TWI604324B - Performance evaluation system and method - Google Patents
Performance evaluation system and method Download PDFInfo
- Publication number
- TWI604324B TWI604324B TW105141530A TW105141530A TWI604324B TW I604324 B TWI604324 B TW I604324B TW 105141530 A TW105141530 A TW 105141530A TW 105141530 A TW105141530 A TW 105141530A TW I604324 B TWI604324 B TW I604324B
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- vehicle
- driver
- event
- performance evaluation
- Prior art date
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本發明有關於一種績效評估系統及方法，特別是一種蒐集複數車輛設備及使用者設備的能源消耗資訊或危險因子等，並綜合考量以瞭解各種駕駛行為對績效的影響。
燃油料成本對汽車貨運業而言，係為一種主要成本因子之一，需要加以重點關注，另外，關於貨運業的駕駛人之違規駕駛行為，不僅影響到公司的聲譽，對營運也具有相當影響，有鑒於此，若能發展出一種能瞭解貨運業對應不同駕駛人的能源消耗以及駕駛違規行為等績效之技術，將能有效地對應此一問題。
先前技術中，雖有利用歷史資料之車輛種類、油表電壓、行車速度來取得並校正油量值的技術，亦有利用偵測電瓶電壓並用以運算出車輛油耗的技術，或是診斷油箱的回饋油量數據的技術等等；然而，其各自皆缺少有效的回饋方法，或是無法透過路網的車流狀況、駕駛人差異等等因素來綜合估計貨運業所需的燃油料成本，顯各有其缺失，仍待加以改良。
先前技術中，有透過複數行動裝置中包含的工作紀錄單元、目標分析要求單元等，用以上傳員工的工作狀況
至雲端伺服器，再與工作目標比對，以分析目標完成比例的系統與方法，然而，此種技術雖能計算工作完成比例，以及瞭解員工之間的工作關聯性，但卻無法比較員工之間的績效差異，或找出違規的員工給企業管理者，顯然亦有其缺失，仍待加以改良。
而本發明透過複數車輛設備及使用者設備蒐集能源消耗資訊及違規資訊，並根據各種因素綜合統計各種駕駛行為以及對績效進行排序，係一種極為有效之績效估計技術。
為了解決先前技術無法綜合考量行車時的各種因素對駕駛績效的影響，本發明提供一種績效評估系統，至少包含複數個車輛設備、一資料分析伺服器設備以及一資料庫設備。
其中，本發明的各該車輛設備可傳送車輛設備資訊至該資料分析伺服器設備，該資料分析伺服器設備則可以將傳來的資料儲存至該資料庫設備，再由資料分析伺服器設備計算各該車輛設備的駕駛績效，並予以排行。
其中，各該車輛設備各自至少包含有一駕駛人身份辨識裝置、一定位模組、一中介軟體模組以及一通訊模組；其中，該通訊模組係可支援無線網路傳輸，以建立各該車輛設備與該資料分析伺服器設備之間的通訊。
而該定位模組係支援全球定位系統(Global Positioning System,GPS)或無線網路訊號定位等定位方法，使各該車輛設備可經由此模組取得位置資訊和車速資訊。
該中介軟體模組可以支援超文本傳輸協定(HyperText Transfer Protocol,HTTP)、或訊息序列遙測傳輸(Message Queuing Telemetry Transport,MQTT)或受限應用協定(Constrained Application Protocol,CoAP)等傳輸協定其中至少一種，使各該車輛設備可經由各自的該中介軟體模組再經由該通訊模組與該資料分析伺服器設備介接，以傳送車輛設備資訊至該資料分析伺服器設備。
而該駕駛人身份辨識裝置可讀取駕駛人身份識別證件以取得駕駛人編號。
至此，各該車輛設備經由該中介軟體模組和該通訊模組傳送之車輛設備資訊包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊等。
各該車輛設備各自更可選擇性地包含一能源偵測裝置，該能源偵測裝置可偵測該車輛設備的能量消耗資訊，能量消耗資訊可以是消耗的油量資訊、電量資訊或天然氣資訊等，能量消耗資訊亦被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
各該車輛設備各自更可選擇性地包含一方位角感測器，該方位角感測器係用以偵測各該車輛設備於行駛的方位角資訊，方位角資訊係用以判斷超速事件、急加速事件、急煞車事件、或急轉彎事件等事件資訊，而事件資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
各該車輛設備各自更可選擇性地包含一專注力偵測設備，該專注力偵測設備係為穿載式的腦波偵測設備，用以穿載於駕駛人頭上以偵測該駕駛人的腦波，以取得專注力資訊，專注力資訊係用以判斷恍神事件等事件資訊，而事
件資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
各該車輛設備各自更可選擇性地包含一前車距離偵測設備和一車道偏移偵測設備，該前車距離偵測設備係偵測各該車輛設備於行駛時與前方車輛間的前車距離資訊，而該車道偏移偵測設備係偵測各該車輛設備於行駛時未打方向燈的偏移車道資訊，前車距離資訊與偏移車道資訊係分別用以判斷未保持安全距離事件或車道偏移事件等事件資訊，而事件資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
各該車輛設備各自更可選擇性地包含一車上診斷系統和一溫度感測器，該車上診斷系統係偵測各該車輛設備設置車輛的車輛狀態資訊，而該溫度感測器係偵測各該車輛設備設置車輛的冷凍機之溫度資訊，車輛狀態資訊以及溫度資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
至此，各該車輛設備經由該中介軟體模組和該通訊模組傳送之車輛設備資訊包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊、能量消耗資訊、事件資訊、車輛狀態資訊以及溫度資訊等，其中，事件資訊可以係超速事件、急加速事件、急煞車事件、急轉彎事件、恍神事件、未保持安全距離事件或車道偏移事件等。
其中，本發明的該資料庫設備可儲存一班表資料表，該班表資料表係用以紀錄各該車輛設備收送貨物的站點資訊和預定到站時間資訊，當該資料分析伺服器設備接收到車輛設備資訊後，可根據該車輛設備資訊中的車輛狀態資訊
以及溫度資訊來產生車門關閉異常事件、溫度異常事件、預冷不足事件或到站時間異常事件等，站點資訊可以係經緯度座標等。
而本發明的該資料分析伺服器設備接收來自各該車輛設備的車輛設備資訊，透過一績效評估演算法計算駕駛人駕駛時的績效，更能對駕駛人的績效進行排序。
其中，該資料分析伺服器設備執行的該績效評估演算法，即對應本發明的績效評估方法之步驟，其至少包含以下步驟：1.收集和分析各該車輛設備資訊，由設置於車輛上的各該車輛設備回報車輛設備資訊至該資料分析伺服器設備，由該資料分析伺服器設備分析一時段區間內各該車輛設備的車輛設備資訊，並將車輛設備資訊儲存至一資料庫設備；2.選擇至少一特徵要素，自車輛設備資訊中獲取車輛設備號碼、車輛型號以及駕駛人等特徵要素中選擇至少一種特徵要素進行績效評估；3.建構層級結構，依選擇的各該特徵要素設定各該特徵要素的上層及下層關聯結構；4.執行一成對比較矩陣產生演算法，以依每個層級設定的各該特徵要素產生一成對比較矩陣；5.計算特徵值與特徵向量，運用數值分析計算每個層級中特徵要素的一特徵向量矩陣；6.選擇解決方案，依每個層級中的各該特徵要素之該特徵向量矩陣產生複數個解決方案的分數後，再篩選出一最佳解決方案。
而在本發明之績效評估方法中，該成對比較矩陣產生演算法可透過下列幾種方式達成：
1.統計每個層級結構設定的各該特徵要素之數值，並依數值的比例來產生成對比較矩陣。
2.係運用距離函數或相似度函數計算每個層級結構設定的各該特徵要素之數值，並依數值來產生成對比較矩陣。
3.該成對比較矩陣產生演算法係運用模糊歸屬函數計算每個層級結構設定的各該特徵要素之數值，並依數值來產生成對比較矩陣。
另外，在該資料分析伺服器設備的選擇解決方案步驟中，在各該解決方案的分數產生後，將根據各該解決方案中分數最佳者來篩選出該最佳解決方案，或是運用決策樹資訊獲利法來篩選出該最佳解決方案。
而在本發明之績效評估方法中，在選擇各該特徵要素時，更可以選定各該車輛設備的能量消耗資訊，以使該最佳解決方案係評估節能駕駛績效；或是，選定各該車輛設備的超速事件、急加速事件、急煞車事件、急轉彎事件、恍神事件、未保持安全距離事件或車道偏移事件等事件資訊，以使該最佳解決方案係評估危險駕駛績效；或是，選定各該車輛設備的車門關閉異常事件、溫度異常事件、預冷不足事件或到站時間異常事件等事件資訊，以使該最佳解決方案係評估物流士績效。
而本發明之績效評估系統及方法與其他習用技術相互比較時，更具備下列優點：
1.由車輛設備回報駕駛人的資訊和車輛資訊，再由資料
分析伺服器設備計算駕駛人的績效和排名，可以自動化地產生績效評估結果。
2.本發明提出之績效評估方法，結合模糊歸屬函數來產生成對比較矩陣，可強化資料間的差異分析並避免無窮大或無意義的數值。
3.本發明提出之績效評估方法，結合距離函數或相似度函數來產生成對比較矩陣，可找出差異度最大的資料。
4.本發明提出之績效評估方法可應用於能源消耗估計之用途，以考量不同駕駛人、不同車輛設備以及不同駕駛行為所消耗的能源數量，並評選出能源消耗最低的解決方案，提供給企業管理者參考。
5.本發明提出之績效評估方法可應用於危險駕駛評估之用途，可考量不同駕駛人、不同車輛設備以及不同駕駛行為所產生的風險程度，並評選出風險程度最低的解決方案，提供給企業管理者參考。
6.本發明提出之績效評估方法可應用於物流士評估之用途，可考量不同駕駛人、不同車輛設備以及不同駕駛行為所產生的違規程度，並評選出違規程度最低的解決方案，提供給企業管理者參考。
1‧‧‧車輛設備
100‧‧‧通訊模組
101‧‧‧中介軟體模組
102‧‧‧定位模組
103‧‧‧駕駛人身份辨識裝置
104‧‧‧能源偵測裝置
105‧‧‧方位角感測器
106‧‧‧專注力偵測設備
107‧‧‧前車距離偵測設備
108‧‧‧車道偏移偵測設備
109‧‧‧車上診斷系統
110‧‧‧溫度感測器
2‧‧‧資料分析伺服器設備
20‧‧‧通訊模組
22‧‧‧中介軟體模組
24‧‧‧績效評估模組
3‧‧‧資料庫設備
30‧‧‧通訊模組
32‧‧‧運算模組
34‧‧‧儲存模組
4‧‧‧外部資訊設備
S201~S206‧‧‧步驟流程
圖1為本發明之績效評估系統實施例的一系統架構圖。
圖2為本發明之績效評估方法實施例的步驟流程圖。
圖3為本發明之績效評估方法實施例的一層級結構示意圖。
圖4為本發明之績效評估方法實施例的一層級結構示意圖。
圖5為本發明之績效評估系統實施例的一系統架構圖。
圖6為本發明之績效評估方法實施例的一層級結構示意圖。
圖7為本發明之績效評估系統實施例的一系統架構圖。
圖8為本發明之績效評估方法實施例的一層級結構示意圖。
為使本發明的目的、技術方案及優點更加清楚明白，下面將結合附圖及實施例，對本發明進行進一步詳細說明；應當理解，此處所描述的具體實施例僅用以解釋本發明，但並不用於限定本發明。
請參閱圖1，係為本發明之績效評估系統的第一實施例系統架構圖，其中，系統中包含複數個車輛設備1(避免圖式繁雜，圖中僅見其中之一)、一資料分析伺服器設備2以及一資料庫設備3。
車輛設備1可以傳送關於其設置車輛的車輛設備資訊至資料分析伺服器設備2，資料分析伺服器設備2則可以將資料儲存至資料庫設備3，再由資料分析伺服器設備2執行本發明的績效評估演算法來計算每個駕駛人的績效和排名。
在此實施例中，該車輛設備1包含一通訊模組100、一中介軟體模組101、一定位模組102、一駕駛人身份辨識裝置103以及能源偵測裝置104，其中，該通訊模組100可支援4G(長期演進技術Long Term Evolution,LTE)通訊技術，使該車輛設備1可經由該通訊模組100連結4G網路，並
建立與資料分析伺服器設備2的通訊；該中介軟體模組101可支援超文本傳輸協定和具象狀態傳輸(Representational State Transfer,REST)，該車輛設備1可經由該中介軟體模組101呼叫資料分析伺服器設備2的應用程式介面(Application Program Interfaces,APIs)，並將車輛設備資訊以週期性或非週期性的方式傳送至該資料分析伺服器設備2，車輛設備資訊可以包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊或車速資訊等等；而該定位模組102可支援全球定位系統，以使車輛設備1經經由衛星訊號取得位置資訊和車速資訊；該駕駛人身份辨識裝置103係一無線射頻識別系統(Radio Frequency Identification,RFID)讀卡機，而駕駛人各自擁有的駕駛人身份識別證件係一RFID標籤(tag)，該RFID標籤可儲存一駕駛人編號，並在接近該駕駛人身份辨識裝置103時，該駕駛人身份辨識裝置103可取得其中的駕駛人編號；能源偵測裝置104係一油量偵測裝置，可偵測車輛油箱的汽油數量，以計算汽油數量的差異取得能量消耗資訊，並提供能量消耗資訊給該車輛設備1，故車輛設備1傳輸的車輛設備資訊包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊、以及能量消耗資訊。
而在此實施例中，共有C N 台車輛設備、T N 種車輛型號、D N 位駕駛人，該車輛設備1可每隔30秒傳送一次車輛設備資訊至資料分析伺服器設備2，如下表一的範例所示；例如：第一駕駛人於2015/01/01駕駛車輛編號第一之車輛，該車輛設置的車輛設備的車輛型號為第一種車輛型號，車輛設備透過駕駛人身份辨識裝置取得駕駛人的身分為第一駕駛人編號，並且該車輛設備可經由其定位模組於06：00：00取得
該車輛設備的位置資訊(即經度102.5423383度和緯度24.09490167度)和車速資訊(即時速44公里/小時)，並且車輛設備經由該能源偵測裝置取得30秒內(2015/01/01 05：59：30-2015/01/01 06：00：00)所消耗油量為0.037公升(即能量消耗資訊)，再經由所屬中介軟體模組呼叫資料分析伺服器的REST APIs，以將車輛設備資訊傳送至資料分析伺服器。
以下為表一：
請繼續參閱圖1，其中，資料分析伺服器設備2
包含一通訊模組20、一中介軟體模組22以及一績效評估模組24；在此實施例中，該資料分析伺服器設備2可支援Linux作業系統、微軟Windows作業系統等，並可於所屬作業系統上建置網路服務伺服器；該通訊模組20可支援有線網路傳輸，以建立車輛設備1、資料庫設備3與資料分析伺服器設備2之間的通訊；而該中介軟體模組22係採用Tomcat網路服務伺服器實作，以建置複數個REST APIs供車輛設備1介接，其可經由超文本傳輸協定接收車輛設備1傳送的車輛設備資訊，並將接收到的車輛設備資訊和能量消耗資訊儲存至資料庫設備3，其中，車輛設備資訊可包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊、以及能量消耗資訊；而績效評估模組24則係執行績效評估演算法，收集各該車輛設備所傳送之車輛設備資訊，並分析出各位駕駛人的能源消耗數量，計算每位駕駛人的能源消耗績效和排名。
請繼續參閱圖1，該資料庫設備3包含一通訊模組30、一運算模組32以及一儲存模組34；在此實施例中，該資料庫設備3係採用微軟結構化查詢語言(Structural Query Language,SQL)伺服器、MySQL、PostgreSQL、甲骨文資料庫伺服器、MongoDB伺服器、HBase伺服器等來實作；而該通訊模組30可支援有線網路傳輸，以建立資料庫設備3與資料分析伺服器設備2之間的通訊；該運算模組32可經由通訊模組30接收資料分析伺服器設備3所傳送的要求以存取該儲存模組34；而該儲存模組34係與運算模組32介接，來提供新增、修改、刪除、查詢等操作，該儲存模組34將可儲存車輛設備資訊(如上表一所示)。
再請參照圖2，係為本發明之績效評估方法的步
驟流程圖，績效評估方法即資料分析伺服器設備中的績效評估模組所執行的績效評估演算法，其步驟至少包含：1.步驟S201搜集和分析車輛設備資訊，其係由各該車輛設備回報車輛設備資訊至該資料分析伺服器設備，再由該資料分析伺服器設備分析車輛設備資訊，尤其是一時段區間內之車輛設備資訊，且將車輛設備資訊儲存至該資料庫設備；2.步驟S202選擇特徵要素，特徵要素包含車輛設備、車輛型號、以及駕駛人等，可選擇複數個特徵要素進行績效評估；3.步驟S203建構層級結構，依選擇的特徵要素設定上層和下層關聯結構；4.步驟S204成對比較矩陣產生演算法，依每個層級設定的特徵要素產生成對比較矩陣；5.步驟S205計算特徵值與特徵向量，運用數值分析計算各層級特徵要素的特徵向量矩陣；6.步驟S206選擇解決方案，可依各層級特徵要素的特徵向量矩陣產生每個解決方案的分數，再篩選出對應於一最佳分數的最佳解決方案。
根據上述績效評估方法，在本實施例中，步驟S201蒐集和分析車輛設備資訊係由該績效評估模組向該資料庫設備查詢與分析一時段區間內之各車輛設備資訊，該時段區間在此實施例中係為一年；以第i種車輛型號為例，該績效評估模組向該資料庫設備查詢和統計第i種車輛型號於2015年整年的能量消耗資訊。在此實施例中，共有T N 種車輛型號，統計出所有車輛型號的能量消耗資訊
{,,...,,,...,,...,,...,}。
步驟S202選擇特徵要素採用車輛型號和駕駛人兩特徵要素進行分析，並依此進行步驟S203建立層級結構，依序以最佳解決方案作為第一層、車輛型號作為第二層、駕駛人作為第三層，其層級結構示意圖請參閱圖3。
步驟S204的成對比較矩陣產生演算法，係統計每個層級設定的特徵要素之數值，並依該數值的比例產生成對比較矩陣；
在此實施例中，第二層的車輛型號可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，可由該成對比較矩陣進行各車輛型號的能量消耗之比較與分析，並運用數值分析法計算層級中特徵要素的特徵向量矩陣；車輛型號之初始化成對比較矩陣：
車輛型號之正規化成對比較矩陣：
第二層特徵要素之特徵向量矩陣，即係各車輛型號之影響因
素權重矩陣：
在此實施例中，第三層的各車輛型號之駕駛人皆可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，可由該成對比較矩陣進行各車輛型號的各駕駛人的能量消耗之比較與分析；若以各駕駛人駕駛第一種車輛型號所產生的能源消耗為例：第一種車輛型號的駕駛人之初始化成對比較矩陣：
第一種車輛型號的駕駛人之正規化成對比較矩陣：
第一種車輛型號的各駕駛人之影響因素權重矩陣：
根據上述之計算方式，第三層的第x種車輛型號
之駕駛人可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，可由該成對比較矩陣進行各車輛型號的各駕駛人的能量消耗之比較與分析；第x種車輛型號的駕駛人之初始化成對比較矩陣：
第x種車輛型號的駕駛人之正規化成對比較矩陣：
第x種車輛型號的各駕駛人之影響因素權重矩陣：
依此類推，可在第三層產生T N 個成對比較矩陣，即係W 2,1,W 2,2,...,，並可依此建立第三層之特徵要素的特徵向量矩陣W 2：
承上，經步驟S205計算特徵值與特徵向量後。
即進入步驟S206選擇解決方案，依各層級特徵要素特徵向量矩陣產生每個解決方案的分數，再篩選出最佳解決方案；在此實施例中，每個解決方案的分數係採用矩陣相乘的方式產生(如下列式子所示)，各解決方案的分數代表為此解決方案相較於其他駕駛人的能源消耗比例，υ1代表解決方案1的分數(即第一位駕駛人的分數)、υ2代表解決方案2的分數(即第二位駕駛人的分數)、…、代表解決方案D N 的分數(即第D N 位駕駛人的分數)；
在此實施例中，能源消耗越低者為越佳，故比較每個解決方案的分數，取得最低分數的解決方案，則該解決方案所對應之駕駛人為最佳駕駛人；即為，假設最低分數係υ1，則代表第一位駕駛人優於其他駕駛人，由第一位駕駛人駕駛各種車輛型號將可以得到最少的能源消耗。
根據上述計算方式，假設T N 為3、第一種車輛型號的能源消耗數量為第二種車輛型號的能源消耗數量的1.011倍、第一種車輛型號的能源消耗數量為第三種車輛型號的能源消耗數量的1.022倍，則車輛型號之初始化成對比較矩陣，如下表二範例所示：
再根據車輛型號之初始化成對比較矩陣計算車輛型號之正規化成對比較矩陣，如下表三範例所示：
再根據車輛型號之正規化成對比較矩陣計算第二層之特徵要素特徵向量矩陣，如下表四範例所示：
根據上述計算方式，假設D N 為3、第一位駕駛人駕駛第一種車輛型號的能源消耗數量為第二位駕駛人駕駛第一種車輛型號的能源消耗數量的0.981倍、第一位駕駛人駕駛第一種車輛型號的能源消耗數量為第三位駕駛人駕駛第一種車輛型號的能源消耗數量的0.972倍，則第一種車輛型號之駕駛人初始化成對比較矩陣，如下表五範例所示：
再根據第一種車輛型號之駕駛人初始化成對比較矩陣計算第一種車輛型號之駕駛人正規化成對比較矩陣，如下表六範例所示：
再根據第一種車輛型號之駕駛人正規化成對比較矩陣計算第一種車輛型號之各駕駛人之影響因素權重矩陣，如下表七範例所示：
根據上述計算方式，假設第一位駕駛人駕駛第二種車輛型號的能源消耗數量為第二位駕駛人駕駛第二種車輛型號的能源消耗數量的0.941倍、第一位駕駛人駕駛第二種車輛型號的能源消耗數量為第三位駕駛人駕駛第二種車輛型號的能源消耗數量的0.974倍，則第二種車輛型號的駕駛人之初始化成對比較矩陣，如下表八範例所示：
可根據第二種車輛型號的駕駛人之初始化成對比較矩陣計算第二種車輛型號的駕駛人之正規化成對比較矩陣，如下表九範例所示：
可根據第二種車輛型號的駕駛人之正規化成對比較矩陣計算第二種車輛型號的各駕駛人之影響因素權重矩陣，如下表十範例所示：
根據上述計算方式，假設第一位駕駛人駕駛第三種車輛型號的能源消耗數量為第二位駕駛人駕駛第三種車輛型號的能源消耗數量的0.998倍、第一位駕駛人駕駛第三種車輛型號的能源消耗數量為第三位駕駛人駕駛第三種車輛型號的能源消耗數量的0.999倍，則第三種車輛型號的駕駛人之初始化成對比較矩陣，如下表十一範例所示：
可根據第三種車輛型號的駕駛人之初始化成對比較矩陣計算第三種車輛型號的駕駛人之正規化成對比較矩陣，如下表十二範例所示：
可根據第三種車輛型號的駕駛人之正規化成對比較矩陣計算第三種車輛型號的各駕駛人之影響因素權重矩陣，如下表十三範例所示：
而第三層之特徵要素特徵向量矩陣係結合第一種車輛型號的各駕駛人之影響因素權重矩陣、第二種車輛型號的各駕駛人之影響因素權重矩陣、第三種車輛型號的各駕駛人之影響因素權重矩陣，如下表十四範例所示：
各個解決方案的分數可採用矩陣相乘的方式取得，即表四和表十四兩矩陣相乘的結果，結果如下表十五範例所示。
本發明更有另一實施例，係為一種績效評估系統及方法，係可運用於節能駕駛績效評估之用途，係由績效評估系統執行績效評估演算法收集和分析複數駕駛人駕駛車輛
的能量消耗，以評選出消耗最低的解決方案。
其中，本實施例中的績效評估系統與圖1之設置相同，該車輛設備1包含一通訊模組100、一中介軟體模組101、一定位模組102、一駕駛人身份辨識裝置103以及能源偵測裝置104，其中，該通訊模組100可支援4G(長期演進技術Long Term Evolution,LTE)通訊技術，使該車輛設備1可經由該通訊模組100連結4G網路，並建立與資料分析伺服器設備2的通訊；該中介軟體模組101可支援超文本傳輸協定和具象狀態傳輸(Representational State Transfer,REST)，該車輛設備1可經由該中介軟體模組101呼叫資料分析伺服器設備2的應用程式介面(Application Program Interfaces,APIs)，並將車輛設備資訊以週期性或非週期性的方式傳送至該資料分析伺服器設備2，車輛設備資訊可以包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊或車速資訊等等；而該定位模組102可支援全球定位系統，以使車輛設備1經經由衛星訊號取得位置資訊和車速資訊；該駕駛人身份辨識裝置103係一無線射頻識別系統(Radio Frequency Identification,RFID)讀卡機，而駕駛人各自擁有的駕駛人身份識別證件係一RFID標籤(tag)，該RFID標籤可儲存一駕駛人編號，並在接近該駕駛人身份辨識裝置103時，該駕駛人身份辨識裝置103可取得其中的駕駛人編號；能源偵測裝置104係一油量偵測裝置，可偵測車輛油箱的汽油數量，以計算汽油數量的差異取得能量消耗資訊，並提供能量消耗資訊給該車輛設備1，故車輛設備1傳輸的車輛設備資訊包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊、以及能量消耗資訊。
在本實施例中，共有C N 台車輛設備、T N 種車輛型號、D N 位駕駛人，車輛設備每隔30秒傳送一次該車輛設備資訊至該資料分析伺服器設備，如下表十六所示；例如：第一駕駛人於2015/01/01駕駛車輛編號第一之車輛，該車輛設置的車輛設備的車輛型號為第一種車輛型號，車輛設備透過駕駛人身份辨識裝置取得駕駛人的身分為第一駕駛人編號，並且該車輛設備可經由其定位模組於06：00：00取得該車輛設備的位置資訊(即經度102.5423383度和緯度24.09490167度)和車速資訊(即時速44公里/小時)，並且車輛設備經由該能源偵測裝置取得30秒內(2015/01/01 05：59：30-2015/01/01 06：00：00)所消耗電量為0.019度(千瓦小時(1kWh)(即能量消耗資訊)，再經由所屬中介軟體模組呼叫資料分析伺服器的REST APIs，以將車輛設備資訊傳送至資料分析伺服器。
表十六範例如下：
本實施例的系統架構請繼續參閱圖1，其中，資料分析伺服器設備2包含一通訊模組20、一中介軟體模組22以及一績效評估模組24；在此實施例中，該資料分析伺服器設備2可支援Linux作業系統、微軟Windows作業系統等，並可於所屬作業系統上建置網路服務伺服器；該通訊模組20可支援有線網路傳輸，以建立車輛設備1、資料庫設備3與資料分析伺服器設備2之間的通訊；而該中介軟體模組22係採用Tomcat網路服務伺服器實作，以建置複數個REST APIs供車輛設備1介接，其可經由超文本傳輸協定接收車輛設備1傳送的車輛設備資訊，並將接收到的車輛設備資訊和能量消耗資訊儲存至資料庫設備3，其中，車輛設備資訊可包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊、以及能量消耗資訊；而績效評估模組24則係執行績效評估演算法，收集各該車輛設備所傳送之車輛設備資訊，並分析出各位駕駛人的能源消耗數量，計算每位駕駛人的能源消耗績效和排名。
該資料庫設備3包含一通訊模組30、一運算模組32以及一儲存模組34；在此實施例中，該資料庫設備3係採用微軟結構化查詢語言(Structural Query Language,SQL)伺服
器、MySQL、PostgreSQL、甲骨文資料庫伺服器、MongoDB伺服器、HBase伺服器等來實作；而該通訊模組30可支援有線網路傳輸，以建立資料庫設備3與資料分析伺服器設備2之間的通訊；該運算模組32可經由通訊模組30接收資料分析伺服器設備3所傳送的要求以存取該儲存模組34；而該儲存模組34係與運算模組32介接，來提供新增、修改、刪除、查詢等操作，該儲存模組34將可儲存車輛設備資訊(如上表十六所示)。
而本實施例的績效評估方法的步驟流程圖，亦與上述第一實施例相同，請參照圖2，其步驟包含：步驟S201搜集和分析車輛設備資訊；步驟S202選擇特徵要素；步驟S203建構層級結構；步驟S204成對比較矩陣產生演算法；步驟S205計算特徵值與特徵向量；步驟S206選擇解決方案，以篩選出對應於一最佳分數的最佳解決方案。
在此實施例中，步驟S201收集和分析車輛設備資訊係由績效評估模組向資料庫設備查詢與分析一年內之各個車輛設備資訊，並可以計算不同時速區間的平均能量消耗資訊，在此實施例中，共有十四個時速區間，包含有：第1時速區間為0公里/小時、第2時速區間為大於0公里/小時和小於等於10公里/小時、第3時速區間為大於10公里/小時和小於等於20公里/小時、第4時速區間為大於20公里/小時和小於等於30公里/小時、第5時速區間為大於30公里/小時和小於等於40公里/小時、第6時速區間為大於40公里/小時和小於等於50公里/小時、第7時速區間為大於50公里/小時和小於等於60公里/小時、第8時速區間為大於60公里/小時和小於等於70公里/小時、第9時速區間為大於70公里/小時和
小於等於80公里/小時、第10時速區間為大於80公里/小時和小於等於90公里/小時、第11時速區間為大於90公里/小時和小於等於100公里/小時、第12時速區間為大於100公里/小時和小於等於110公里/小時、第13時速區間為大於110公里/小時和小於等於120公里/小時、以及第14時速區間為大於120公里/小時。
以第i個車輛設備為例，績效評估模組向該資料庫設備查詢和分析第i個車輛設備在2015年內各個時速區間的能量消耗資訊：第i個車輛設備第1時速區間的能量消耗資訊度、第i個車輛設備第2時速區間的能量消耗資訊度、第i個車輛設備第3時速區間的能量消耗資訊度、第i個車輛設備第4時速區間的能量消耗資訊度、第i個車輛設備第5時速區間的能量消耗資訊度、第i個車輛設備第6時速區間的能量消耗資訊度、第i個車輛設備第7時速區間的能量消耗資訊度、第i個車輛設備第8時速區間的能量消耗資訊度、第i個車輛設備第9時速區間的能量消耗資訊度、第i個車輛設備第10時速區間的能量消耗資訊度、第i個車輛設備第11時速區間的能量消耗資訊度、第i個車輛設備第12時速區間的能量消耗資訊度、第i個車輛設備第13時速區間的能量消耗資訊度、第i個車輛設備第14時速區間的能量消耗資訊度。
根據上述績效評估方法，以第i個駕駛人駕駛第x個車輛設備為例，該績效評估模組向該資料庫設備查詢和分析第i個駕駛人駕駛第x個車輛設備在2015年一整年各個時速區間的能量消耗資訊：第i個駕駛人駕駛第x個車輛設備在第1時速區間的能量消耗資訊為度、第i個駕駛人駕駛第
x個車輛設備在第2時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第3時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第4時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第5時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第6時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第7時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第8時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第9時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第10時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第11時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第12時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第13時速區間的能量消耗資訊為度、第i個駕駛人駕駛第x個車輛設備在第14時速區間的能量消耗資訊為度。
在此實施例中步驟S202選擇特徵要素，係採用車輛設備和駕駛人該兩特徵要素進行分析，並依此進行步驟S203建立層級結構，依序以最佳解決方案作為第一層、車輛設備作為第二層、駕駛人作為第三層，其層級結構示意圖請參閱圖4。
其中，步驟S204的該成對比較矩陣產生演算法，可運用距離函數或相似度函數計算每個層級設定的特徵要素之數值，並依數值產生成對比較矩陣。
在此實施例中，第二層的車輛設備可對應一成對
比較矩陣，其該成對比較矩陣可採用餘絃相似度(Cosine Similarity)方式產生，可運用以分別計算車輛設備之正規化成對比較矩陣和第二層之特徵要素的特徵向量矩陣；車輛設備之初始化成對比較矩陣：
車輛設備之正規化成對比較矩陣：
第二層之特徵要素特徵向量矩陣，即係各車輛設備之影響因素權重矩陣：
在此實施例中，第三層的每個車輛設備之駕駛人皆可對應一成對比較矩陣，該成對比較矩陣可採用餘絃相似度方式產生，並可由該成對比較矩陣進行每個車輛設備的各駕駛人的能量消耗之比較與分析，以第i個駕駛第x個車輛設備為例，可透過第x個車輛設備的駕駛人之初始化成對比較矩陣，進而計算出第x個車輛設備的駕駛人之正規化成對比較矩陣和第三層之特徵要素特徵向量矩陣；
其 中，第x個車輛設備的駕駛人之初始化成對比較矩陣：
其中，第x個車輛設備的駕駛人之正規化成對比較矩陣：
第x個車輛設備的駕駛人影響因素權重矩陣：
依此類推，可在第三層產生C N 個成對比較矩陣，即係W 2,1,W 2,2,...,，並可依此建立第三層之特徵要素特徵向量矩陣W 2：
承上，經步驟S205計算特徵值與特徵向量後。即進入步驟S206選擇解決方案，在此實施例中，各個解決方案的分數可經由特徵向量矩陣相乘取得(如下所示)，各解決方案的分數代表為解決方案相較於其他駕駛人的能源消耗比例，υ1代表解決方案1的分數(即第一位駕駛人的分數)、υ2代表解決方案2的分數(即第二位駕駛人的分數)、…、代表
解決方案D N 的分數(即第D N 位駕駛人的分數)；
可採用餘絃相似度計算出各個解決方案的相似度，並依此找出分數最低的解決方案，即代表此解決方案與其他解決方案差異最大，用以找出能源消耗差異最大的駕駛人。
本發明更有另一實施例，係為一種績效評估系統及方法，係可運用於危險駕駛績效評估之用途，由該績效評估模組執行績效評估演算法，收集和分析複數駕駛人駕駛車輛的事件資訊，事件資訊係為超速事件、急加速事件、急煞車事件、急轉彎事件、恍神事件、未保持安全距離事件、車道偏移事件等等，以評選出危險程度最低的解決方案。
本實施例的績效評估系統之系統架構圖請參閱圖5，系統中包含複數個車輛設備1(避免圖式繁雜，圖中僅見其中之一)、一資料分析伺服器設備2以及一資料庫設備3。
車輛設備1可以傳送關於其設置車輛的車輛設備資訊至資料分析伺服器設備2，資料分析伺服器設備2則可以將資料儲存至資料庫設備3，再由資料分析伺服器設備2執行本發明的績效評估演算法來計算每個駕駛人的績效和排名。
在此實施例中，該車輛設備1包含一通訊模組100、一中介軟體模組101、一定位模組102、一駕駛人身份
辨識裝置103、一方位角感測器105、一專注力偵測設備106、一前車距離偵測設備107以及一車道偏移偵測設備108；其中，該通訊模組100可支援4G(長期演進技術Long Term Evolution,LTE)通訊技術，使該車輛設備1可經由該通訊模組100連結4G網路，並建立與資料分析伺服器設備2的通訊；該中介軟體模組101可支援超文本傳輸協定和具象狀態傳輸(Representational State Transfer,REST)，該車輛設備1可經由該中介軟體模組101呼叫資料分析伺服器設備2的應用程式介面(Application Program Interfaces,APIs)，並將車輛設備資訊以週期性或非週期性的方式傳送至該資料分析伺服器設備2，車輛設備資訊可以包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊或車速資訊等等；而該定位模組102可支援全球定位系統，以使車輛設備1經經由衛星訊號取得位置資訊和車速資訊，透過車速資訊判斷超速事件、急加速事件、急煞車事件等事件資訊；該駕駛人身份辨識裝置103係一無線射頻識別系統(Radio Frequency Identification,RFID)讀卡機，而駕駛人各自擁有的駕駛人身份識別證件係一RFID標籤(tag)，該RFID標籤可儲存一駕駛人編號，並在接近該駕駛人身份辨識裝置103時，該駕駛人身份辨識裝置103可取得其中的駕駛人編號。
其中，該方位角感測器105係一陀螺儀，可偵測車輛行駛的方位角資訊以使該車輛設備1可取得方位角資訊，而方位角資訊係為一介於0到360的數值，可用以判斷車輛是否發生急轉彎事件等事件資訊；而專注力偵測設備106係一穿載式腦波偵測設備，可穿載於駕駛人頭上以偵測該駕駛人的腦波資訊，該車輛設備1可經由腦波偵測設備106取
得腦波資訊以產生專注力資訊，在此實施例中，可採用NeuroSky MindWave穿載式腦波偵測設備，其具有一內建軟體可偵測腦波後輸出專注力資訊，其中，專注力資訊係一介於0和100之間的數值，可用以判斷駕駛人是否有發生恍神事件等事件資訊。
該前車距離偵測設備107可偵測車輛與前方車輛之間的前車距離資訊，使該車輛設備1可經由該前車距離偵測設備107取得該前車距離資訊，前車距離資訊係一數值，可用以判斷車輛是否有發生未保持安全距離事件等事件資訊；而該車道偏移偵測設備108可偵測車輛偏移車道且未打方向燈之狀態，使該車輛設備1可經由該車道偏移偵測設備108取得該車道偏移資訊，該車道偏移資訊係為一0或1之數值，0係指無偏移車道，1係指有偏移車道，可用以判斷車輛是否有發生車道偏移事件等事件資訊。
綜上，故本實施例中車輛設備1傳輸的車輛設備資訊包含車輛編號、駕駛人編號、時間資訊以及事件資訊，事件資訊可以是超速事件、急加速事件、急煞車事件、急轉彎事件、恍神事件、未保持安全距離事件、車道偏移事件。
其中，在本實施例中，共有C N 台車輛設備、D N 位駕駛人、R N 種危險因子之事件資訊，其中，該車輛設備1可每隔一秒向該定位模組102、該方位角感測器105、該專注力偵測設備106、該前車距離偵測設備107、該車道偏移偵測設備108，分別取得位置資訊、車速資訊、方位角資訊、專注力資訊、前車距離資訊以及車道偏移資訊，並經由該車輛設備1分析資訊後判斷是否符合危險因子，若有符合危險因子，則傳送車輛設備資訊至資料分析伺服器設備2時，車輛設備
資訊中即包含符合危險因子的事件資訊。
在此實施例中，危險因子種類R N 為7，代表共包含有七種危險因子之事件資訊，分別為：超速事件、急加速事件、急煞車事件、急轉彎事件、恍神事件、未保持安全距離事件或車道偏移事件。
第一種危險因子係為超速，該車輛設備1可每隔一秒向該定位模組102取得資訊以判斷車速資訊，並且該車輛設備1可經由該中介軟體模組101再經由該通訊模組100與一外部資訊設備4介接，以向該外部資訊設備4取得車輛定位之道路上的道路資訊，例如為速限，再比對車速資訊與速限；當車速資訊大於速限時，則車輛設備1經由該通訊模組100與資料分析伺服器設備2介接，以傳送車輛設備資訊至資料分析伺服器設備2，車輛設備資訊至少包含車輛編號、駕駛人編號、時間資訊以及事件資訊，事件資訊係一超速事件。
第二危險因子係為急加速，該車輛設備可每隔一秒向該定位模組102取得車速資訊，並且，車輛設備1可紀錄前一秒的車速資訊和設定第一加速度門檻值，當車速資訊減去前一秒的車速資訊之差值大於第一加速度門檻值時，則車輛設備1經由該通訊模組100與該資料分析伺服器設備2介接，以傳送車輛設備資訊至資料分析伺服器設備2，車輛設備資訊至少包含車輛編號、駕駛人編號、時間資訊以及事件資訊，事件資訊係一急加速事件。
第三危險因子係為急煞車，該車輛設備1可每隔一秒向定位模組102取得車速資訊，並且，車輛設備1可紀錄前一秒的車速資訊和設定第二加速度門檻值，當前一秒的
車速資訊減車速資訊減的差值大於第二加速度門檻值時，則該車輛設備1經由該通訊模組100與該資料分析伺服器設備2介接，傳送車輛設備資訊至資料分析伺服器設備2，車輛設備資訊至少包含車輛編號、駕駛人編號、時間資訊以及事件資訊，該事件資訊係一急煞車事件；第四危險因子係為急轉彎，車輛設備1可每隔一秒向該方位角感測器105取得方位角資訊，並且，車輛設備1可紀錄前一秒的方位角資訊和設定第一方位角門檻值及第二方位角門檻值，其中，第一方位角門檻值小於第二方位角門檻值，當方位角資訊減去前一秒的方位角資訊的差值取絕對值後大於第一加速度門檻值而差值小於第二方位角門檻值時，則車輛設備1經由通訊模組100向該資料分析伺服器設備2介接，以傳送車輛設備資訊至資料分析伺服器設備2，車輛設備資訊至少包含車輛編號、駕駛人編號、時間資訊以及事件資訊，該事件資訊係一急轉彎事件。
第五危險因子係為駕駛恍神，車輛設備1可每隔一秒向專注力偵測設備106取得該專注力資訊，並且，車輛設備1可設定一專注力門檻值，當專注力資訊小於該專注力門檻值，則車輛設備1經由通訊模組100向該資料分析伺服器設備2介接，以傳送車輛設備資訊至資料分析伺服器設備2，車輛設備資訊至少包含車輛編號、駕駛人編號、時間資訊以及事件資訊，該事件資訊係一恍神事件。
第六危險因子係為未保持安全距離，車輛設備1可每隔一秒向定位模組102取得該車速資訊，並向前車距離偵測設備107取得該前車距離資訊，且車輛設備1可計算車速資訊(單位係公里/小時)減二十後之數值，判斷該數值是否
大於前車距離資訊，當該數值大於前車距離資訊時，則車輛設備1經由通訊模組100向該資料分析伺服器設備2介接，以傳送車輛設備資訊至資料分析伺服器設備2，車輛設備資訊至少包含車輛編號、駕駛人編號、時間資訊以及事件資訊，該事件資訊係一未保持安全距離事件。
第七危險因子係為車道偏移，車輛設備1可每隔一秒向該車道偏移偵測設備108取得車道偏移資訊並判斷數值是否為1，當車道偏移資訊數值係1時，則車輛設備1經由通訊模組100向該資料分析伺服器設備2介接，以傳送車輛設備資訊至資料分析伺服器設備2，該車輛設備資訊至少包含車輛編號、駕駛人編號、時間資訊以及事件資訊，該事件資訊係一車道偏移資訊事件。
請繼續參閱圖5，其中，資料分析伺服器設備2包含一通訊模組20、一中介軟體模組22以及一績效評估模組24；在此實施例中，該資料分析伺服器設備2可支援Linux作業系統、微軟Windows作業系統等，並可於所屬作業系統上建置網路服務伺服器；該通訊模組20可支援有線網路傳輸，以建立車輛設備1、資料庫設備3與資料分析伺服器設備2之間的通訊；而該中介軟體模組22係採用Tomcat網路服務伺服器實作，以建置複數個REST APIs供車輛設備1介接，其可經由超文本傳輸協定接收車輛設備1傳送的車輛設備資訊，並將接收到的車輛設備資訊和能量消耗資訊儲存至資料庫設備3，其中，車輛設備資訊可包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊以及事件資訊，如下表十七範例所示；而績效評估模組24則係執行績效評估演算法，收集各該車輛設備所傳送之車輛設備資訊，並分析
出各位駕駛人的危險駕駛因素，來計算每位駕駛人的績效和排名。
表十七為：
該資料分析伺服器設備2可經由中介軟體模組22經過該通訊模組20與該外部資訊設備4介接，並且向外部資訊設備4取得各個危險因子之發生交通事故機率，並將發生交通事故的機率儲存至資料庫設備3，如下表十八範例所示：
而該資料庫設備3包含一通訊模組30、一運算模組32以及一儲存模組34；在此實施例中，該資料庫設備3係採用微軟結構化查詢語言(Structural Query Language，SQL)伺服器、MySQL、PostgrcSQL、甲骨文資料庫伺服器、MongoDB伺服器、HBase伺服器等來實作；而該通訊模組30可支援有
線網路傳輸，以建立資料庫設備3與資料分析伺服器設備2之間的通訊；該運算模組32可經由通訊模組30接收資料分析伺服器設備3所傳送的要求以存取該儲存模組34；而該儲存模組34係與運算模組32介接，來提供新增、修改、刪除、查詢等操作，該儲存模組34將可儲存車輛設備資訊(如上表十七所示)。
而本實施例的績效評估方法之步驟，亦請參閱圖2的步驟流程圖，其步驟包含：步驟S201蒐集和分析車輛設備資訊；步驟S202選擇特徵要素；步驟S203建構層級結構；步驟S204成對比較矩陣產生演算法；步驟S205計算特徵值與特徵向量；步驟S206選擇解決方案，以篩選出對應於一最佳分數的最佳解決方案。
在此實施例中，步驟S201蒐集和分析車輛設備資訊可由績效評估模組向資料庫設備查詢與分析一個月內之各個車輛設備資訊。
以第j個駕駛人發生第i個危險因子為例，績效評估模組向資料庫設備查詢和統計第j個駕駛人在2015年一月份發生第i個危險因子的事件資訊數量；在此實施例中，共有R N 種危險因子，共可統計出第j個駕駛人發生各種危險因子的事件資訊數量{,,...,}。
在此實施例中，步驟S202選擇特徵要素採用危險因子和駕駛人兩特徵要素進行分析，並且依此進行步驟S203建立層級結構，依序以最佳解決方案作為第一層、危險因子作為第二層、駕駛人作為第三層，其層級結構示意圖請參閱圖6。
其中，步驟S204的成對比較矩陣產生演算法，
可統計每個層級設定的特徵要素之數值，並依數值的比例產生成對比較矩陣。
在此實施例中，第二層的危險因子可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，並可由該成對比較矩陣進行各危險因子的發生交通事故機率之比較與分析，再運用數值分析計算各層級特徵要素的特徵向量矩陣；其中，危險因子之初始化成對比較矩陣：
危險因子之正規化成對比較矩陣：
第二層之特徵要素特徵向量矩陣，即係各危險因子之影響因素權重矩陣：
在此實施例中，第三層的駕駛人之每個危險因子皆可對應一成對比較矩陣，該成對比較矩陣可採用下列方式
產生，並且，為了避免分母為0的情況，將危險因子事件資訊數量加一，可由該成對比較矩陣進行各駕駛人的危險因子事件資訊數量比較與分析；以下，以各駕駛人發生第一種危險因子所產生的事件資訊數量為例：其中，駕駛人發生第一種危險因子之初始化成對比較矩陣：
其中，駕駛人發生第一種危險因子之正規化成對比較矩陣：
其中，駕駛人發生第一種危險因子之影響因素權重矩陣：。
根據相同之計算方式，第三層的各駕駛人發生第
x種危險因子可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，並可由該成對比較矩陣進行各駕駛人的該危險因子事件資訊數量比較與分析；其中，駕駛人發生第x種危險因子之初始化成對比較矩陣：
其中，駕駛人發生第x種危險因子之正規化成對比較矩陣：
其中，駕駛人發生第x種危險因子之影響因素權重矩陣：
依此類推，可在第三層產生R N 個成對比較矩陣，即係W 2,1,W 2,2,...,，並可依此建立第三層之特徵要素特徵向量矩陣W 2：
在本實施例中，步驟S206選擇解決方案，可依各層級特徵要素的特徵向量矩陣產生每個解決方案的分數，再篩選出對應於一最佳分數的最佳解決方案；每個解決方案的分數可採用矩陣相乘的方式產生(如下所示)，各解決方案的該分數代表為其相較於其他駕駛人的發生交通事故可能性之比例，υ1代表解決方案1的分數(即第一位駕駛人的分數)、υ2代表解決方案2的分數(即第二位駕駛人的分數)、…、代表解決方案D N 的分數(即第D N 位駕駛人的分數)；
在此實施例中，發生交通事故可能性越低越佳，故比較每個解決方案的分數，取得最低分數的解決方案，則最佳解決方案所對應之駕駛人即代表為最佳駕駛人，其在各個危險因子下將可以得到最少的交通事故風險。
所揭露的另一實施例亦是一種績效評估系統與方法，用於危險駕駛績效評估之用途，可以上述的第三實施例為基礎，由該績效評估模組執行績效評估演算法，但在選擇解決方案時，則是依各層級特徵要素的特徵向量矩陣產生每個解決方案的分數，再運用決策樹資訊獲利法篩選出最佳
解決方案；其中，決策樹資訊獲利法，其步驟包含有計算正規化解決方案分數向量矩陣、計算每位駕駛人之各個危險因子正規化後的分數之混亂程度、計算該混亂程度得到資訊獲利。
如同上述的第三實施例，取得第二層之特徵要素之特徵向量矩陣W 1、第三層之特徵要素特徵向量矩陣W 2以及各解決方案的分數W 1×W 2=[υ1 υ2…]後，由績效評估模組運用下列計算方式產生一正規化解決方案分數向量矩陣ω，其中，係代表第j個駕駛人發生第i個危險因子正規化後的分數：
根據上述計算方式，績效評估模組係運用熵(entropy)公式計算每位駕駛人之各個危險因子正規化後的分數之混亂程度，以第j個駕駛人發生各種危險因子正規化後的分數之混亂程度E j 為例，其計算方式如下：
根據上述計算方式，績效評估模組運用熵公式計算每位駕駛人之各個危險因子正規化後的分數之混亂程度後，再用一來減去該混亂程度，以得到資訊獲利，以第j個駕駛人之資訊獲利G j 為例，其計算方式如下：G j =1-E j 。
承上，假設R N 為3、D N 為3，可計算產生一正規化解決方案分數向量矩陣，如下列所示：
其中，係代表第一位駕駛人的第一種危險因子正規化後的分數為0.7976、係第三位駕駛人的第三種危險因子正規化後的分數為0.4225，其餘可依此類推。
根據上述計算方式，績效評估模組運用熵公式計算每位駕駛人之各個危險因子正規化後的分數之混亂程度；其中，第一位駕駛人之各個危險因子正規化後的分數之混亂程度E 1：
其中，第二位駕駛人之各個危險因子正規化後的分數之混亂程度E 2：
其中，第三位駕駛人之各個危險因子正規化後的分數之混亂程度E 3：
根據上述計算方式，績效評估模組運用熵公式計算每位駕駛人之各個危險因子正規化後的分數之混亂程度
後，再運用一去減上該混亂程度，以得到資訊獲利；其中，第一位駕駛人之資訊獲利G 1=1-E 1=1-0.586=0.414；第二位駕駛人之資訊獲利G 2=1-E 2=1-0.868=0.132；第三位駕駛人之資訊獲利G 3=1-E3=1-0.853=0.147。
完成每位駕駛人的資訊獲利後，由該績效評估模組將資訊獲利進行排序，並挑選出資訊獲利最高的解決方案，即為最佳解決方案，代表其所對應之駕駛人在一個或複數危險因子下，表現較其他駕駛人有顯著異常；在此實施例中，第一位駕駛人之資訊獲利G 1最高，挑選出第一位駕駛人，由該績效評估模組紀錄第一位駕駛人係異常駕駛人。
再來，本發明更有另一實施例，係為一種績效評估系統及方法，係可運用於物流士績效評估用途，係由績效評估系統執行績效評估演算法收集和分析複數物流士駕駛車輛的事件資訊，以評選出違規程度最低的解決方案。
其中，本第五實施例之績效評估系統之系統架構圖，請參閱圖7所示，系統中包含複數個車輛設備1(避免圖式繁雜，圖中僅見其中之一)、一資料分析伺服器設備2以及一資料庫設備3。
車輛設備1可以傳送關於其設置車輛的車輛設備資訊至資料分析伺服器設備2，資料分析伺服器設備2則可以將資料儲存至資料庫設備3，再由資料分析伺服器設備2執行本發明的績效評估演算法來計算每個駕駛人的績效和排名。
在此實施例中，該車輛設備1包含一通訊模組100、一中介軟體模組101、一定位模組102、一駕駛人身份辨識裝置103、一車上診斷系統109以及一溫度感測器110，該車輛設備1具有一車輛編號和一車輛型號；其中，通訊模
組100、中介軟體模組101、定位模組102、駕駛人身份辨識裝置103之功效與先前實施例係為相同的；不同的是，該車上診斷系統109可偵測車輛的車輛狀態資訊，令車輛設備1可經由該車上診斷系統109取得車輛狀態資訊，車輛狀態資訊可包含一車門開關資訊；另外，該溫度感測器110可偵測車輛內的冷凍機溫度資訊，令該車輛設備1可經由該溫度感測器110取得該溫度資訊；故，在本實施例中，車輛設備1傳送的車輛設備資訊包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊、車門開關資訊以及溫度資訊等。
而在此實施例中，共有C N 台車輛設備、T N 種車輛型號、D N 位駕駛人，該車輛設備1可每隔30秒傳送一次車輛設備資訊至資料分析伺服器設備2，如下表十九的範例所示；其中：第一駕駛人於2015/01/01駕駛車輛編號第一之車輛，該車輛設置的車輛設備的車輛型號為第一種車輛型號，車輛設備透過駕駛人身份辨識裝置取得駕駛人的身分為第一駕駛人編號，並且該車輛設備可經由其定位模組於06：00：00取得該車輛設備的位置資訊(即經度102.5423383度和緯度24.09490167度)和車速資訊(即時速44公里/小時)，並且車輛設備經由該車上診斷系統取得車輛狀態資訊(係為一車門開關資訊，車門開關資訊之值為1，代表車門開關異常)，車輛設備再經由所屬中介軟體模組呼叫資料分析伺服器的RESTAPIs，以將車輛設備資訊傳送至資料分析伺服器。
隨後，車輛設備經由該定位模組於06：00：30取得該車輛設備的位置資訊(即經度120.5361317度和緯度24.09120167度)和車速資訊(即時速39公里/小時)，而該車輛
設備經由車上診斷系統取得車輛狀態資訊(係為一車門開關資訊，該車門開關資訊係0，代表車門開關正常)，另外，車輛設備可經由溫度感測器取得溫度資訊(為18度)，車輛設備再經由所屬中介軟體模組呼叫資料分析伺服器的REST APIs，以將車輛設備資訊傳送至資料分析伺服器，其餘時間的車輛設備資訊，可依此類推來取得。
以下為表十九：
請繼續參閱圖7，其中，資料分析伺服器設備2包含一通訊模組20、一中介軟體模組22以及一績效評估模組24；在此實施例中，該資料分析伺服器設備2可支援Linux作業系統、微軟Windows作業系統等，並可於所屬作業系統上建置網路服務伺服器；該通訊模組20可支援有線網路傳輸，以建立車輛設備1、資料庫設備3與資料分析伺服器設備2之間的通訊；而該中介軟體模組22係採用Tomcat網路服務伺服器實作，以建置複數個REST APIs供車輛設備1介接，其可經由超文本傳輸協定接收車輛設備1傳送的車輛設備資訊，並將接收到的車輛設備資訊和能量消耗資訊儲存至資料庫設備3，其中，車輛設備資訊可包含車輛編號、車輛型號、駕駛人編號、時間資訊、位置資訊、車速資訊、以及能量消耗資訊；而績效評估模組24則係執行績效評估演算法，收集各該車輛設備所傳送之車輛設備資訊，並分析出各位駕駛人的違規事件資訊數量，計算每位駕駛人的違規程度績效和排名。
同樣地，該資料庫設備3包含一通訊模組30、一運算模組32以及一儲存模組34；在此實施例中，該資料庫設備3係採用微軟結構化查詢語言(Structural Query Language,SQL)伺服器、MySQL、PostgreSQL、甲骨文資料庫伺服器、MongoDB伺服器、HBase伺服器等來實作；而該通訊模組30可支援有線網路傳輸，以建立資料庫設備3與資料分析伺服器設備2之間的通訊；該運算模組32可經由通訊模組30接收資料分析伺服器設備3所傳送的要求以存取該儲存模組34；而該儲存模組34係與運算模組32介接，來提供新增、修改、刪除、查詢等操作，另外，該儲存模組34可儲存一班
表資料表，該班表資料表係紀錄收送貨物的站點資訊和預定到站時間資訊，站點資訊包含一經緯度座標(如下表二十範例所示)，而該儲存模組34亦可儲存車輛設備資訊(如上表十九所示)。
以下為表二十：
其中，該資料分析伺服器設備收到每一筆車輛設備資訊時，將判斷分析車輛設備資訊的經度和緯度，並且比對班表資料表中的站點編號的經度和緯度，當兩經緯度座標距離在一距離門檻值內時，判斷該車輛到達對應的站點編號；例如，在本實施例中，距離門檻值係為50公尺，該資料分析伺服器設備在2015/01/01 06：00：00收到第一個車輛編號傳來的車輛設備資訊，車輛設備資訊如下，包含第一個車輛編號(車輛編號)、第一種車輛型號(車輛型號)、第一位駕駛人(駕駛人編號)、2015/01/01 06：00：00(時間)、120.5423383(經度)、24.09490167(緯度)、44(車速)、1(車門開關資訊)、22(溫度資訊)，該資料分析伺服器設備將該經緯度座標(即經度120.5423383及緯度24.09490167)與班表資料表中第一個車輛編號的各站點的經緯度座標比對，可得到目前經緯度與站點1的經緯度座標(即經度120.5423383及緯度24.00490167)距離低於該距離門檻值，故其可修改班表資料表，以加入第一個車輛編號的車輛的真實到站時間資訊，修改後班表資料表如
下表二十一範例所示。
表二十一為：
其中，資料分析伺服器設備將分析I N 個指標因子，在此實施例中，I N 係為4，代表共包含4種指標因子之事件資訊，分別為：車門關閉異常事件、溫度異常事件、預冷不足事件或到站時間異常事件等，另外，該資料分析伺服器設備可以於每天凌晨01：00：00時計算前一天的指標因子事件資訊，例如，該資料分析伺服器設備在2015/01/02 01：00：00分析2015/01/01的車輛設備資訊(範例如上表十九所示)，接著產生這些指標因子的事件資訊。
其中，第一指標因子係為車門關閉異常，績效評估模組可向該資料庫設備取得車輛設備資訊，並分析每一筆資料的車門開關資訊，當車門開關資訊之值為1時，則代表車門開關異常，即產生一車門關閉異常事件，績效評估模組更將車門關閉異常事件所對應之車輛編號、駕駛人編號、時間以及對應的事件資訊傳送至該資料庫設備，儲存至事件資訊表中(如下表二十二範例所示)；例如，第一位駕駛人駕駛第一個車輛編號的車輛在2015/01/01 06：00：00時，車門開關資訊為1，由績效評估模組分析判斷後產生車門關閉異常的事件資訊。
而第二指標因子係為溫度異常，績效評估模組可
設定第一溫度門檻值及第二溫度門檻值，其中，第一溫度門檻值低於第二溫度門檻值，績效評估模組向該資料庫設備取得該車輛設備資訊(如上表十九範例所示)，並分析每一筆資料的溫度資訊，當該溫度資訊小於第一溫度門檻值或該溫度資訊大於第二溫度門檻值，則代表溫度異常，績效評估模組產生一溫度異常事件，以及將溫度異常事件所對應之車輛編號、駕駛人編號、時間、以及對應的事件資訊傳送至該資料庫設備，以儲存至該事件資訊表(如下表二十二範例所示)；例如，第一溫度門檻值係為16度、第二溫度門檻值係為20度，第一位駕駛人駕駛第一個車輛編號的車輛在2015/01/01 06：01：30時，溫度資訊為15度，溫度資訊小於第一溫度門檻值，由該績效評估模組分析判斷後產生該溫度異常的事件資訊。
第三指標因子係為預冷不足，績效評估模組可設定第一溫度門檻值及第二溫度門檻值，其中，第一溫度門檻值低於第二溫度門檻值，績效評估模組可向該資料庫設備取得車輛設備資訊(如上表十九範例所示)和修改後班表資料表(如上表二十一範例所示)，並且分析到達站點1時的溫度資訊，當溫度資訊小於第一溫度門檻值或溫度資訊大於第二溫度門檻值，則代表預冷不足，績效評估模組產生一預冷不足事件，以及將預冷不足事件所對應之車輛編號、駕駛人編號、時間、以及事件資訊傳送至該資料庫設備，儲存至該事件資訊表(如下表二十二範例所示)；例如，第一溫度門檻值係16度、第二溫度門檻值係20度，第一位駕駛人駕駛第一個車輛編號的車輛在2015/01/01 06：00：00時到達站點1，溫度資訊為22度，溫度資訊大於第二溫度門檻值，由該績效評估模組分
析判斷後產生該預冷不足的事件資訊。
其中，第四指標因子係為到站時間異常，績效評估模組可設定一到站時間門檻值，並可該資料庫設備取得該修改後班表資料表(如上表二十一所示)，並且分析每一筆資料的預定到站時間資訊和真實到站時間資訊，當預定到站時間資訊減該真實到站時間資訊後取絕對值後之數值高於該到站時間門檻值時，則代表到站時間異常，績效評估模組產生一到站時間異常事件，以及將該到站時間異常事件所對應之車輛編號、駕駛人編號、時間、以及事件資訊傳送至該資料庫設備，儲存至一事件資訊表(如上表二十二範例所示)；例如，該到站時間門檻值係20分鐘，第D N 個駕駛人駕駛第C N 個車輛編號的車輛，在站點Z N 之預定到站時間資訊係2015/01/31 22：00：00、真實到站時間資訊係為2015/01/31 22：30：00，此時，預定到站時間資訊減去真實到站時間資訊後取絕對值後之數值係為30(分鐘)，此數值高於該到站時間門檻值，由該績效評估模組分析判斷後產生該到站時間異常的事件資訊。
下表為表二十二：
其中，該資料分析伺服器設備可由中介軟體模組經過通訊模組與一外部資訊設備介接，並向該外部資訊設備取得各個指標因子之平均損失金額等資訊，並將平均損失金額的資訊儲存至資料庫設備，範例請參閱下表二十三所示；
而本實施例之績效評估方法的步驟流程圖，亦請參閱圖2，其步驟包含：步驟S201搜集和分析車輛設備資訊；步驟S202選擇特徵要素；步驟S203建構層級結構；步驟S204成對比較矩陣產生演算法；步驟S205計算特徵值與特徵向量；步驟S206選擇解決方案，以篩選出對應於一最佳分數的最佳解決方案。
根據上述之績效評估方法，在此實施例中，步驟S201收集和分析車輛設備資訊，係由該資料分析伺服器設備可由該中介軟體模組經過通訊模組與一外部資訊設備介接，以向該外部資訊設備取得各個指標因子之平均損失金額，並將平均損失金額的資訊儲存至資料庫設備，請參閱上表二十三範例所示，再由績效評估模組向該資料庫設備查詢取得該些平均損失金額。
其中，由該績效評估模組向該資料庫設備查詢與分析一天內之車輛設備資訊；以第j個駕駛人發生第i個指標因子為例，該績效評估模組向該資料庫設備查詢和統計第j個駕駛人在2015/01/01發生之第i個指標因子之事件資訊數量，而共有I N 種指標因子，共可統計出第j個駕駛人的指標因子事件資訊數量{,,...,}。
在此實施例中步驟S202選擇特徵要素，係採用指標因子和駕駛人該兩特徵要素進行分析，並依此進行步驟
S203建立層級結構，依序以最佳解決方案作為第一層、指標因子作為第二層、駕駛人作為第三層，其層級結構示意圖請參閱圖8。
其中，步驟S204的該成對比較矩陣產生演算法，可統計各層級設定的特徵要素之數值，並依數值的比例產生成對比較矩陣。
在此實施例中，第二層的指標因子可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，以由該成對比較矩陣進行各指標因子的平均損失金額之比較與分析，並運用數值分析法計算各層級特徵要素的特徵向量矩陣；其中，指標因子之初始化成對比較矩陣：
指標因子之正規化成對比較矩陣：
第二層之特徵要素特徵向量矩陣，即係各指標因子之影響因素權重矩陣：
在此實施例中，第三層的駕駛人的各指標因子皆可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，且為了避免分母為0的情況，可將指標因子事件資訊數量加一，由該成對比較矩陣可進行各駕駛人的指標因子事件資訊數量比較與分析；以下，以各駕駛人發生第一種指標因子所產生的事件資訊數量為例：駕駛人發生第一種指標因子之初始化成對比較矩陣：
駕駛人發生第一種指標因子之正規化成對比較矩陣：
駕駛人發生第一種指標因子之影響因素權重矩陣：
根據上述計算方式，第三層的各駕駛人發生第x種指標因子可對應一成對比較矩陣，該成對比較矩陣可採用下列方式產生，並可由該成對比較矩陣進行各駕駛人的第x種指標因子事件資訊數量比較與分析；其中，駕駛人發生第x種指標因子之初始化成對比較矩陣：
其中，駕駛人發生第x種指標因子之正規化成對比較矩陣：
其中，駕駛人發生第x種指標因子之影響因素權重矩陣：
依此類推，可在第三層產生R N 個成對比較矩陣，即係W 2,1,W 2,2,...,，並可依此建立第三層之特徵要素特徵向量矩陣W 2：
經步驟S205後，步驟S206選擇解決方案，依各層級特徵要素特徵向量矩陣產生每個解決方案的分數，再篩選出最佳解決方案，該最佳解決方案係對應於一最佳分數；在此實施例中，每個解決方案的分數可採用矩陣相乘的方式產生(如下所示)，各解決方案的該分數代表為其相較於其他駕駛人的平均損失金額之比例，υ1代表解決方案1的分數(即第一位駕駛人的分數)、υ2代表解決方案2的分數(即第二位駕駛人的分數)、…、代表解決方案D N 的分數(即第D N 位駕駛人的分數)；
在此實施例中，平均損失金額越低越佳，即比較每個解決方案的分數，取得最低分數的解決方案，其所對應之駕駛人代表為最佳駕駛人；假設最低分數係υ1，則代表第一位駕駛人優於其他駕駛人，由第一位駕駛人在各個指標因子下將可以得到最少的平均損失金額。
而本發明的第六實施例亦是一種績效評估系統與方法，用於危險駕駛績效評估用途，而本第六實施例可以第五實施例為基礎，其績效評估方法(即績效評估模組執行的績效評估演算法)中的成對比較矩陣產生演算法係以上一實施例為基礎，但運用模糊歸屬函數計算每個層級設定的特徵要素之數值，並依該數值產生成對比較矩陣。
在此實施例中，第二層的指標因子(即車輛設備)係對應一成對比較矩陣，該成對比較矩陣可採用模糊歸屬函數方式產生，該模糊歸屬函數係為一修改後之S型函式(例如修改後Sigmoid函數)，該修改後之S型函式可對輸入值減去一修正基準值等於0來產生S型，並由該成對比較矩陣進行各層級指標因子的平均損失金額之比較與分析，以下，分別計算車輛型號之正規化成對比較矩陣和第二層之特徵要素特徵向量矩陣；其中，車輛型號之初始化成對比較矩陣：
在此實施例中，第三層的每個指標因子中的每位駕駛人皆可對應一成對比較矩陣，該成對比較矩陣可採用如上述的模糊歸屬函數方式產生，即為修改後之S型函式，其中，以駕駛人的第x個指標因子之初始化成對比較矩陣計
算駕駛人的第x個指標因子之正規化成對比較矩陣，以及第三層之特徵要素特徵向量矩陣：
應當瞭解，上列詳細說明係為針對本發明的可行實施例之具體說明，惟各該實施例並非用以限制本發明之專利範圍，凡未脫離本發明技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。
綜上所述，本發明於技術思想上實屬創新，也具備先前技術不及的多種功效，已充分符合新穎性及進步性之法定發明專利要件，爰依法提出專利申請，懇請 貴局核准本件發明專利申請案以勵發明，至感德便。
1‧‧‧車輛設備
100‧‧‧通訊模組
101‧‧‧中介軟體模組
102‧‧‧定位模組
103‧‧‧駕駛人身份辨識裝置
105‧‧‧方位角感測器
106‧‧‧專注力偵測設備
107‧‧‧前車距離偵測設備
108‧‧‧車道偏移偵測設備
2‧‧‧資料分析伺服器設備
20‧‧‧通訊模組
22‧‧‧中介軟體模組
24‧‧‧績效評估模組
3‧‧‧資料庫設備
30‧‧‧通訊模組
32‧‧‧運算模組
34‧‧‧儲存模組
4‧‧‧外部資訊設備
Claims (17)
- 一種績效評估系統，其至少包含：複數車輛設備，各自用以在駕駛人行車時即時蒐集行車時的能量消耗資訊、方位角資訊、專注力資訊以及定位資訊之車輛設備資訊；一資料分析伺服器設備，接收來自各該車輛設備的車輛設備資訊，透過一績效評估演算法計算駕駛人駕駛時的績效，更能對駕駛人的績效進行排序；以及一資料庫設備，與該資料分析伺服器設備連結，用以儲存各該車輛設備的車輛設備資訊以及駕駛人的績效和排序。
- 如申請專利範圍第1項所述之績效評估系統，其中，各該車輛設備各自包含一駕駛人身份辨識裝置、一定位模組、一中介軟體模組、一績效評估模組、以及一通訊模組；其中，該定位模組係支援全球定位系統或無線網路訊號定位功能，而各該車輛設備即經由所屬的該定位模組以取得車輛設備資訊中的位置資訊和車速資訊，車速資訊係用以判斷超速事件、急加速事件、急煞車事件之事件資訊；其中，該通訊模組係支援無線網路傳輸用以建立該車輛設備與該資料分析伺服器設備之間的通訊；以及其中，該中介軟體模組係支援超文本傳輸協定、訊息序列遙測傳輸或受限應用協定中至少一種傳輸協定，該車輛設備係經由該中介軟體模組和該通訊模組與該資料分析伺服器設備介接，以傳送車輛設備資訊至該資料分析伺服器設備；以及其中，績效評估模組透過該績效評估演算法計算駕駛人駕駛時的績效，更能對駕駛人的績效進行排序；其中，該駕駛人身份辨識裝置係用以讀取駕駛人的身份識 別證件以獲取駕駛人編號，駕駛人編號亦被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
- 如申請專利範圍第2項所述之績效評估系統，其中，各該車輛設備各自更包含一能源偵測裝置，該能源偵測裝置係偵測各該車輛設備所設置之車輛的能量消耗資訊，包含油量、電量或天然氣量等，能量消耗資訊亦被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
- 如申請專利範圍第2項所述之績效評估系統，其中，各該車輛設備各自更包含一方位角感測器，該方位角感測器係用以偵測各該車輛設備於行駛的方位角資訊，方位角資訊係用以判斷急轉彎事件之事件資訊，而事件資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
- 如申請專利範圍第2項所述之績效評估系統，其中，各該車輛設備各自更包含一專注力偵測設備，該專注力偵測設備係為穿載式的腦波偵測設備，用以穿載於駕駛人頭上以偵測該駕駛人的腦波，以取得專注力資訊，專注力資訊係用以判斷恍神事件之事件資訊，而事件資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
- 如申請專利範圍第2項所述之績效評估系統，其中，各該車輛設備各自更包含一前車距離偵測設備和一車道偏移偵測設備，該前車距離偵測設備係偵測各該車輛設備於行駛時與前方車輛間的前車距離資訊，而該車道偏移偵測設備係偵測各該車輛設備於行駛時未打方向燈的偏移車道資訊，前車距離資訊與偏移車道資訊係分別用以判斷未保持安全距離事件或車道偏移事件之事件資訊，而事件資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器 設備。
- 如申請專利範圍第2項所述之績效評估系統，其中，各該車輛設備各自更包含一車上診斷系統和一溫度感測器，該車上診斷系統係偵測各該車輛設備設置車輛的車輛狀態資訊，而該溫度感測器係偵測各該車輛設備設置車輛的冷凍機之溫度資訊，車輛狀態資訊以及溫度資訊將被包含於車輛設備資訊中被傳輸至該資料分析伺服器設備。
- 如申請專利範圍第7項所述之績效評估系統，其中，該資料庫設備可儲存一班表資料表，該班表資料表係用以紀錄各該車輛設備收送貨物的站點資訊和預定到站時間資訊，當該資料分析伺服器設備接收到車輛設備資訊後，可根據該車輛設備資訊中的車輛狀態資訊以及溫度資訊來產生車門關閉異常事件、溫度異常事件、預冷不足事件或到站時間異常事件。
- 一種績效評估方法，其係由一資料分析伺服器設備執行至少包含下列步驟：收集和分析車輛設備資訊，由設置於車輛上的複數車輛設備回報車輛設備資訊至該資料分析伺服器設備，由該資料分析伺服器設備分析一時段區間內各該車輛設備的車輛設備資訊，並將車輛設備資訊儲存至一資料庫設備；選擇至少一特徵要素，自車輛設備資訊中獲取車輛設備號碼、車輛型號以及駕駛人之特徵要素中選擇至少一種特徵要素進行績效評估；建構層級結構，依選擇的各該特徵要素設定各該特徵要素的上層及下層關聯結構；執行一成對比較矩陣產生演算法，以依每個層級設定的各 該特徵要素產生一成對比較矩陣；計算特徵值與特徵向量，運用數值分析計算每個層級中特徵要素的一特徵向量矩陣；選擇解決方案，依每個層級中的各該特徵要素之該特徵向量矩陣產生複數個解決方案的分數後，再篩選出一最佳解決方案。
- 如申請專利範圍第9項所述之績效評估方法，其中，該成對比較矩陣產生演算法係統計每個層級結構設定的各該特徵要素之數值，並依數值的比例來產生成對比較矩陣。
- 如申請專利範圍第9項所述之績效評估方法，其中，該成對比較矩陣產生演算法係運用距離函數或相似度函數計算每個層級結構設定的各該特徵要素之數值，並依數值來產生成對比較矩陣。
- 如申請專利範圍第9項所述之績效評估方法，其中，該成對比較矩陣產生演算法係運用模糊歸屬函數計算每個層級結構設定的各該特徵要素之數值，並依數值來產生成對比較矩陣。
- 如申請專利範圍第9項所述之績效評估方法，其中，該資料分析伺服器設備的選擇解決方案在產生各該解決方案的分數後，係根據各該解決方案中分數最佳者來篩選出該最佳解決方案。
- 如申請專利範圍第9項所述之績效評估方法，其中，該資料分析伺服器設備的選擇解決方案在產生各該解決方案的分數後，係運用決策樹資訊獲利法來篩選出該最佳解決方案。
- 如申請專利範圍第9項所述之績效評估方法，其中，在選 擇各該特徵要素時，更能選定各該車輛設備的能量消耗資訊，以使該最佳解決方案係評估節能駕駛績效。
- 如申請專利範圍第9項所述之績效評估方法，其中，在選擇各該特徵要素時，更能選定各該車輛設備的超速事件、或急加速事件、急煞車事件、急轉彎事件、恍神事件、未保持安全距離事件或車道偏移事件之事件資訊中的至少一種，以使該最佳解決方案係評估危險駕駛績效。
- 如申請專利範圍第9項所述之績效評估方法，其中，在選擇各該特徵要素時，更能選定各該車輛設備的車門關閉異常事件、溫度異常事件、預冷不足事件或到站時間異常事件之事件資訊的至少一種，以使該最佳解決方案係評估物流士績效。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105141530A TWI604324B (zh) | 2016-12-15 | 2016-12-15 | Performance evaluation system and method |
| CN201710176941.4A CN107633339B (zh) | 2016-12-15 | 2017-03-22 | 绩效评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105141530A TWI604324B (zh) | 2016-12-15 | 2016-12-15 | Performance evaluation system and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI604324B true TWI604324B (zh) | 2017-11-01 |
| TW201824024A TW201824024A (zh) | 2018-07-01 |
Family
ID=61023396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW105141530A TWI604324B (zh) | 2016-12-15 | 2016-12-15 | Performance evaluation system and method |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107633339B (zh) |
| TW (1) | TWI604324B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI658954B (zh) * | 2018-03-09 | 2019-05-11 | 世環國際股份有限公司 | 不當偏離車道判斷方法、車輛不當偏離判斷模組與系統 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI712523B (zh) * | 2019-08-23 | 2020-12-11 | 啓碁科技股份有限公司 | 預測危險車輛的方法及系統 |
| TWI722647B (zh) * | 2019-11-11 | 2021-03-21 | 中華電信股份有限公司 | 駕駛評量系統及其方法 |
| CN112182081A (zh) * | 2020-09-23 | 2021-01-05 | 金现代信息产业股份有限公司 | 通勤客运车辆绩效分析方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6604084B1 (en) * | 1998-05-08 | 2003-08-05 | E-Talk Corporation | System and method for generating an evaluation in a performance evaluation system |
| US7136784B2 (en) * | 2000-01-20 | 2006-11-14 | Koito Manufacturing Co., Ltd. | Method of evaluating reflection performance of reflecting mirror, evaluation system for evaluating reflection performance of reflecting mirror, and computer-readable storage medium storing program for evaluating reflection performance of reflecting mirror |
| US7326060B2 (en) * | 2002-05-09 | 2008-02-05 | Barry Seiller | Visual performance evaluation and training system |
| TW200811742A (en) * | 2006-08-25 | 2008-03-01 | Folion Financial Technology Co Ltd | Appraisal system for asset allocation and investment portfolio performance |
| TW200945224A (en) * | 2008-04-30 | 2009-11-01 | Univ Ching Yun | Performance evaluation system for enterprise resource planning adopting fuzzy theory and its performance evaluation method |
| TW201232433A (en) * | 2011-01-21 | 2012-08-01 | Chi Mei Foundation Hospital | Method and system for automatic performance evaluation |
| TW201430726A (zh) * | 2013-01-25 | 2014-08-01 | Univ Southern Taiwan Sci & Tec | 企業資源規劃績效評估系統及方法 |
| TW201631526A (zh) * | 2015-02-25 | 2016-09-01 | wen-yuan Cai | 績效評估管理系統 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103247091B (zh) * | 2012-02-07 | 2016-01-20 | 厦门金龙联合汽车工业有限公司 | 一种驾驶评价系统及方法 |
| CN102829980A (zh) * | 2012-03-29 | 2012-12-19 | 中国科学院自动化研究所 | 一种智能车辆的智能程度测评方法 |
| CN104750753B (zh) * | 2013-12-31 | 2018-07-24 | 中国移动通信集团公司 | 一种驾驶行为报告生成方法及设备 |
-
2016
- 2016-12-15 TW TW105141530A patent/TWI604324B/zh active
-
2017
- 2017-03-22 CN CN201710176941.4A patent/CN107633339B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6604084B1 (en) * | 1998-05-08 | 2003-08-05 | E-Talk Corporation | System and method for generating an evaluation in a performance evaluation system |
| US7136784B2 (en) * | 2000-01-20 | 2006-11-14 | Koito Manufacturing Co., Ltd. | Method of evaluating reflection performance of reflecting mirror, evaluation system for evaluating reflection performance of reflecting mirror, and computer-readable storage medium storing program for evaluating reflection performance of reflecting mirror |
| US7326060B2 (en) * | 2002-05-09 | 2008-02-05 | Barry Seiller | Visual performance evaluation and training system |
| TW200811742A (en) * | 2006-08-25 | 2008-03-01 | Folion Financial Technology Co Ltd | Appraisal system for asset allocation and investment portfolio performance |
| TW200945224A (en) * | 2008-04-30 | 2009-11-01 | Univ Ching Yun | Performance evaluation system for enterprise resource planning adopting fuzzy theory and its performance evaluation method |
| TW201232433A (en) * | 2011-01-21 | 2012-08-01 | Chi Mei Foundation Hospital | Method and system for automatic performance evaluation |
| TW201430726A (zh) * | 2013-01-25 | 2014-08-01 | Univ Southern Taiwan Sci & Tec | 企業資源規劃績效評估系統及方法 |
| TW201631526A (zh) * | 2015-02-25 | 2016-09-01 | wen-yuan Cai | 績效評估管理系統 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI658954B (zh) * | 2018-03-09 | 2019-05-11 | 世環國際股份有限公司 | 不當偏離車道判斷方法、車輛不當偏離判斷模組與系統 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201824024A (zh) | 2018-07-01 |
| CN107633339A (zh) | 2018-01-26 |
| CN107633339B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11727345B1 (en) | Integrated multi-location scheduling, routing, and task management | |
| Bakioglu et al. | AHP integrated TOPSIS and VIKOR methods with Pythagorean fuzzy sets to prioritize risks in self-driving vehicles | |
| TWI604324B (zh) | Performance evaluation system and method | |
| US10346888B2 (en) | Systems and methods to obtain passenger feedback in response to autonomous vehicle driving events | |
| USRE41271E1 (en) | Aircraft flight risk measuring system and method of operation | |
| US10210479B2 (en) | Computerized sysem and method for data acquistion and application of disparate data to two stage bayesian networks to generate centrally maintained portable driving score data | |
| US11530961B2 (en) | Vehicle vocation system | |
| CN103890816B (zh) | 用于评价车辆事故的系统和方法 | |
| CN109791678A (zh) | 用于基于分数的动态风险测量并聚合有远程信息处理连接搜索引擎的智能自适应汽车装置及其相应方法 | |
| CN106503868A (zh) | 一种车队线路规划方法及相关设备 | |
| CN105225539B (zh) | 基于主成分分析的扇区运行性能综合指数的方法及系统 | |
| CN106056451A (zh) | 基于车辆obd传感器的远程无人定损系统 | |
| CN107437147A (zh) | 还原货运物流情景的车辆行驶风险动态评估方法及其系统 | |
| CN105205565A (zh) | 一种基于多重回归模型的管制员工作负荷预测方法和系统 | |
| KR101497988B1 (ko) | 안전 운행 지수 산정 시스템에서 차량의 안전 운행 지수 산정 방법, 안전 운행 지수 산정 시스템을 이용한 자동차 보험료 산정 방법, 및 이를 적용한 안전 운행 지수 산정 시스템 | |
| US10061833B2 (en) | Data insight and intuition system for tank storage | |
| Vyas et al. | DriveBFR: Driver behavior and fuel-efficiency-based recommendation system | |
| CN105225193A (zh) | 一种基于多重回归模型的扇区运行性能综合指数的方法及系统 | |
| Sun et al. | On the tradeoff between sensitivity and specificity in bus bunching prediction | |
| US20230221134A1 (en) | Machine Learning Platform for Dynamic Device and Sensor Quality Evaluation | |
| Zhang et al. | Semi-qualitative method for ship collision risk assessment | |
| JP2002032896A (ja) | 車両運行業務統合情報システムおよび記録媒体 | |
| EP3819838A1 (en) | Method for classifying trade industry of a vehicle | |
| Kryzhanovsky et al. | Information, Modeling and Measurement of Uncertainty in the Vehicle | |
| KR102316610B1 (ko) | 학교 안전 사고 관리 시스템 및 이를 이용한 학교 안전 사고 예방 방법 |