在第四章的部份，已經藉由過去原始停放資料掌握並分類一星期中七 天的尖峰時段，故在此章將進行正式進、離場車輛數的預測。模式一至模 式三為進場車輛數量之預測，而模式四及五則是離場車輛數量之預測。本 節將分為兩個步驟，首先是決定各模式應該採用的最佳時間區間資料量，
並利用績效衡量指標的平均絕對偏差(MAD) 選擇出適當的網路架構，接著 應用其所得結果進行正式資料之預測，並利用誤差比例來進行各模式中之 預測情形比較，以確認預測是否合理。
本節所建構之車輛數量預測模型將會使用 1 層隱藏層來建構網路，此 原因為考量過多隱藏層的數量易增加計算複雜度，此外在樣本數量的決定 上，也以軟體的預設值為主，包含訓練樣本 70%、測試樣本 15%和驗證樣 本 15%。此外本研究在進行車輛數量預測的過程當中，由於資料取得限 制，因此不會將月租客戶和一般臨停客戶分開討論，將全體使用者統一視 為一般臨停使用者，此舉也可以減少整體運算過程的複雜性。各模式之最 佳使用時間區間之預測決定結果如下：
一、 模式一(預測星期一、二、三的進場車輛數)
透過模式預測後，利用平均絕對偏差(MAD)來檢視各組合的績效值，
並且也加上模式的訓練績效和後續的測詴誤差來選擇最佳模式。
由於12:01-13:00 為尖峰時段的第一個開始區間，故以此作為計算基準 值，並往前推算。從表 5-1 可得知組合 J1 的績效值較其他組合要來的好，
其表示模式一在後續正式預測時，應考慮使用前 10 期資料進行預測，亦即 使用前 10 小時之進場車輛數，則可得最佳預測績效。
46
47
表 5-2 模式二之停車進場預測數量績效與誤差值
模 式 二
使用 區間組合
網路架構 (I-H-O)
訓練結果
誤差值MAD 訓練績效 模式測試誤差
至 t-7(-1) G2 MLP 6-10-1 <10−4 100% <1 至 t-6(-1) F2 MLP 5-7-1 0.095 98.32% <10−2 至 t-5(-1) E2 MLP 4-5-1 <10−3 100% <10−2 至 t-3 C2 MLP 3-5-1 <10−3 100% <10−4 至 t-2 B2 MLP 2-5-1 <10−4 100% <1 至 t-1 A2 MLP 1-8-1 0.247 67.71% <10−3 資料來源：本研究整理
三、模式三(預測星期六、日的進場車輛數)
透過模式預測後，利用平均絕對偏差(MAD)來檢視各組合的績效值，
並且也加上模式的訓練績效和後續的測詴誤差來選擇最佳模式，由於 8:01-9:00 為尖峰時段的第一個開始區間，故以此作為計算基準值，並往前推 算。從表 5-3 可得知各使用區間組合的訓練與測試的績效與誤差情形，由 於多為相似的誤差結果，故此部分以 MAD 值來進行評斷，以組合 G3 的 MAD 績效值而言，其若考量到更多小數位數之後，其誤差情形會較其他 組合相對來的好，表示模式三在後續正式預測時，應考慮使用前7期資料 進行預測，亦即使用前 7 小時之進場車輛數，則可得最佳預測績效值。
48
表 5-3 模式三之停車進場預測數量績效與誤差值
模 式 三
使用區間組合 網路架構
(I-H-O)
訓練結果
誤差值MAD 訓練績效 模式測試誤差
至 t-8 H3 MLP
8-11-1 <10−4 99.9% <10−4 至 t-7 G3 MLP
7-11-1 <10−4 99.9% <10−4 至 t-6 F3 MLP 6-5-1 <10−4 99.9% <10−4 至 t-5 E3 MLP 5-9-1 <10−4 99.9% <10−4 至 t-4 D3 MLP 4-7-1 <10−4 99.9% <10−4 至 t-3 C3 MLP 3-4-1 <10−4 99.9% <10−4 至 t-2 B3 MLP 2-6-1 3.248 48.58% >1 至 t-1 A3 MLP 1-3-1 2.994 38.87% >1 資料來源：本研究整理
四、模式四(預測星期一、二、三、四、五的離場車輛數)
透過模式預測後，利用平均絕對偏差(MAD)來檢視各組合的績效值，
並且也加上模式的訓練績效和後續的測 試誤差來選擇最佳模式，由於 16:01-17:00 為尖峰時段的第一個開始區間，故以此作為計算基準值，並往 前推算。模式四與模式二有同樣的情形，由於 02:01-03:00 此時段資料皆為 0，呈現無變化故需刪除。而有鑑於該時段資料需要刪除，因此以 P4 組合 來說，其所使用之時間區間變數需要刪減 1 個，故會在後面註明為(-1)。同 理而言，N4 組合之至 t-14(-1)區間和 M4 組合之至 t-13 區間，因為變數刪 減，故其所參考變數相同，因此將 N4 組合與 M4 組合合併。從表 5-4 可得 知組合 D4 的績效值與誤差情形較其他組合要來的好，其表示模式四在後 續正式預測時，應考慮使用前 4 期資料進行預測，亦即使用前 4 小時之離 場車輛數，則可得最佳預測績效值。
49
50