以偵測器作為資料來源

Karl [4]認為高速公路上面的單迴圈偵測器並無法直接偵測車 輛的速度，通常都是利用車長、佔有率等資料，並以流量、密度、

速度三者之間的關係做一個轉換，以得出目前高速公路上的車輛速 度。因此他提出了一個模式，可以直接由偵測器鎖偵測到佔有率以 及流量，利用直觀的車流統計模式，直接推估出路段的旅行時間。

首先他假設在一個給定的時間間隔內，車輛的旅行時間在統計上會 呈現一個分佈，接著再去預測此統計分佈的型態，因而可以推估出 路段的旅行時間。

在測試方面，本研究採用 I-880 公路所蒐集到的資料作為測試 範例。結果發現，當給定的時間間隔小於 300 秒時，可以預測出旅 行時間的分佈型態，但是當時間間隔漸漸變大時，便會漸漸失去追 蹤旅行時間分佈型態的準確度。

A. T. Venmuri [3]利用在高路公路上一組偵測器偵測目前車流 的速度，再利用時間序列的方法預測未來的旅行時間。在偵測車流 速度方面，因為車輛會先通過上游的偵測器再通過下游的偵測器，

因此利用上下游偵測器累積到同一車輛數的時間差來推估目前車 流的速度，有了車流速度且路段長度已知，即可求出路段的旅行時 間。接著再將預估旅行時間的問題當做時間序列問題來求解。

Zhang [18]認為目前的旅行時間與未來的旅行時間中存在著線 性關係，因此他們利用此線性關係建立預測模式利用目前高速公路 的旅行時間來預測未來的旅行時間。並且使用平均絕對預測誤差百 分比(mean absolute percentage prediction error, MAPPE)來衡量此模 式的預測結果。此模式適用於每個路段皆有佈設車輛偵測器的高速 公路。

此研究的測試範例有二：

(1) I-880

此測試資料來自一段在加州海沃長 6 英哩的高速公 路，在這段高速公路上，每隔三分之一英哩就有一個雙迴 圈車輛偵測器，因此全路段總共有 35 個偵測器。而此測試 範例是蒐集北邊車道早上 5 點至早上 10 點的偵測器資料。

(2) I-405

此測試資料來自位於加州的 I-405 公路，此研究採用早

上 5 點至早上 10 點的資料。資料規模較上一個測試範例大。

測試結果方面，在以 I-880 的資料測試下，依照時間的遠近誤 差約在 5%至 10%。而在以 I-405 的資料測試下，依照時間的遠近 誤差約在 8%至 13%。由於此模式的精確度會隨著預估時間的遠近 以及輸入資料量的多寡而有所不同，因此適用於短距離的公路上。

Benjamin Coifman [6,12,13,16]利用上游偵測器偵測到的車輛有 效車長來辨認此車輛何時通過下游的偵測器，以同一車輛通過兩偵 測器的時間差，便可以計算出目前上下游偵測器間的旅行時間。

此方法應用在未壅塞的高速公路上，可以辨識出 65%的車輛。

而在擁擠的高速公路上，則可以辨識出 71%的車輛。

另外也將高速公路的旅行時間由短至長分成 4 個範圍，若是利 用此方法偵測出目前高速公路的旅行時間落在第一個時間範圍 內，就表示目前高速公路的服務等級為 A 或 B。若是落在最後一個 時間範圍內，則表示目前高速公路已出現壅塞的情形。

Abhijit [17]利用反傳遞類神經網路(counter propagation neural network, CPN)預測高速公路未來 5 至 30 分鐘之旅行時間並與倒傳 遞類神經網路作比較。與倒傳遞類神經網路(back propagation neural network)相比，反傳遞類神經網路的運算速度比較快，因此適用於 需要即時反應的 ATIS 上。

在訓練範例方面，此研究採用模擬的方式先產生 120 分鐘內的 旅行時間，在此 120 分鐘的旅行時間中，分別以每 3 分鐘、5 分鐘、

10 分鐘、15 分鐘取一筆資料，因此產生 A、B、C、D 四組旅行時 間訓練範例。訓練到誤差小於 0.005%的時間表 2.1 所示：

表 2.1 訓練時間 單位：秒

訓練範例 倒傳遞網路 反傳遞網路

A 9.6 8.9

B 11.5 10.9

C 14.3 16.1

D 21.0 20.6

在測試範例方面，也是採用同樣的方式產生了 4 組的範例，測 試結果如表 2.2 所示：

表 2.2 平均誤差 單位：%

測試範例 倒傳遞網路 反傳遞網路

A 398.3 4.1 B 312.7 3.8 C 276.4 3.4 D 212.8 2.9 Van Grol [10]在歐洲建置的 DACCORD 系統也是利用埋設在道 路上偵測器所求得的資料進行旅行時間的推估，並利用交通模式對 未來的旅行時間作預估。在旅行時間推估方面，本研究採用以下兩 種方式來推估：

1. 以車行速度來推估，此為利用車輛位於路段的起點及迄點之 速度，由路段的長度除以車速來計算路段內的旅行時間。

2. 以車流量平衡來推估，此為利用路段起點與迄點之車流平衡 來計算路段中因為壅塞而延滯的車輛數。當路段中有滯留之 車輛數，則使用車輛消散率計算滯留車輛的消散時間，將此 消散時間加上此路段自由車流狀況下的旅行時間，則為此路 段的旅行時間。

在路網旅行時間推估方面，Van Grol 採用以下兩種方式來推估：

1. 瞬時之路網旅行時間，此為直接加總路網中各區段之旅行時 間。

2. 加權之瞬時路網旅行時間，此為視各路段之道路使用率來決 定權重加總各路段之旅行時間。

在旅行時間預測方面，則是採用統計交通模式以及交通行為模 式來預測路段的旅行時間。在路網部分，則是採用動態之路網旅行 時間預測以及瞬時之路網旅行時間預測兩種方式。

在測試方面，其利用平均平方誤差百分比平方根比較各種方法 之準確度，結果發現，以行車速度推估的方式有較佳的績效，誤差 約為 18%。

Jasperse [8]在荷蘭實行 ASTRIVAL 計劃，此計畫之目標為透過 高速公路上每隔近五公里設置感應線圈之監控系統（名為 MoniCa）

所偵測之車流量以及車流速度，利用演算法求得旅行時間及道路之 車隊長度，並與實際資料比較其準確性。結果發現，當路段長度不 長時，不論是否有量測匝道進出之車流量皆可以有合理的推估結 果，但是當路段長度較長時，若無量測匝道進出之車流量則較難準 確的推估其旅行時間。

Rose [9]利用在高速公路沿途每五百公尺裝設感應線圈，以測 得車流量、車流速度、以及道路的使用資料。但是經過測試，發現 簡單的距離除以速度所算得的旅行時間僅能反應瞬時的車輛資 料，無法預測道路上車隊之累積或消散情況，使得旅行時間計算之 結果準確性不足。因此，為了彌補簡單計算模式之不足，此計畫發 展了一路段遞迴消散模式(Recursive Cell Processing Model, RCP Modal)改善之。路段遞迴消散模式與利用車輛瞬時速度的預估模式 相比消散模式的平均絕對誤差百分比約 8%，而車輛瞬時速度的預 估模式則有 16%。