相關文獻回顧

二、文獻回顧

2.1 相關文獻回顧

1.類神經網路模式在國內交通運輸研究之成果評析（魏健宏、陳奕志，

2001）

該研究仔細蒐集國內交通運輸界近十年來與類神經相關之論文、報告等資料，並加以有系統分類整理，並評析其研究與應用特性。評析項目包括類神經網路模式、數據來源、問題規模、實務或研究課題、交通問題分類、績效評估、演算法、應用程序及電腦軟硬體應用等。該研究指出，類神經網路在國內交通領域上之應用包括 1.分類與歸類問題：包括車種、車牌辨識、道路維修、道路事件偵測等；2.最佳化問題：包括交通控制、方案評估、路線與排程問題等；3.預測：包括駕駛人行為模擬、旅運預測、車輛操控等。

與國外研究相比，國內尚有許多層面亦適用於類神經網路之應用，

但尚未見有相關研究成果發表，例如在航空運輸、交通政策、運輸經濟、地鐵自動化控制系統等方面。此外，類神經網路擁有多種網路型態，然而國內目前只見倒傳遞網路、彈性網路（elastic net）

及模糊類神經網路三種，故仍有其他多種網路型態有待進一步之研究。

2.利用公車 GPS 定位資料推估路段行車速率之研究（王晉元、張惠汶，

2002）

本研究利用公車的在行駛中傳回之 GPS 定位資料，發展一套資料處理方式，推估路段中之速率，做為路段速率資訊提供之用。然而公車並非專屬的探針車輛，有其主要的載客任務需執行，所傳回來的速率資料必需加以處理，才能提供正確資訊。本研究發展資料處理模式，主要包括兩個部份，一為資料過濾模式，主要是在公車站牌與路口位置設定停等區，配合公車速率資料型態，自訂過濾規則，以濾除公車上下客、路口紅燈停等之低速資料。另一為資料切

割模式，此模式主要以統計上改變點分析方法，找出一切割點，使切割點至目前更新時間之間的資料是相似的。為了解本研究所發展模式之效果，本研究進行實例之測試，以新竹市光復路往市區方向建新路口至建中路口為例，進行完整的模式分析，包括資料的收集、資料過濾模式的處理、資料切割模式的處理、路段中速率的推估。分析的結果，在資料過濾模式與資料切割模式方面均能達到所期望之功能。本研究所發展之模式，有助於提升現有裝有 GPS 車隊以及來將加裝 GPS 之車隊之 GPS 的附加價值，取代偵測器的設置並增加路況收集的涵蓋率。

在資料過濾模式建立方面，本研究利用實際資料，分別測試統計上卡門濾波器法、平均數平滑法與自訂規則法之過濾效果，測試結果前兩者只將資料平滑，並不能達到資料過濾功能，而自訂規則法能將紅燈停等與站牌停等之資料加以濾除，最能符合需求。

在資料切割模式建立方面，本研究以改變點(change-point)分析作為其速率切割之方法。改變點(change-point)分析在統計上為一重要理論，連接統計上的控制理論，估計理論和檢定理論，並可將統計模式切割成異質的兩個部分。一般改變點分析假設檢定的方法為貝氏方法與概似比檢定兩種方法，而改變點位置的估計，亦可分為貝氏方法與最大概似估計法，本研究均有探討。

3.有 GPS 資訊提供下之車輛旅行時間預估模式之研究（王晉元、吳佳峰，

2001）

本研究主要透過車輛歷史旅行資料預估車輛旅行時間，為了能夠正確預估車輛旅行時間，本研究設定了車輛運行路線分段以及車輛歷史旅行資料劃分時段之準則。而為使模式能夠同時適用於城際間長途旅次以及市區內旅次，模式將預估車輛旅行時間分隔為車輛運行時間以及車輛停等時間。同時為了補強運用車輛歷史旅行資料預估無法有效反應車輛實際遭遇非預期性運行狀況之改變，模式將運用車輛實際運行時所傳之 GPS 定位訊號。模式從車輛實際之平均運行速度、前車經過前方路段所傳之該路段最近旅行時間資訊，調整預估車輛運行時間；另外模式從車輛實際停等時間，判斷預估車輛停等時間是否有超估或低估之現象，並調整之。

為了測試預估模式之適用性，本研究以實際國內客運業者車輛旅行資料對預估模式作實例之測試。從測試結果發現模式在未遭遇非重現性之壅塞時，預估旅行時間有著相當不錯之準度，而當遭遇

壅塞時，模式之預估旅行時間誤差亦能透過模式預估旅行時間之調整機制而控制在可接受之誤差範圍內。

4.高速公路旅行時間預測模式之研究-類神經網路之應用（魏健宏、林士傑，2001）

本研究欲整合中華顧問工程司交通千里眼(E-traffic)所提供之即時交通播報資訊（如事件、施工、車輛偵測器等），再加上高速公路幾何、交通量調查與客運車輛 GPS 等資料，期使資料完善以盡可能地呈現真實的行車環境，並運用類神經網路準確預測高速公路旅行時間，來供用路人參考以降低不確定性。

模式基本構想是以北部區域路段為研究範圍、主要都市交流道為預測對象。有鑑於道路使用者之起迄點不同，若要個別發展單獨的預測模式，模式數量太多且應用上亦過於複雜。故本研究將研究範圍分成數個群組、構建多個預測模式，且範例資料考慮實際應用上之未來時間概念，爾後分別進行類神經網路之訓練與測試工作，

以評選績效較佳的模式。最後，實證分析發現所採用的 4 種分析指標中，以 ANN6 模式最為穩定且預測能力佳。在未來發展上，旅行時間預測所提供之交通資訊亦可與電子地圖、即時資訊等先進用路人系統(ATIS)相互結合，有著無可限量的商機。

5.類神經網路應用於國道客運班車旅行時間預測模式之研究（魏健宏、

李穎，2002）

本研究融合國道客運班車 GPS 資料、車輛偵測器資料、事件資料等真實資料，以類神經網路法尋找各項資料來源其參數與旅行時間之關係，構建國道 1 號西螺至永康交流道路段之旅行時間預測模式。西螺至永康路段切分數段後，融合與該路段相關的三類資料來源，各路段分別構建自屬之預測模式。模式構建的同時亦分別探討四種不同切分方式其旅行時間預測績效。另構建少量資料即可運作的旅行時間預測模式，因應未來資料取得不便的可能狀況。

最後以真實車流資料對模式輸出結果進行充分驗證，組合各路段預測模式的方式，滿足了實際生活中各個區間使用者需求、匝道進出車流影響與不同路段長度與特性的考驗，彰顯出模式在各種狀況下的穩定性以及未來實務應用階段的準確可靠能力。實證分析分別從使用者觀點與管理者觀點採用不同評估指標加以驗證，確認了類神經網路於國內高速公路旅行時間預測之實務應用可行性與高

度準確性，亦將國內智慧型運輸系統的發展願景向前推進。

6. Section Travel Time Estimation form Point Detection Data, Jun-Seok Oh, R. Jayakrishnan, Will Recker, August 2002.

因在於擁擠的交通條件下要從迴圈偵測器的點量測值去估計

式中：

s =

tt 區段平均旅行時間

∆x 區段長度（ ^x^d ⁻^x^u）

圖 3 實際路段旅行時間區段示意圖

(2).以車輛旅行時間為基礎的估計方法 - 到達時間為基礎之旅行時間

近年來在感測技術上的進步，自動車輛辨識以及從車輛波形進行車輛再辨識的方法，提供了當車輛通過已定義的偵測位置時之相關資訊，因此，經過一特定時段的旅行時間可以利用個別車輛從上游到下游的平均旅行時間，其計算公式如下：

{ }

N t t tt

n u n d A

∑

−

= ¹

由別於前項之真實旅行時間預估，這種估計方法並非只根據時間至 t1 期間的車輛，以上圖之第 5 輛車說明，許多經過該區間的車輛所花費的時間只佔了全部旅行時間的一部份，若車輛經過該區間部分越長，則影響旅行時間的程度將更大。

(3).以速度為基礎的估計方法

當車輛個別的到達時間和再辨識設施不夠充足時，旅行時間的預估則有賴於偵測器之平均旅行速度的估計，以下將說明雙迴圈偵測器與單迴圈偵測器之估計方法。

c雙迴圈偵測器

計算公式為：

(

u d

)

^/²

DL v v

tt x

= ∆

式中：

u =

v 上游偵測器所得速度

d =

v 下游偵測器所得速度 d單迴圈偵測器

使用單迴圈偵測器估計速度必須假設車輛長度都一樣，則計算公式為：

o g v_SL = q×

式中：

q 交通流量

o 佔有率

g 平均有效車輛長度

前述兩種估計方法的正確性，是在該區間兩點間之交通條件完全一致不變下或為線性組合的假設前提下，然而此一假設在交通環境擁擠（可能是事故或其他原因）的情況下不再有效，計算結果將有偏誤的情形。第一、二種方式所蒐集之旅行時間較準確，但所花費之成本亦將較高，利用偵測器速率來推估旅行時間，誤差將較大但成本可降低。

7. Travel Time Data Collection for Measurement of Advanced Traveler Information Systems Accuracy, Alan Toppen ＆ Dr. Karl Wunderlich, Federal Highway Administration, June 2003.

本篇主要是在探討 ATIS 資訊的正確性與 ATIS 使用者所獲得效益間之關係，主要內容包容含旅行時間的定義、旅行時間測量的技術以及如何蒐集資料、該蒐集多少量之資料及其成本為何，均在本篇當中探討分析。由圖 4 中可看出旅行時間誤差愈大時，每個旅次所獲得之效益愈大，在同樣 ATIS 旅行時間誤差水準下，又以下午尖峰旅次所獲得之效益，要比上午尖峰旅次全部旅次及離峰旅次均

在文檔中高速公路路段速率推估之研究 (頁 17-25)

二、 文獻回顧

2.1 相關文獻回顧

{ }

∑

(

)

二、文獻回顧