應用於實際狀況結果比較

在此節主要會針對訓練好的不同 Model 進行模擬實際狀況結果的比較。

其中會依照與無開放路肩以及無管控路肩流量的資料進行比較，而在模擬 環境中，會以前面章節所提到的表現評估方式分別為：出發延遲時間與減 少總放行車流量進行比較。

在本研究中，針對不同的 Model 進行了 20 次的模擬測試，其延遲出發 時間結果如圖20 所示，依序先是 Continuous Model 的各種不同 Epoch 與 𝛽 設置，最後兩組則是 Individual Model 分別以 7 天跟 8 天訓練出來的 Model，

透過結果可以直接地看出如果沒有開啟路肩舒緩車流，整體的延遲出發時 間會非常長，而且整體的交通情況會很不穩定，而開啟路肩可以直接的減 緩延遲出發時間，透過圖中資訊也可以看出本研究所有的實驗 Model 都可 以降低延遲出發時間，且都維持在一定的範圍中，代表透過預先訓練好的 Model 確實可以在變化很大的交通中，還可以很平穩的做決策，證明了確 實可以透過 Q Learning 的技術訓練一套 Model 並且依此來控管交通狀況。

圖20. 不同Model 模擬20次結果。

了解訓練好的 Model 都能夠確實做決策後，就可以比較整體與原先無管 控路肩車流時的交通紓緩情形與減少車輛比率，圖21為各 Model 的模擬延 遲出發時間減少比率，一樣從左邊開始依序是 Continuous Model 中各種不 同的 Epoch 與 𝛽 設定，而最後兩筆為 Individual Model 中分別以 7 天跟 8 天 訓練出來的 Model，首先在延遲出發時間減少比率中可以發現所有的 Continuous Model 都可以有效率的減少整體的延遲出發時間，也就是說能夠 確實的透過訓練好的 Model 來舒緩整體的交通壅塞狀況；而 Individual Model 在這裡的表現就不是很好，基本上與原先的延遲出發時間沒有差別，

代表當把所有的資料分開訓練時，系統給予的反饋比較不適合讓整體交通 環境在壅塞情況發生時能夠有效的紓緩車流。

圖21. 不同Model 平均延遲出發時間縮短比率。

圖22為各 Model 的路肩車流量縮短比率，依序一樣是 Continuous Model 中不同 Epoch 與 𝛽 的設定，最後兩個為 Individual Model 分別以7天與8天的 訓練結果，透過實驗結果可以發現到在 Continuous Model 中，當 Epoch 為 100、 𝛽 設為 0.7 的時候減少了很多的車流量，也可以結合上一張圖得出一 個結果依照這樣的設定，能夠在減緩很多車流量的同時，一起舒緩整體的 壅塞情況；而雖然 Individual Model 在延遲出發時間的表現不好，但是透過 結果可以發現它減少了非常多的車流量，而這邊也可以解釋成，因為是透 過每天的資料堆疊訓練出來的結果，所以會因為不同天的重新訓練而產生 出不一樣的結果，也讓訓練好的 Model 會因為每天不同的情況產生不同的 結果。

-0.45 0.31

Continuous Model Individual Model

圖22. 不同Model 減少路肩車流量比率。

從上述的驗證過程來看，不管是 Continuous Model 或是 Individual Model，

都可以對於交通的改善有所幫助，在 Continuous Model 中整體來說當 𝛽 = 0.7 的時候效果還是最好的，雖然當迭代次數越高反而結果比較差，都還是 都有比原先的無控制路肩車流量來的好很多，都能夠同時減少延遲出發時 間跟行駛車流量；而 Individual Model 雖然無法降低延遲時間，但其降低了 非常多的車流量比率，甚至會降低比 Continuous Model 更多的比率。透過 此小節的結果來看，不管使用哪一個 Model 或是 𝛽 設定為多少，本研究提 出的 ARSTC 不但可以使用比無控制路肩車流量還要少的車流量，更可以降 低整體的出發延遲時間，讓整體高速公路的行車環境能夠安全且更有效率 的舒緩壅塞情況。

Continuous Model Individual Model