第二章 文獻回顧
旅行時間推估為 ATIS 中非常重要的一環，文獻中所使用的資料來源以車輛偵測器 與探針車最為常見，經資料的過濾，將可用的資訊用以推估路段速度或旅行時間。本章 節主要以不同的資料取得方式作分類，分別為高速公路上所架設之車輛偵測器以及裝載 GPS 車機之探針車兩種資料取得方式。探討相關的旅行時間推估之研究，並討論其結果 的優劣，作為本研究之參考。
2.1 以車輛偵測器推估旅行時間
Nam et al. [3]提出利用高速公路單迴圈偵測器所蒐集到的流量、佔有率、車長等資 訊，以隨機等候理論與流量守恆為基礎發展一套推估模式，假設上下游車輛數符合先進 先出的假設，將流量、密度之關係做轉換，推估路段旅行時間。以多倫多伊莉莎白皇后 道(簡稱: QEW)作為實測範例，結果顯示，給定之推估時間間隔小於 30 秒時，能夠推估 出旅行時間之分布型態，且推估之誤差均在 3%之內。
Jayakrishnan et al. [5]考量到在壅擠的交通條件使用偵測器的點量測估計旅行時間 仍有不足，提出區間-密度的方法，並以另外三種模式作比較，包含以車量旅行時間為 估計方法、以速度為基礎的估計方法，分成雙迴圈與單迴圈偵測器、以流量守恆發展旅 行時間推估之模式，該模式將車輛偵測器的資料，提出流量守恆，以及考慮上下游偵測 器密度，匝道影響變數及 VD 間誤差，與上述模式作比較，有不錯的結果。其研究採用 車流模擬軟體之輸出資料與加州 I-880 高速公路現場調查資料進行驗證分析，結果顯示 其誤差在 5%以內。此模式應用國外車流相關資料或真實調查作為輸入項，均有明顯成 效。
Zhang et al. [6]認為路段上下游交通量存在著線性關係且目前的旅行時間與未來的旅 行時間中也存在著線性關係。因此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。且此模式適用於每個路段皆有佈設車輛偵測器的高速 公路。
何聰儒[7]利用偵測器與探針車資料推估兩 ETC 間的旅行時間，將上下游偵測器所 測得之速度、流量，配合探針車通過兩偵測器之旅行時間，找出兩者之線性關係，推估
6
偵測器間的旅行時間，再利用延遲加總得到兩 ETC 收費站整段之旅行時間，最後利用 ETC 收費站之平均每 5 分鐘測得之旅行時間做驗證，比較旅行時間推估的準確性。研究 結果顯示，收費站間之偵測器速度資料與探針車通過 ETC 的旅行時間存在線性關係，
以 k-means 分群法分成 4 群的結果在星期六、日的 MAPE 值為最佳，但有些旅行時間的 推估結果可能因為偵測器間距離過大而產生較大誤差，而無法反映實際路況。
2.2 以探針車推估旅行時間
Lee et al. [8]等人認為由於現今大部分的私人運具駕駛不願意提供其 GPS 的位置資 訊，以公車或計程車作為探針車成為資料蒐集的主要方式。但是，探針車車數不足以及 傳統的利用偵測器推估的方法已不適用的情況下，提出模糊分群法(Fuzzy C-means, FCM) 將 GPS 所蒐集到的速度資料分高、中、低速三個速度層級，利用此分群模式推估路段 速度。此研究利用計程車作為探針車，每五分鐘回傳一次數據，由於計程車因為有載客 任務須執行而產生走走停停的現象，若直接將蒐集到的路段速的直接平均會與真實值有 明顯差異，且會忽略高速度的資料，所以將高速的資料給予較大的權重做加權平均，取 得新的速度資料，避免速度低估的現象，結果顯示，考慮高速群資料的估計結果優於直 接平均路段速度。
Pu et al. [4]提出一推估路段旅行時間的架構，目的為當車輛的即時資訊難以取得時，
能夠利用路段中公車與小客車的速度關係，取得小客車的速度資訊，將公車所回傳的 GPS 速度資料建置歷史速度資料庫，當取得即時路段公車速度時，判斷即時路段平均速 度是否與歷史平均速度有顯著差異(即時平均速度落在歷史平均速度的信賴區間之外)，
若在其區間外，則利用貝氏更新架構推估更精確的平均速度，若無即時的公車資料回傳，
則以歷史平均速度取代，之後利用探針車取得研究路段的實際速度資料，再利用多元線 性回歸建立公車與小客車的線性關係，將得到的小客車路段平均速度轉換成旅行時間，
並依照所探討的路徑加總旅行時間，取得車輛於給定區間內的路徑旅行時間，此研究以 15 分鐘為路徑旅行時間的更新區間，最後在利用探針車實際調查的資料並計算每 15 分 鐘區間實際路段旅行時間，驗證旅行時間推估的準確性。
Fei et al. [9]提出以貝氏推論為基礎的動態線性模型(Dynamic Linear Model, DLM)預 測高速公路短程的旅行時間，採用以線圈偵測器收集到的資料，由於速度資料的中位數
7
不受極端值影響，此研究利用中位速度資料作為路段旅行時間的主要資訊，以歷史旅行 時間之中位數、隨機變數、模式評估誤差之總和推估實際路段旅行時間，以 5 分鐘為時 間區間，為了追朔在不確定性事件發生而造成的非重現性壅塞對旅行時間的影響(即隨 機變數)，利用貝氏動態線性模型結合適應性控制架構可以自動學習並調整模式誤差，
最後與利用自我回歸模型的結果作比較，評估指標包含平均絕對誤差(MAE)、均方根誤 差(RMSE)、平均絕對誤差百分比(MAPE)，結果顯示，此方法在重現性與非重現性壅塞 的情況下，可以提供準確的預測。
2.3 小結
旅行時間推估的資料來源主要為探針車與車輛偵測器所收集的速度、流量等資料，
經由資料的處理取得可用之資訊，並建立歷史資料庫，並建構適當的推估模式進行推估。
由上述文獻可以發現，旅行時間推估之資料來源以速度、流量、佔有率較為常見。以何 聰儒[7]為例，主要將所蒐集之歷史資訊建立回歸式，並將現況資料輸入以取得推估結果，
如 Lee et al. [8]將探針車蒐集到的速度的歷史資料做分群，判斷現況資料屬於哪一個速 度層級，進而推估路段速度。綜觀以上，在推估資料的處理上，通常會將現況資料直接 套入模式推估速度或旅行時間，或是以現況資料搜尋相似的歷史資訊，經模式計算後得 到旅行時間，但是，當現況資料不穩定的狀況下，直接推估現況的旅行時間可能會降低 準確性。
Pu et al. [4]提出的旅行時間推估模式，將公車所回傳的 GPS 速度資料建置歷史速度 資料庫，當取得即時路段公車速度時，判斷即時路段平均速度是否與歷史平均速度有顯 著差異，即時平均速度落在歷史平均速度的信賴區間之外，若在其區間外，則利用貝氏 更新架構推估更精確的平均速度，若無即時的公車資料回傳，則以歷史平均速度取代即 時速度資料。之後利用探針車取得研究路段的實際速度資料，以多元線性回歸建立公車 與小客車的線性關係，將得到的小客車路段平均速度轉換成旅行時間。
然而，探針車所蒐集到的 GPS 速度資料會因為高速公路交通流量狀況、研究路段 長度、所需之探針車數量及傳送的頻率等因素，影響推估之精確度，且其執行任務所涵 蓋的路段範圍有限，造成旅行時間推估之範圍也因此受限。再者，高速公路 VD 的佈設 間隔約 1~2 公里，佈設密集，又因路段特性不同調整佈設的密度，交流道附近或易肇事
8
路段分布較密集，能提供較多的速度值，所以本研究採用 VD 資料作為高速公路旅行時 間推估之資料來源。
本研究以 Pu et al. [4]提出的貝氏推論為基礎的旅行時間推估模式，發展一套推估模
式，改採用高速公路佈設的車輛偵測器所取得的資料建立歷史速度資料庫，並利用此模 式推估高速公路路段旅行時間，期望能夠符合實際路況。
9