一當事人受傷 24 小時後死亡）；A3 為財損車禍（無人傷亡）。

4、案件建檔

使用者可以開始從事故調查表一建檔至調查表四，其中事故調查表一及事故

調查表二可完全依照案件的資料建檔至本系統所相對應的欄位，事故調查表三及

事故調查表四的資料需依據每一筆肇事案件的事故現場圖以及筆錄來做判斷，當

中每個欄位切換可使用「Tab」鍵來做切換。案號及處理編號部分依案件來源不同有所更動，當案件來源屬於地鑑會或覆議會時，請輸入每一筆案件的案號；當

案件來源屬於警察局時，請輸入每一筆案件的處理編號。當使用者鍵入調查表三

的碰撞型態時，旁邊會自動出現圖說輔助說明碰撞的示意圖，使用者可以此比對

案件。調查表四主要鍵入兩車關係，使用者一開始先決定車輛行駛方向，接著在

位置示意圖內利用滑鼠移動各方車輛位置並對照案件事故現場圖做調整，此刻兩

車關係以及行向關係便會自動出現，若車輛各方有其他狀況再做調整。

5、存檔

當所有欄位資料確認無誤後就可以按「存檔」鍵，接著系統會在確認一遍是

否要存檔，確認後若存檔成功會顯示訊息並告知這是第幾筆案件，若存檔失敗系

統也會提出警告，請檢查欄位資料是否有遺漏。若輸入欄位錯誤太多，可以按「重

來」鍵，表單就會重新載入，若要放棄輸入，則可以按「取消」鍵，表單就會關



閉。若要輸入新一筆案件則重複前述第 1 點步驟。

圖 12、事故位置判斷流程

圖 13、調查表一



圖 14、調查表二

圖 15、調查表三

碰撞型態輔助示意圖



圖 16、調查表四

6.2 肇事責任鑑定系統功能

肇事鑑定責任系統藉由人工智慧方法歸納出鑑定責任並加以預測及分析，其功能有下列五項:

(1)地鑑會肇責判定

將地鑑會的建檔案件資料庫以方法論分析、預測其肇責

(2)覆議會肇責判定

將覆鑑會的建檔案件資料庫以方法論分析、預測其肇責

(3)地鑑會覆議會責同判定

將地鑑會覆議會責同的建檔案件資料庫以方法論分析、預測其肇責

(4)肇事型態圖輸出

移動車輛圖示

兩車關係自動判別



輸出使用者所輸入的案件車輛肇事型態圖供使用者參考

(5)法規資料庫索引

以中華民國產物保險商業同業公會所編製之「汽車肇事責任分攤處理原則」

內的法規資料提供索引供使用者參考

6.3 肇事責任鑑定系統操作方法

本系統操作方法及流程如下列幾點說明:

(1)啟動系統

開啟此系統後會先看到一登入畫面(如圖 8 所示)，要求輸入使用者名稱以及密碼，如果輸入錯誤超過 3 次，系統便會自動關閉，做了這樣的設計主要是為了系統發行後管理的方便，不將此系統外流給其他人。輸入正確的使

用者名稱及密碼即會出現一歡迎畫面，按下確定後即可開始使用肇事鑑定責

任系統。

圖 17、登入介面（左）及歡迎畫面

(2)案件輸入鑑定系統

點選肇責欄位下的全輸入判定，會出現汽車對汽車、汽車對機車、機車對機

車三種碰撞型態(如下頁圖 18 所示)，供使用者點選，在這裡以汽車對汽車碰撞來



做說明。在設計此系統時為了減少使用者點選錯誤而造成的誤差，在表單內都附

有檢核以及防呆機制，若點選事故位置型態為路段後，號誌動作、種類、是否過

路口、幹支道區別的欄位皆會自動產生並鎖定，以減少錯誤的發生(如下頁圖 16所示)。使用者在點所完所有欄位後可選擇所需要的功能(下頁如圖 20 所示)，若未全部輸入系統會出現一警告訊息提醒使用者尚未輸入完畢。

圖 18、全輸入判定碰撞型態



圖 19、檢核以及防呆機制

圖 20、點選完成之畫面

(3)結果輸出

圖 21 為地鑑會肇責判定所輸出的結果，由這裡可得知剛剛輸入的案件在地

點選擇所需功能



鑑會資料庫內有 17 件相符，此階段軟體先採用先前已完成的資料來做分析測試，可從圖 21 中看出經由分析後雙方的肇責判定，類神經肇責判定中乙汽車占完全責任的百分比達 88%，是由於剛剛件入的案件(上圖 20)為一後車追撞前車案例，以車為後車，按交通法規來說，後車追撞前車後車當為肇事主因，故藉此系

統大略得知肇責的分配。下頁圖 22 為肇事型態圖形輸出，可藉此了解車輛發生事故時碰撞情形。下頁圖 23 為法規資料庫索引，列舉出條例和道安規則使使用者了解此案件所違反的交通規則為何。

圖 21、地鑑會肇責判定輸出結果

圖 22、肇事型態圖形輸出



圖 23、法規資料庫索引

6.4 未來肇事判別軟體開發導向

目前肇責判定軟體已可順利應用於單機操作上，但考量到使用者使用的

不確定性，為了能讓使用者在任何一台電腦上順利使用此軟體，藉由目前便

利性最高的網路，本中心在未來開發之導向將以網頁版架構為主，使用者不

需要安裝完整的軟體，只需要透過網頁點選，將資料傳送至本中心電腦伺服

器，經由電腦運算立即將結果回覆給使用者，使用起來將會更為方便快速，

且可隨時隨地使用。 6.4.1 網頁式架構



註：黑色實線為前端處理流程、黑色虛線為後端處理流程 6.4.2 網頁介面未來網頁介面將依照現有肇事判別軟體之介面修改，以下拉式選單的方式供使用者選取資料，並新增案件上傳功能，用以擴充資料庫，進而提升鑑定責任判中

率。 6.4.3 伺服器架設主要是以 Linux 網路伺服器架設為主，並建置主機的簡易防火措施，避免遭入侵竊取相關資料或被當成跳板成為犯罪工具，伺服器架設完後，必須要定期維

護的措施，使資料庫的資料維持在最新的狀態供使用者使用。 6.4.4 提供編輯上傳資料網頁版還將增設上傳資料的全新功能，使用者可將資料上傳至本中心伺服器，經由中心人員的檢核，將案件納入資料庫內，配合中心建檔系統所輸入之案件資

料將資料庫擴充，提供使用者最佳的肇責判定參考。

使用者電腦

肇責判定

系統網頁

肇事中心

伺服器主機

點選後

之資料

選擇

碰撞類型

伺服器運算

之結果

使用者該次

輸入之資料

擴建資料庫

儲存

檢核案件

資料

伺服器

資料庫

新增可用案

件至資料庫



七、結論與建議

藉由電腦技術與人工智慧方法建立一套兩車事故碰撞責任鑑定之專家支援

系統，於以往較難有重大突破，但透過電腦以及人工智慧方法或資料探勘之進

步，提升鑑定責任判中以及將鑑定準則電腦化及智慧化則變成可能。在本系統中

其系統利用輸入該案件之相關特性變數，即輸出其案件之肇事責任判定、相關法

規以及碰撞種類示意圖供使用者參考之用；基因規劃法之最高判中率為

53.41%，如何將判中率提升是後續研究應努力之方向。事故責任判定對於變數彙整縮減以及了解何種變數較為重要作為肇事數據

分析研究具有相當之貢獻。然經基因規劃法分析所獲之結果將變數彙整以及模式

主成份係數值中皆可得到以”兩車關係、幹道或支道、是否過路口中心、路權”四項變數為甲乙雙方皆有之較重要之變數，最重要一項變數為路權，該變數在基因

規劃法之最佳解中占有相當大權重，因此路權判定為肇責最重要之參考依據，可

見基因規劃法在進行模式訓練及驗證時方向和鑑定會委員採取的方向是相符

的，但其判中率在多次的訓練及驗證後始終不見有效的提升，未來可考慮使用其

他方法如類神經、判別分析等……。在未來的肇事鑑定軟體下一版中，將再考量之重點有二項發展重點。一是將

系統介面網頁化，使用者不須安裝軟體，透過網頁的點選即可獲得相關資訊，使

用上更為方便，二是擴增案件資料庫總筆數，進而提升判中率，因目前基因規劃

法所得知結果尚有提升的空間，藉由不斷的擴充資料庫筆數，一併提升其他研究

方法之判中率，提供使用者最佳的資訊供參考。



參考文獻

王正雄，「應用基因演算法在顧客流失模式之系統-以直銷化妝品業為例」，輔仁大學資訊管理學系碩士論文，民國92年。

鍾侑達，「基因規劃與類神經網路在河川演算上之比較」，逢甲大學水利工程學系

碩士論文，民國94年。

方唯鈞，「應用基因規劃模式於洪流量預測」，逢甲大學水利工程學系碩士論文，

民國95年。

王衍智，「台灣股票選擇權日內價格訂價模型系統-比較時間序列方法與基因規劃方法」，朝陽科技大學財務金融學系碩士論文，民國93年。

林嘉宏，「鋪面紋理與摩擦力關聯性之初步系統」，逢甲大學運輸科技與管理學系

碩士論文，民國97年。

黃圩君，「以基因程式規劃為基的產品關聯與顧客輪廓規則探勘之系統」，天主教

輔仁大學資訊管理學系碩士論文，民國93年。

葉名山、林世淵（民93），「事故鑑定芻型與理賠機制之系統」，中華民國運輸學會第十九屆論文研討會。

葉名山、劉欣憲、張恭文、陳鵬升(民94)，「應用分類樹於兩車肇事事故鑑定專家支援系統之建構」，九十四年道路交通安全與執法研討會。

葉名山、劉欣憲(民94)，「道路交通事故鑑定系統之建置」，中華民國運輸學會第二十屆論文研討會。

邱裕鈞、郭曜彰(民94)，「汽機車碰撞事故之鑑定決策支援系統」，九十四年度車輛行車事故鑑定系統中心成果技術推廣研討會。

吳宗修（民87），「非號誌化交岔路口事故責任鑑定原則之探討」，八十七年道路交通安全與執法研討會，頁279-287。

林郁志，民國86年6月，「都市地區肇事嚴重程度之分析系統」，國立成功大學交通管理科學系統所碩士論文。

邱裕鈞、方守潔（民93），「兩車碰撞事故之肇事鑑定專家系統」，中華民國運輸學會第19屆論文研討會論文集，頁985-998。

邱裕鈞、王福聖、紀竣傑、郭曜彰、謝侃君（民93），「兩車碰撞事故之鑑定決策支援系統」，九十三年道路交通安全與執法國際研討會，頁341-353。

周文生、陳蔚文（民88），「道路交通事故肇事原因分析程序之系統」，八十八年道路交通安全與執法研討會。

張新立、張則斌，「我國車輛行車事故鑑定制度之研擬與評估」，運輸計畫季刊，

第三十一卷第三期，民國九十一年九月，頁523-552。



陳高村、廖信智（民91），「交通事故原因分析鑑定準則之系統」，中華民國運輸學會第17屆論文研討會論文集，頁515-524。

葉名山、劉欣憲(民94)，「道路交通事故鑑定系統之建置」，中華民國運輸學會第二十屆論文研討會。

葉名山、林世淵（民93），「事故鑑定芻型與理賠機制之系統」，中華民國運輸學會第十九屆論文研討會，頁1191-1215。

楊宗璟、艾嘉銘（民91），「交通違規事故責任鑑定影響因素與結果統計分析及模式構建」，中華民國運輸學會第十七屆論文研討會。

楊宗璟、陳婉郁（民92），「路口橫向碰撞事故責任鑑定之統計分析及模式建構」，中華民國運輸學會第十八屆論文研討會論文集。

魏開元，民國88年7月，「由肇事碰撞構圖及類神經網路推導肇事工程因素系統」，成功大學交通理系統所碩士論文。

葉名山、溫傑華、劉欣憲(2008)，「巢式羅吉特模式應用於肇事鑑定責任判定分析」，中華民國運輸學會第23屆論文研討會，高雄第一科技大學，頁891~頁911。

葉名山、劉欣憲、蕭宜倫，「應用約略集合建構肇事責任判定法則及判中分析」

中華民國運輸學會第23屆論文研討會，高雄第一科技大學，光碟集收錄。

葉名山、劉欣憲、蕭宜倫、柯旻嬋、馬偉誠、李旻錡(2008)，「應用人工智慧開發兩車肇事責任判定之專家系統」，車輛行車事故鑑定技術研討會，東勢林場，第

三部份第二篇。

葉名山、黃祖楊、劉欣憲(2008)，「行車事故模擬重建軟體個案分析－以PC-Crash與HVE為例」，海峽兩岸道路交通安全學術研討會，中國西安，頁170~頁182。

葉名山、劉欣憲、邱煜勝、柯旻嬋、劉秋蘭、馬偉誠(2007)，「應用分類樹與類神經網路於兩車事故責任判定分析」，中華民國運輸學會第22屆論文研討會，臺灣台北劍潭活動中心，頁825~頁842。

葉名山、劉欣憲、曾貴楷、廖遠橋、黃祖揚(2007)，「建置我國兩車事故碰撞責任鑑定之專家支援系統」，中華民國運輸學會第22屆論文研討會，臺灣台北劍潭活動中心，論文光碟集收錄。

葉名山、劉欣憲、張恭文、王詮勳(2007)，「應用判別分析於兩車事故鑑定責任判定分析」，中華民國運輸學會第22屆論文研討會，臺灣台北劍潭活動中心，論文光碟集收錄。

葉名山、黃祖揚、廖遠橋、劉欣憲(2007)，「肇事重建軟體之應用成效評估:PC-Crash及HVE為例」，96年道路交通安全與執法研討會，臺灣桃園警察大學，頁C15~頁C29。

葉名山、劉欣憲、廖遠橋、黃祖楊(2007)，「人工智慧判別與分析事故資訊系統之整合與軟體開發」，九十五年度車輛行車事故鑑定技術研討會，南投溪頭，頁2-1~頁2-24。



葉名山、劉欣憲(2007)，「兩車道路交通事故鑑定支援系統之建置」，第十五屆海峽兩岸都市交通學術研討會，中國福州，頁259~頁264。

劉欣憲、葉名山(2007)，「應用類別主成份分析建構兩車事故鑑定之判別模式」，第十五屆海峽兩岸都市交通學術研討會，中國福州，頁331~頁335。

葉名山、劉欣憲、張恭文(2006)，「建置兩車肇事事故責任鑑定模式之研究」，中華民國運輸學會第21屆論文研討會，臺灣新竹中華大學，論文集收錄。

葉名山、劉欣憲(2005)，「道路交通事故鑑定系統之建置」，中華民國運輸學會第20屆論文研討會，臺灣台北劍潭活動中心，頁707~頁724。

葉名山、劉欣憲、張恭文、陳鵬升(2005)，「應用分類樹於兩車肇事事故鑑定專家支援系統之建構」，94年道路交通安全與執法研討會，臺灣桃園警察大學，頁363~頁376。

Ming-Shan Yeh and Hsin-Hsien Liu(2007), A Study of Construction of the Traffic Accident Authentication Models for Two-Vehicle Collision, The 7th International Conference of Eastern Asia Society for Transportation Studies, Dalian.

Al-Ghamdi, Ali S.（2002）,“Using logistic regression to estimate the influence of accident,”Accident Analysis and Prevention, Vol. 34, No. 6, pp. 729-741.

Al-Ghamdi, Ali S.(2003), “Analysis of traffic accidents at urban intersections in Riyadh,” Accident Analysis and Prevention, Vol. 35, No. 5, pp. 717-724.

Fridstrom, L., Ifver, J., Ingebrigtsen, S., Kulmala, R., Thomsen, L. K., (1995), “Measuring the contribution of randomness, exposure, weather, and daylight to the variation in road accident counts,” Accident Analysis and Prevention 27(1), No. 1, 1-20.

Ivan, J., and O’Mara, P. (1997), “ Prediction of traffic accident rates using Poisson regression,” Presented at the 76th Annual Meeting of the Transportation Research Board.

Ivan, J.N., Wang, C., Bernardo, N.R., (2000), “Explaining two-lane highway crash rates using land use and hourly exposure, ”Accident Analysis and Prevention 32(6), 787-795.

Ivan, J. N., Pasupathy, R. K., and Ossenbruggen, P. J. (1999), “Differences in causality factors for single and multi-vehicle crashes on two-lane roads,” Accident Analysis and Prevention, Vol.31, pp.695-704.

Kraus, Jess F., et al.（1993）,“Epidemiological Aspects of Fatal and Severe Injury Urban Freeway Crashes,” Accident Analysis and Prevention, Vol.25, No.3, pp.229-239.

Poch, M., Mannering, F.（1996）, “ Negative binomial analysis of intersection,” Journal of Transportation Engineering, Vol.12, No. 1, pp. 105-113

應用人工智慧之基因規劃法開發肇事鑑定責任系統dspace.lib.fcu.edu.tw/bitstream/2377/28943/3/d958116798101.pdf ·...

Documents