交通科技應用

繼瑞士2003 年實施 HVF(Heavy Vehicles Fee)與德國 2004 年 Toll Collect 系 統 率 先 採 用 衛 星 定 位 技 術 進 行 重 車 道 路 收 費 後(Bonsall et al.,2006;Kossak, 2004;Charpentier and Fremont, 2003; Ruidisch, 2003)，使得道路收費系統多了一項 新的技術VPS(Vehicle Positioning System)，而全世界先進國家包括:荷蘭、香港、

英 國 等 亦 相 繼 以 此 技 術 進 行 壅 擠 收 費 、 市 區 收 費 等 道 路 收 費 技 術 的 測 試 (Blyth,2005;Evans, 2004)，同時，Asakura and Iryo (2006)也指出利用行動電話與 衛星定位等先進的資料蒐集技術可以讓道路管理者了解用路人旅運行為與即時 交通狀態，其進一步亦可提供交通擁擠程度作為動態擁擠收費模式的依據。

Hensher and Puckett (2007) 更明白指出交通管理系統需要一個有效的資料蒐集 技術以提供即時的道路擁擠程度收費信號指標(Charging Signal)作為動態收費的 依據是一個有效的交通管理策略。同時 Dodoo and Thorpe(2005)也提出新的 HGV(Heavy Goods Vehicle) 收費系統，顯示衛星定位系統可以有效蒐集重車行 駛路網路徑包括:日期、時間、起迄位置座標、平均速度與該車軸數等資訊，收 費系統則利用此精準資料對來往收費路段的重車進行收費計算依據。

Hoh et al.(2008) 提出 VTL(Virtual Trip Line)等概念，利用 VTL 偵測推估車 輛軌跡，並從Privacy 的角度來設追蹤資料不被輕易擷取而暴露行蹤，或是行徑 軌跡被事後得知，其利用多個被信任的伺服器以 temporal cloaking(隱匿)方式，

讓有意攔截者無法得知真正的資料，但又不失累積交通資料的目的。

早在1996 Saricks et al.,等學者便以 ADVANCE(Advanced Driver and Vehicle Advisory Navigation Concept)計畫為背景，提出如何利用 MNA(Mobile Navigation Assistant) 作為探測車的資料蒐集與導引顯示設備，同時配合迴圈偵測器資料以 提昇即時的交通資料蒐集，並在其測試中又將路徑導引資訊傳回給MNA 以通知 用路人，其證明可以有效降低用路人旅行時間。

Panahi and Delavar (2008) 利用 GNSS (Global Navigation Satellite Systems)與 後端GIS 圖資建立了一套 SDSS(Spatial Decision Support System)空間決策支援系 統作為緊急車輛最短路徑決策與派遣，該系統利用最短路徑演算法、動態最短路 徑演算法與時間相依演算法 TDSP(Time–Dependent Shortest Path)( Ramalingam and Reps,1996;Dijkstra,1959;Dreyfus,1969)對於發生緊急事件車輛進行最短路徑 導引與派遣管理，其認為交通壅塞分為重現性與非重現性兩類，其中非重現性交

通壅塞包括:動態事件、事故、天氣因素、道路施工等因素所造成這些是無法被 預測的，必須利用即時GPS 衛星資訊與動態最短路徑進行派遣管理。

Quiroga and Bullock (1998) 利用 GPS-GIS 方法論計算路段旅行時間，其採 用步驟包括:Data collection、data reduction、data aggregation 及 data report 等程 序。Turner et al., (1998) 提出在廣大的資料蒐集範圍需求下探測系統(Probe System)是一個很有效率的資料蒐集方法，而 Murakami and Wagner (1999)更以 PDA 結合衛星接收器對城市通行者之旅次資料進行路測蒐集與分析研究，其結 果顯示採用PDA 與衛星接收器可以自動蒐集定位資料包括旅次的起迄時間、軌 跡與起迄位置等資訊均無需傳統人工輸入，同時，進行軌跡分析時其也明白指出 衛星定位的精準度與資料處理將是探測車應用的關鍵所在。

過去大部分探測車研究均以偵測車輛全程傳送 GPS 時間、經、緯度、速度 等資訊並以行動通訊方式將每秒的接收資料傳送至後端，而後端資料處理中心必 須面臨大量資料處理與過濾工作，同時必須考量路段上時空對應關係以順利計算 取得路網路段上的旅行時間值，Akyildiz et al.(2002) 提出 WSN(Wireless Sensor Network)概念以簡化節點處理無線網路龐大資料存取問題，而 Zheng et al.,(2008) 認為有兩個理由很難讓使用者願意手動去紀錄交通模式，1.沒有動機 2.困難重 重，因為通常行程裡包含不同的交通模式所以要分析旅客旅次分佈唯有利用GPS log 資料進行資料採集可以順利獲得旅次順序與分佈，因此，其提出 Geolife 系 統利用 web 網站工具讓使用者可以上載其旅次過程中之 GPS 軌跡紀錄，

Geolife 系統分析使用者生活型態最後可以順利導出 1.受歡迎旅遊路徑 2. 熱點 3. 交通狀態等資訊，該即時資訊再利用透過行動通訊提供給使用者，在 45 自願 使用者以6 月的原始資料可以導出走路、汽車、公車、腳踏車等不同交通模式的 旅次分佈與時段。隨即Zheng et al.,(2009) 再利用 TBHG (Tree-Based Hierarchical Graph)紀錄旅客軌跡資料，並以 HITS (Hypertext Induced Topic Search)-based inference model 對這些軌跡檔進行 POI(Point of Interest)熱點搜尋與旅客旅次停 留分析，其利用個別user 之 GPS log 採以 △t (20 分鐘) 及 △d (200 公尺) 門 檻值設定對軌跡檔進行熱點推導與旅行順序分析，在蒐集 107 user 長達一年期 間的軌跡資料能順利得到該樣本資料的交通旅次型態資料。

Uno et al., (2009) 利用蒐集 2003 年 12 月 13 日至 2003 年 12 月 24 日 Hirakata 城市之公車軌跡資料進行路段旅行時間變異分析，由於公車存在停靠站問題，所 以該分析除了必須將軌跡檔進行轉換處理外，其也必須引進停靠站偵測技術對原 始資料進行停靠站之判定與過濾，且必須將此有效樣本軌跡資料對應至路網節線 上，最後再依時窗篩選對應的資訊至每個路段上，以上顯示，利用車輛原始GPS 軌跡檔欲進行旅行時間萃取分析必須經過複雜且繁瑣的資料蒐集、篩選、過濾與 媒合處理，顯示Data Reduction 在處理探測資料問題上仍有很大的改善空間。

第二章文獻回顧

Bauer et al.,(2008) 認為每一種運輸模式有其特性及延滯時間，公共運輸有其 固定班表特性，交通壅塞或事故則有其型態表現，這些型態特性大多可從GPS 軌 跡可以推導得到，其認為25~30 公尺誤差定位是合理的假設，故所提 Stop 偵測 演算法係以 5 分鐘內且方圓 25 公尺範圍內之門檻值，作為偵測判定軌跡 Stop 的依據，在27 天 4 個禮拜的 GPS track data 進行分析結果，得到通行者的喜 好與習性，同時其也順利推導得到旅次較多停留點(Point Of interest;POI)。

Thakuriah et al.,(1994) 認 為 探 測 資 料 具 有 (a) 稀 疏 (Sparse) (b) 間 歇 性 (Intermittent) 及 (c)獨立性(Dependent)等特性，因此，要利用探測資料進行交通 資料蒐集必須克服上述三個問題，其同時也指出系統進行探測資料蒐集與圖資比 對時所面臨兩個主要的錯誤型態為來自(1)、GPS 衛星誤差，(2)、後端系統與前 端OBU 設備中時序同步問題，此兩項主要型態誤差將嚴重影響資料蒐集正確性 與精度。Kwon et al., (2007) 提出利用探測車與偵測器進行擁擠程度評估比較，

其評估參數包括:延滯、壅塞距離與壅塞期間等三項評估參數作為兩者比較基 礎，在 4~6 天的資料測試驗證結果發現每半哩區間設置一偵測器取樣點，其可 以達到評估誤差為 10%以內，相反的，當取樣區間擴大至 2 哩時，則評估誤差 幾近 50%，顯見，取樣樣本多寡與取樣偵測點區間大小對整體評估的誤差影響 甚鉅。

一般而言，衛星定位的誤差來自:衛星時鐘誤差(satellite’s clock error)、星曆 誤差(satellite ephemerides)、電離層與對流層條件(ephemerides and tropospheric conditions )、多路徑效應( multipath effect)、與是否有 SA(Selective Availability) 干擾信號等因素所造成(Lechner and Baumann；2000)，而 Choi and Cicci (2003) 以 Noe et al.’s, Bancroft’s, 及 Biton et al.’s 等三種定位演算法進行效率與準確 性 分 析 ， 在 忽 略 衛 星 星 曆 (satellite ephemerides)、 電 離 層 效 應 (ephemerides effect)、對流層效應(tropospheric effect)及多路徑效應( multipath effect)等誤差的 前提下，其得到水平定位誤差為 20 公尺，垂直定位誤差則為 30 公尺的結論，

Li et al.,(2005) 僅利用單一 GPS 接收器結合 GIS 與高度輔助資訊可以有效減少定 位誤差由22.5 公尺降至 17.5 公尺，同時其對應到圖資平面誤差可以由 6 公尺降 至5 公尺，而在引進 1:50000 比例的 DTM (Digital Terrain Model)圖資、RRF(Road Reduction Filter)演算模組(Taylor et al., 2001)與 Map Matching 演算法(Mallet and Aubry, 1995;Scott, 1994;Taylor et al., 1999)與結合高度輔助資訊後，其更可以有效 減少定位誤差由22.5 公尺降至 4 公尺，圖資誤差由 6 公尺降至 3.2 公尺，證明，

利用輔助資訊與適切補值演算法可以有效降低GPS 定位的誤差，這對採用 GPS 信號結合GIS 圖資的定位應用服務提供一個誤差參考依據。