道路建設為交通建設之主要項目，而台灣是個多山的島嶼國家，山區的道路佔了極大比例。且因台灣位處環太平洋地震帶上，地震、豪雨或颱風侵襲發生頻率高，易造成山區邊坡發生崩塌，以及大量降雨夾帶土石崩落至山區道路上，造成用路人生命財產及各項建設蒙受極大的損失。在道路邊坡維護經費及人力有限情形下，道路養護單位無法同時對所有邊坡進行全面檢測與修復之工作。因此，將有限資源做最有效運用之研究更顯重要。
目前國內針對道路邊坡坍塌預測相關研究相當豐富，大部分皆以預測邊坡破壞之可能性作為道路養護決策之參考為主，對於道路邊坡坍塌預測所造成推論錯誤之相關研究則較為缺乏。一般而言，坍塌預測推論錯誤可分為兩種1.預測坍塌，實際上未坍塌(α錯誤)。2.預測未坍塌，實際坍塌(β錯誤)。在維護工程中，係依據預測的結果來進行施工，因此希望錯誤的發生越少越好，讓資源作最有效的運用，達成防災的目的，以減少人民生命財產的損失。但事實上，大多案例都是在時間與資訊有限的情況下進行預測，因此在無法輕易縮小預測錯誤時，如何將決策者的風險偏好納入考量，決定α、β錯誤之比值進行預測，以作為擬定道路邊坡養護策略之參考，將是一重要課題。
道路邊坡坍塌預測的錯誤，將會造成維護費的浪費(α錯誤)，或者社會成本的損失(β錯誤)，因此，決策者必須作有效的風險評估與抉擇，使得道路邊坡坍塌預測的結果，在安全與不安全中取得一個可以接受的平衡點。
以往所提出之預測模式係依歷史案例進行學習，再對新案例作預測，學習過程均未將決策者之風險偏好納入考量，而本研究所提出之創新推論模式，「演化式風險偏好支持向量機推論模式」(Evolutionary Risk Preference Support Vector Machine Inference Model－ERP-SIM)，即為一具有考量決策者風險偏好之推論預測模式。本模式應用支持向量機(Support Vector Machine，SVM)結合山區道路邊坡資料庫，從案例資料中歸納出輸入變數與輸出變數間之映射關係，再依決策者風險偏好所決定之α、β值，透過快速混雜基因演算法作最佳化搜尋，最後在考量決策者風險偏好下，進行道路邊坡坍塌預測。

Landslides along the mountain roads in Taiwan are generally occurred during or after earthquake along with strong energy or typhoon carrying with heavy rainfall. Landslides may not only cause interruption of road traffic but also have the opportunity cause further severe accidents, injury or death. Due to the limited financial subsidization and labors from the government, the overall road renovation can not be fulfilled; therefore, it is significant to focus on this research in order to discover more useful resources.

Currently there are plenty information about the predictions of the side-road ascents which collapse to fall and mostly focusing on the parts of slope breakage. However, for references uses, the predictions of researches with wrong direction (information) are much limited. Generally, the wrong estimation prediction of collapsing to fall can be divided into 2 parts: A. The prediction comes out to have collapses to fall but actually not (α error). B. The prediction comes out of no collapse but in fact it is (β error). For the maintenance under normal construction, it is always better to have the resources which apply the best of use and with the least problems in order to have the purpose of predicting whichever accidents and reducing any lost according to prediction from the researches mentioned above. In fact, most cases are estimated under the limited condition of time and information, therefore any resource should be judged with serious consideration, and there is no doubt that how to bring the risk preference into better decision will be an important topic.

Having the past experiences into the training system and previewing the new cases are the general process; however the learning process does not bring the risk preference of decision maker into the consideration, in hence the much more innovated process can be announced by this research, " Evolutionary Risk Preference Support Vector Machine Inference Model－ERP-SIM " with the prediction focusing on the preferences of the decision maker. Then the application, SVM, is introduced to combine varies database from α, β errors and bring them into optimization for having the prediction of collapse to fall under the risk preferences of decision maker.

1. 廖洪鈞，「建立山區道路修建工程評估準則及決策機制之研究」，行政院經濟建設委員會，2004。
2. 廖洪鈞，「臺灣地區道路邊坡崩塌災損擋土結構功能評估-現有破壞案例統計、分析」，交通部科技顧問室，2004。
3. 李維峰，「山區道路邊坡崩塌防治工法最佳化研究」，交通部科技顧問室，2003。
4. 廖瑞堂，「山坡地護坡工程設計」，科技圖書，2001。
5. 趙衛君，「應用高斯過程建立分階式山區道路邊坡崩塌預測模式之研究-以阿里山公路為例」，碩士論文，國立臺灣科技大學營建工程系，2004。
6. 林信亨，「地理資訊系統應用於土石流危險溪流危險度判定之研究」，碩士論文，國立臺灣大學土木工程學研究所，1999。
7. 蔡易達，「南投地區一級溪流土石流發生機率即時評估及驗證」，碩士論文，國立臺灣大學生物環境系統工程學系暨研究所，2002。
8. 盧育聘，「類神經網路於公路邊坡破壞潛能之評估」，碩士論文，立德管理學院資源與環境管理研究所，2003。
9. 李鈞宇，「應用高斯過程建立新中橫公路邊坡崩塌預測模式之研究」，碩士論文，國立臺灣科技大學營建工程系，2006。
10. 洪如江，「環境因素在台灣山崩中之應用」，邊坡穩定與坍方研討會論文專集，中國土木水利工程師學會，1979。
11. 洪如江，「工程地質在自然邊坡穩定之作用」，工程環境會刊，1981。
12. 徐鐵良，「地質與工程」，台灣工程基本資料叢書之四，中國工程師學會，1993。
13. 許茂雄，「山坡開發地於砍伐樹林後之山崩預測模式」，土木水利季刊，1979。
14. 賴季鋒，「山坡地災害防治評估系統之研究」，國立成功大學都市計劃學系碩士論文，1999。
15. 周晏勤、藍世欽、陳時祖，「工程地質特性對道路邊坡穩定性影響」，第九屆大地工程學術研討會論文集，2001。
16. 王智仁，「以現場調查方式分析影響公路岩石邊坡穩定性之工程地質因子--以南橫公路梅山至啞口段為例」，國立成功大學資源工程學系碩士論文，2001。
17. 張舜孔，「類神經網路應用在阿里山公路邊坡破壞因子之分析研究」，國立成功大學土木工程學系碩士論文，2003。
18. 陳崇華，「台十一線海岸公路邊坡崩塌災害分析」，國立東華大學自然資源管理研究所碩士論文，2004。
19. 林仁壽，「RDEU應用於建築投資業土地投標決策之研究」，國立臺灣科技大學營建工程系，2007。
20. 鄧乃楊等「數據挖掘的新方法─支持向量機」，科學出版社，中國，2004。
21. 許淑婷，「利用快速混雜基因演算法與模擬機制建立設計專案作業程序最佳化之研究」，國立成功大學碩士論文，2006。
22. 簡崑棋，「結合模糊類神經模式與快速混雜基因演算法於專案工期之預測」，國立成功大學碩士論文，2003。
23. 許兆博，「道路邊坡崩塌災損風險評估模式之研究」，碩士論文，國立臺灣科技大學營建工程系，2006。
24. Abdellaoui, M., “Parameter-free elicitation of utility and probability weighting functions,”Management Sci. 46,1497–1512, 2000.
25. Han Bleichrodt; Jose Luis Pinto, ”A parameter-free elicitation of the probability weighting function in medical decision analysis,” Management Science, 46(11), 2000.
26. Abdellaoui, M.; Vossmann,F; Weber, M., “Choice-Based Elicitation and Decomposition of Decision Weights for Gains and Losses Under Uncertainty,” Management Science,51(9), 2005.
27. Cheng Min-Yuan and Wu Yu-Wei. “Evolutionary Support Vector Machine Inference System for Construction Management,” Automation in Construction, 18(5), 2009, pp.597-604.
28. Ko, C. H. (1999). Computer-aided decision support system for disaster prevention of hillside residents. MS thesis, National Taiwan University of Science and Technology, Taipei, Taiwan.
29. Fukahori, K. and Kubota, Y. Consistency evaluation of landscape design by a decision support system. Computer-Aided Civil and Infrastructure Engineering, 15(5), 342–354, 2000.
30. Sundin, S., and Braban-Ledoux, C. Artificial intelligence–based decision support technologies in pavement management. Computer-Aided Civil and Infrastructure Engineering, 16(2), 143–157, 2001.
31. Yonas B. Dibike1 et al., ”Support Vector Machines: Review and Applications in Civil Engineering,” Proc. of the 2nd Joint Workshop on Application of AI in Civil engineering（2000）。
32. Yonas B. Dibike1, ”Model Induction with Support Vector Machines: Introduction and Applications,” ASCE Journal of Computing in Civil Engineering, vol.15, No.3,pp.208-216（2001）。
33. D.E. Goldberg, K. Deb, H. Kaegupta, G. Harik, Rapid, accurate optimization of difficult problems using fast messy genetic algorithms, Proceedings of the Fifth International Conference on Genetic Algorithms, pp. 56– 64, (1993).
34. Thorsten Joachims, http://svmlight.joachims.org/svm_struct.html。