第五章 第五章
第五章 結論與建議 結論與建議 結論與建議 結論與建議
本研究之目的以灰色理論為基礎，發展出新的插補法可針對資料遺失值進行 插補，因此以不同車輛偵測器(VD)資料作為插補驗證之用，而根據前述各章節之 分析與探討，本研究提出下列結論與建議：
5.1 結論結論結論結論
本研究之驗證方法藉由兩種方式為不同的遺失比例和不同的插補次數，來探 討何種演算法的插補績效較好。
1. 在不同遺失比例下的情況下，以車輛偵測器 N3-47.98、N3-50.38、N3-55.34 其插補誤差小於 10%，因此可說明 MRRGM(1,1)與 GM(1,1)屬於高精準的插補。
儘管在統計檢定得知此兩者插補法並無顯著的差異，但可從數據上得知本插 補法 MRRGM(1,1)插補績效優於 GM(1,1)法。
2. 在不同的插補次數的情況下，隨著插補次數的增加，其誤差百分比(MAPE) 有逐漸下降的趨勢，結果說明多次插補法優於單次插補法。此外，由於兩種 演算法其平均絕對誤差（MAPE）差距甚小，由統計檢定得知，只有車輛偵測 器 N3-54 有顯著的差異，而其餘車輛偵測迄無顯著的差異，但可從數據上得 知本插補法 MRRGM(1,1)插補績效優於 GM(1,1)法。
3. 當遺失比例高和插補次數多時，本插補法 MGGRM(1,1)其插補績效可優於 GM(1,1)法。
5.2 建議建議建議建議
1. 在資料遺失值插補法可分為「空間插補」和「時間插補」，而本研究所採用 的是時間插補原則，來插補單一車輛偵測器(VD)的遺失值。根據 Chen[2002]
文獻指出待插補偵測器與鄰近偵測器間具有直接相關性，故可選擇相鄰上、
下游偵測器之資料，作為插補資料的輸入值。因此未來本研究可針對空間插 補的概念，倘若有某一偵測器遺失大量的資料，則可利用鄰近偵測器的資料 來插補遺失值。
2. 本研究所採用歷史比對方式為「局部性」的灰關聯法(GRA)，以單因子比較 速度的相似程度下，去尋找關聯度最大的歷史數列。而灰關聯分析法有「多
70
因子、同時比較」的優點，常用於偏好性理論的研究如 AHP，未來可建議 後續研究者考慮比較多因子如速度和流量，期許可尋找到關聯度更佳的歷史 數列，以作為後續插補法之用。
3. 本研究利用灰關聯法(GRA)和 MRRGM(1,1)法發展插補演算法，由實驗結果 得知優於灰預測 GM(1,1)的方法。而在插補文獻中利用灰關聯法(GRA)和其 他演算法如類神經(RNN)、KNN 法，來做遺失值資料插補。因此在未來應 用上建議搭配 MRRGM(1,1)和其他演算法，可比較其插補績效是否優於灰關 聯法(GRA)和 MRRGM(1,1)法。
4. 本研究利用殘差(Residual)概念，以 GM(1,1)灰預測為基礎發展新的插補法。
因此在殘差的計算上存在著許多課題，不同的計算方式會影響到插補的結果，
建議後續研究者可針對殘差的計算方式加以研究，以期許能得到更好的插補 結果。
5. 本研究在多次插補設計上採用試誤方式尋找最小的插補誤差，而結果顯示並 非插補次數越多的情況下，其誤差最小。未來可探討多次插補的合理範圍，
以期許找到最小的插補誤差值。
6. 本研究設計不同遺失比例為 5%、10%、…、50%，而由結論得知當遺失比例 增加和插補次數增加時，本演算法 MRRGM(1,1)可得到較佳的插補績效。因 此，在未來的研究可探討遺失比例 5%、10％、…、100%的情況下，是否本 插補法其插補績效優於 GM(1,1)。
71 Forecasting,” Neural Computing & Applications, pp. 277-286, 2001
2. Deng, J. L., “Control problems of grey systems,” System and Control Letters, Vol. 1, No. 5, pp. 288-294,1982
3. Gold, D. L., Turner, S. M., Gajewski, B. J. and Spiegelman, C.,“Imputing Missing Values In ITS Data Archives For Intervals Under 5 Minutes,”Transportation Research Board 80th Annual Meeting January 7-11, Washington, D.C, 2001.
4. Huang, X. L. and Zhu, Q. M., “A Pseudo-nearest-neighbor Approach For Missing Data Recovery On Gaussian Random Data Sets,” Pattern Recognition Letters , Vol.23, pp. 1613-1622, 2002.
5. Huang, C. C.and Lee, H. M., “A Grey-based Nearest Neighbor Approach For Missing Attribute Value Prediction,” Applied Intelligent, Vol.20, No.3, pp.239-252, 2004.
6. Jou,Y. J.; Lee,T. T.; Lan, C.L.; Hsu, C. H., “The implementation of Markov bias corrected grey system in freeway travel time prediction” Intelligent Transportation Systems, 2003. Proceedings. 2003 IEEE, Volume :1, IEEE 2003
7. Mei Chen, Jingxin Xia, Rongfang Liu,“Developing a Strategy for Imputing Missing Traffic Volume Data”,JOURNAL OF THE TRANSPORTATION 121 RESEARCH FORUM, Vol.45, No.3,pp. 57-76, 2006.
8. Qu, L., Li, L., Zhang, Y.and Hu, J., “PPCA-Based Missing Data Imputation for Traffic Flow Volume: A Systematical Approach”, IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, Vol. 10, No. 3, pp.512-522, 2009.
9. Wen,Y. H. ,Lee, T. T.and Cho, H. T.,“Missing Data Treatment And Data Fusion Toward Travel Time Estimation For ATIS,” Journal of the Eastern Asia Society for Transportation Studies, Vol.6, pp. 2546-2560, 2005.
10. Yang Zhang, Yuncai Liu ,“Missing Traffic Flow Data Prediction using Least Squares Support Vector Machines in Urban Arterial Streets”, IEEE Symposium on Computational Intelligence and Data Mining, pp. 76-83, 2009.
11. Zhang, Y., Liu, Y. ,“Missing Traffic Flow Data Prediction using Least Squares Support Vector Machines in Urban Arterial Streets”, IEEE Symposium on Computational Intelligence and Data Mining, pp. 76-83, 2009.
72
12. Little,R. J. A., and Rubin, D. B.,”Statistical Analysis with Missing Data”, 2nd edition, John Wiley and Sons, New York, USA, 2002.
13. Shen, J. J. , and Chen, M. T.,”A Recycle Technidue of Association Rule for Missing Value Completion,” Proceeding,17th International Conference on Advanced Information Networking and Applications, Xi’an, China, pp.638-641,2003.
14. Lee, R. C. T.,Slagle, J. R., and Mong, C. T.,”Application of Clustering to Estimate Missing Data and Improve Data Integrity,” Processedings, 2nd international conference on Software engineering, San Francisco, CA, USA, pp.539-544(1976).
15. Pedreira, C. E., and Parente, E., “Neural Networks with Missing Values Attributes”, Proceedings, IEEE International Conference on Neural Networks.
Vol. 6, pp.3021-3023, 1995.
16. Hsu, C. C. , Chen, C.Y. ,“Aplications of improved grey prediction model for power demand forecasting”, Energy Conversion and Management 44,2241-2249,2003
17. Lee, Y. S. , Tong, I. L. , “Forecasting energy consumption using a grey model improved by incorporating genetic programming”, Energey Conversion and Management 52,147-152,2010
18. Chengqi Z. , Xiaofeng Z. , Jilian Z. , Yongsong Q. Z. , “GBKII: An Imputation Method for Missing Values* ” ,Springer-Verlag Berlin Heidelberg,1080-1087,2007
19. Caruana, R. ,“A Non-parametric EM-style algorithm for Imputing Missing Value”. Artificial Intelligence and Statistics, January 2001.
20. Erdal K., Baris U., Okyay K.,“Grey system theory-based models in time series prediction”. Expert Systems with Applications 37 ,1784–1789, 2010.
21. Chen, C., Kwon, J., Rice, J., Skabardonis, A., and Varaiya, P.,“Detecting Errors and Imputing Missing Data for Single LoopSurveillance Systems,” Proceedings of the 82th Annual Meeting ofTransportation Research Board, 2002.
22. 張廷政,李碩建與林育政,2009,“GM(1,1)循環式殘插修正法”,灰色系統期 刊，第二卷，頁14-22
73
27. 溫裕宏,1997,“航空運量預測與航空網路設計之研究－應用灰色理論”,國 立交通大學運輸科技與管理研究所
28. 卓訓榮,林國顯,張瓊文,藍健綸, 96年12月,”小型車高速公路旅行時間預測模 式—應用灰色理論”,中華民國運輸學會學術論文國際研討會。
29. 卓訓榮,藍健綸,林春馨,林國顯,楊幼文,蔡瑞鉉, 94年11月,「灰色理論於高速公 路旅行時間之應用」,中華民國運輸學會第20屆學術論文國際研討會
30. 吳健生與廖梓淋，「利用資料填補概念探討車輛偵測器佈設間距」,運輸學 刊，第二十二卷,第三期，頁307-326，99年9月。
31. 張堂賢與黃宏仁，「車輛偵測器資料漏失之在線插補技術研究」，運輸學刊，
第二十卷，第四期，頁377-404，97年12月。
32. 劉思峰與謝乃明，「灰色系統理論及其應用」，科學出版社，1991 33. 吳漢雄、鄧聚龍與溫坤禮，「灰色分析入門」，高立圖書有限公司，1996 34. 溫坤禮等，「灰預測原理與應用」，全華科技圖書股份有限公司，2002
74
簡歷
姓 名：許程詠 出生地：嘉義縣
出生日期：民國72年10月28日
聯絡地址：嘉義縣民雄鄉東榮村16鄰文化路26之52號 電子信箱：[email protected]
學歷：
民國100年7月 國立交通大學運輸科技與管理學系碩士班畢業 民國96年6月 私立東海大學工業工程與經營資訊學系學士班畢業 民國92年6月 嘉義縣私立協同高中畢業