研究方法

本研究欲探討之問題涵蓋有交通資料分類、多元交通資料結合、旅行時間預 測模式與遺漏值處理等，有關資料分類、整合、旅行時間預測與補值方法等之研 究方法良多，本研究分別就資料採集分類技術、迴歸分析、類神經網路、模式校 估、補值方法等選取適用之研究方法。

整體研究概念如圖1-4 所示，首先以集群分析法對迴圈偵測器之交通資料進 行分類處理，接著以路段時空關係進行旅行時間推估，同時，亦以電子收費通行 資料所產生的旅行時間與偵測器所代表路段建立整體路段旅行時間之迴歸模 式，最後再搭配 CART 決策樹所組成之補值模式構建即時運作之旅行時間預測 系統。

圖1-4 研究概念

1.4.1 資料分類(Classification)

第一緒論

偵測器所偵測之原始交通資料本質上乃提供該點所偵測之通行車輛資料，其 最終的目的是要讓交控中心能獲知目前路段的交通狀況，因此，若能有一適切的 方式可以代表路段上之交通狀態，其必能有效的預估與傳遞路段旅行時間之訊 息。資料採集技術日益發達，本研究乃將所蒐集之迴圈偵測器交通資料以流量、

速度與佔量三項因子同時進行分群處理，希望可以得到各類交通狀態的速度、流 量與佔有率之重心分群結果，利用資料分類處理技術可以簡化旅行時間推估與預 測之處理，故本研究將採用二階段集群分析法對原始交通資料進行分類處理。

1.4.2 迴歸模式(Regression Model)

由於目前國內高速公路大部分各路段之偵測器仍以迴圈偵測器為主，屬於點 偵測資料，而電子收費通行資料所產生之精準旅行時間則屬於區間資料，兩者相 互配合，似乎有很大探索空間可以對各次路段所代表之交通狀態推導出對應全路 段之旅行間模式並進行校估。本文即利用結合迴圈偵測器(點偵測值)與電子收費 車輛通行紀錄(區間偵測值)等不同來源真實資料構建旅行時間預測模式，應用以 模式為基礎之方法以及分群分類之方法發展出一交流道間旅行時間預測模式；其 中，將以二階段集群分析法將各次路段之交通資料進行分類處理以簡化來源不同 之交通資料整合問題，並考量車輛於時間與空間之遞移，再結合較精確之電子收 費通行記錄所計算出之旅行時間資料進行迴歸分析，以發展出一套以迴圈偵測器 資料分類為基礎之旅行時間推估模式。

1.4.3 類神經預測模式(ANN forecasting Models)

類神經網路（Artificial Neural Network）類似人類神經結構的一個複雜計算 模式，通常也被稱為平行分散式處理模式（Parallel Distributed Processing Model）

或連結模式（Connectionist Model）。其可以利用系統輸入與輸出所組成的資料，

建立系統模型（輸入與輸出間的關係權重）。有了這樣的系統模型便可用於推估、

預測、決策、診斷等應用，因此類神經網路也可以視為一種特殊形式的統計技術。

圖1-5 為一個類神經元的模型：

圖1-5 類神經元的模型 X：稱為神經元的輸入（input）

W：稱為鍵結值（weights）

b：稱為閥值（bias），有偏移的效果

S：稱為加法單元（summation），此部分是將每一個輸入與權重值相乘後做 加總。

φ( )：稱之為激發函數（activation function），通常是非線性函數，有 數種不同的型式，其目的是將 S 的值做映射得到所需要的輸出。

Y：稱之為輸出（output），亦即我們所需要的預測結果。

虛線的部分即為類神經元，類神經網路的訓練就是在調整權重值，使其變得 更大或是更小，通常由隨機的方式產生介於+1 到- 1 之間的初始值。權重值可視 為一種加權效果，其值越大，則代表連結的神經元更容易被激發，對類神經網路 的影響也更大；反之，則代表對類神經網路並無太大的影響，而太小的權重值過 小的節點通常可以移除以節省電腦計算的時間與空間。而要使得類神經網路能正 確的運作，則必須透過訓練（training）的方式，讓類神經網路反覆的學習，直 到對於每個輸入都能正確對應到所需要的輸出，因此在類神經網路學習前，我們 必須建立出一套訓練樣本（training pattern）使類神經網路在學習的過程中有一 個參考，訓練樣本的建立來自於實際的輸入與輸出資料。

常見的網路有：倒傳遞網路（Back Propagation Network）、計數傳遞網路 (Counter Propagation Network)、霍普菲爾網路（Hopfield Network）、半徑式函 數網路（Radial Basis Function Network）與 TLRN (Time Lagged Recurrent Network) 時間延遲重現網路，這些類神經網路並非適用所有的問題，通常必須針對欲解決 問題的不同選擇適當的類神經網路，由於本研究之路段車流有時間遞移之關係，

故將採用TLRN 作為各路段之預測模組。

1.4.4 分類迴歸決策樹(Classification and Regression Tree;CART）

分類迴歸樹CART 方法乃是由 Brieman L.所提出的一種決策樹方法，它是以 遞迴二元分類樹（Recursive Binary Tree）的觀念將所有資料值逐一進行分類，

每個分類節點有其最大熵亂度(Entropy)的類別資料集合，每次樹結點分類則是以 二元方式往下分割，而節點則是利用吉尼比值(Gini Ratio)的方法來衡量該節點的 值是否能充分代表該節點的所有類別集合，並以此吉尼值決定是否繼續分支下 去，如此，以遞迴的方式找出分類節點與分支規則，最後再利用整體錯誤率來修 剪該決策二元樹。

如前所述，兩ETC 收費站間以 ETC 車輛通行資料所計算路段旅行時間與該 路段之各個偵測路段之交通狀態有相當高的關聯度，亦即，每一次路段之交通資 料與鄰近路段之車流型態有上下游緊密的車流續進關係，因此本研究欲利用此迴 歸關係，採以CART 演算法對每單一偵測器建構一 CART 預測模式，作為該偵 測器面臨遺漏值時之填補依據，此分類迴歸演算法所得之各個 CART 代表的就

第一緒論

是各個次路段與整體路段之關係決策樹，本文就是藉由 CART 分類演算規則建 構每個偵測點發生遺漏值時的預測目標決策樹。

1.4.5 虛擬偵測器探測機制(Virtual Vehicle Detector;VVD)

本文在交通資料蒐集應用上，面對日益普及的探測車資料蒐集課題，提出 VVD 概念，設計此虛擬偵測器運作機制目的是為了解決傳統探測車方式蒐集交 通資訊所必須面臨的 GPS 誤差、圖資比對誤差、資料重複儲存、通訊傳輸成本 與繁瑣的資料處理作業等所帶來的問題，以提昇交通資料的蒐集效率、精度與可 用性，虛擬偵測器之構想為︰假設用路人配置具有 GPS 功能之行動裝置或是車 內安裝車上單元OBU(On Board Unit) (簡稱:車機)，使得交控中心可以將事先規 劃好之虛擬偵測點的資料結構下載至車機內，再利用定位觸發軟體模組進行有效 資料蒐集，可以降低後端資料處理程序，以達到路網旅行時間與交通量蒐集之目 的，其可蒐集之精確歷史資料包括：起迄旅次需求、旅行時間以及探測流量等交 通資訊。進一步可將此精準交通資訊以廣播或個別化導引方式傳送至用路人行動 裝置或車機上，或作為提供交通管制與政策發展之依據。亦即，在VVD 運作機 制之下交控中心與用路人之車機可以進行雙向互動式之交通資訊蒐集與廣播應 用。將VVD 觸發機制的作法導入於車機內，可使得用路人除了是交通資訊取用 者外，其本身同時也是路網交通資料提供者。本機制更進一步使得整體系統可以 有效節省通訊傳輸費用與資料處理時間。除此之外，本文所提VVD 機制亦可以 讓管理者彈性的佈設規劃VVD 於路網上任何欲取樣偵測點上，此種虛擬規劃佈 設方法可以節省實體偵測器佈設、營運與維護等龐大工程經費支出。