壹  前言

交通壅塞是智慧城市發展的痛點，其根因複雜不易釐清，主要缺乏方法洞察壅塞原因與評估解決方案之有效性。根據2023台灣城市壅塞程度全球排名[1]，台灣道路壅塞是刻不容緩，極需改善的問題。為了深入了解壅塞的根本原因並評估潛在的解決方案，本公司提出了一種創新的方法：結合道路數據收集與駕駛行為參數的校估，構建交通數位分身。透過4D視覺化技術，我們能夠重現歷史上的道路壅塞情況，並利用AI演算法分析出最佳的號誌時制，從而在現場有效地緩解交通壅塞。

貳  交通數位分身發展現況

一、 數位分身概念及趨勢說明

數位分身（Digital Twin），又稱數位孿生或數位雙身，是一項將實體世界的物件或系統精確映射至虛擬空間的前沿技術。這一概念最早由密西根大學的Michael Grieves博士於2002年提出[2]，加上IoT(Internet of Things)技術助攻，可呈現真實世界的運作特性，其主要有4項關鍵要素[3]：

(1)真實空間：實體、系統(含IoT感測器資料)

(2)虛擬空間：2D/3D/AR/VR等視覺化呈現

(3)數據傳送：IoT資料收集

(4)資訊流程：模擬分析與預測建議回饋

數位分身已應用至交通、航空、製造、城市…等領域；IOWN GF[4]與歐盟[5]等國際組織亦著手制訂數位分身框架及發展地球數位分身系統等應用，其發展速度驚人，預計到2030年市場規模將達到1,845億美元，實現50％的年複合增長率[6]。

二、 交通數位分身國際應用案例

數位分身在交通領域的應用可以涵蓋陸、海、空三個環境，本文主要以陸上交通應用案例進行說明：

(1) 台灣淡海D-City智慧交通試驗場域[7]：透過佈設在實體環境中的各式偵測器與真實環境進行連動，即時模擬真實世界，如：號誌時制呈現、公車即時狀態呈現，並在虛擬世界中分析與模擬各種決策後，協助管理者做決策。

(2) 韓國虛擬自動駕駛汽車測試區[8]：韓國政府以數位分身技術建立虛擬首爾，用於呈現交通即時狀態，改善道路規劃與加速自駕車發展。

(3) 日本rFpro東京首都高速公路的數位分身[9]：以lidar建立高精度道路，包含標線標誌等完整道路資訊，以虛擬環境模擬各種行車情況藉此訓練自駕系統。

(4)日本Mini Tokyo 3D[10]：Mini Tokyo 3D 是東京公共交通的即時 3D 地圖。運行中的火車和到達或起飛的飛機都以流暢的動畫顯示在逼真的 3D 地圖上，尖峰時段有超過2200輛列車同時運行，但透過優化的資料結構和處理邏輯，即使在智慧型手機上也能實現非常流暢的運行動畫。

(5)德國鐵道數位分身[11]：德國國家鐵路與Nvidia合作建立鐵道數位分身(33,000KM，5700站)，整合3D地圖，車輛模型，路線，號誌等眾多資料，致力於在不建造新軌道的情況下提高鐵路網路的運力。並製作首個與德國等比例大小的數位孿生模型，以徹底模擬列車自動運行在整個路網中的情況，透過精準符合物理原則的方式，逼真模擬整個鐵路系統。

三、 CHT 4D車流模擬及AI號控最佳化解決方案

鑑於智慧道路建置成本高，交通模擬為建置位置規劃與效益評估之重要工具，有助於優化智慧道路投入效益，提升交通系統運作效。CHT運用交通大數據，結合數位分身平台建立車流模擬方案，透過4D擬真呈現洞察壅塞原因，並以AI分析最佳號誌時制，回饋現場解決壅塞問題。

(1) 4D車流模擬：以國五頭城至南港為POC(Proof of Concept)場域，完成AI模擬參數校估技術，以VD(Vehicle Detector)/ETC(Electronic Toll Collection)/CVP(Cellular-Based Vehicle Probe)為路況真值，結合路網、號誌時制及運輸需求等資料，藉由CHT自主開發數位分身平台進行自動化車流模擬分析，應用深度強化式學習技術自動校估，模擬車速與VD差距約18%(校估前:25%)、車流量差距約8%(校估前35%)，模擬準確性與傳統交通工程師人工校估水準接近，可大幅節省人工校估時間，並透過數位分身4D車流視覺化技術，動態仿真呈現模擬結果，可進行歷史壅塞根因洞察、號誌改善後車流變化呈現。

(2) AI號控最佳化：應用Q Learning強化式學習(Reinforcement Learning)，自動根據即時路況，優化國5頭城主線1支及入口匝道2支號誌，目標透過號控，使雪隧通過之車流量增大，以112/02/19、112/04/26~28之資料訓練模型，於112/04/08(六)測試，整體路網平均車速可改善4.37%；平均行車時間下降4.63%；平均停等時間下降18.55%。

參  結論

傳統的交通壅塞改善方案往往集中於單一路口的號誌優化、智慧道路建設或現有道路的改進。然而，這些方法可能會導致一個路口的流暢通行反而加劇了鄰近路口的壅塞問題。針對這一挑戰，本研究所提出的解決方案在國道五號的實證測試（POC）中已展現出顯著成效。我們將持續在市區範圍內進行進一步的驗證，以協助交通管理人員制定更為精準的交通管制策略。透過我們的解決方案，不僅能夠提供最佳化的號誌時制參數，還能對路網進行全面的改善建議，從而在更廣泛的範圍內緩解交通壅塞，實現交通流的最佳化。

肆  參考文獻