第三章 研究方法
3.2 基因模糊邏輯控制
3.2.1 邏輯規則庫之編解碼
運作方式是根據Thrift(1991)所提之編解碼方式來操作，因為其染色體長 度最為精簡，可以有效減少尋優過程中花費之時間以及電腦記憶體的空間需 求，故因而採用此方式。假設模式設定之狀態變數為2 個，控制變數為 1 個，
皆為語意等級五之三角模糊數，其染色體長度為5×5＝25 個基因，每個基因 值為0~5，分別以 0 代表該條規則未入選，以 1~5 代表該規則獲選外，亦代 表其控制變數之語意值，其編解碼方式如圖3.3 所示
舉例來說，一條染色體為0000020030000000000004005，則代表共有4 條邏輯規則入選，此4 條規則分別為：
Rule1：IF x1 = NS AND x2 = NL THEN y = NS Rule2：IF x1 = NS AND x2 = PS THEN y = ZE Rule3：IF x1 = PL AND x2 = NS THEN y = PS Rule4：IF x1 = PL AND x2 = PL THEN y = PL
圖3. 3 邏輯規則庫編解碼示意圖 3.2.2 隸屬函數之編解碼
基本上，基因演算法較難處理限制條件過多之問題，而對於隸屬函數參 數校估，其亦存在著不少限制，一般以三角模糊數為例，其第 k 等級之隸屬 函數之左底角、頂點及右底角座標值之參數值分別為 ckr、ckc及 ckl ，假設模 糊邏輯控制系統之輸入輸出變數隸屬函數等級皆為五等級，故有15 個參數待 校估。此外，由於各等級隸屬函數之參數間尚有一定程度相對大小之關係有 必要加以釐清。故(1)以同一等級模糊數而言：應符合 ckr≧ckc≧ckl。(2)就不同 等級模糊數間則應符合 ckr≧ck-1r、ckc≧ck-1c以及 ckl≧ck-1l。
若直接以基因演算法校估各參數，則勢必要將這些限制條件皆納入模式 中，但此作法將對於模式尋優之績效會有嚴重之影響。故邱裕鈞和藍武王 (2001)建立一套隸屬函數之編解碼方式來校估參數，茲敘述如下：
24
圖3. 4 隸屬函數之編解碼方式示意圖 3.2.3 遺傳演算法則之運作
由於應用於求解最佳邏輯規則與隸屬函數之基因，均非0, 1 整數，並不 適於最常用之 SGAs 方法。因此，針對遺傳運算法則之交配與突變方式，本 文採用max-min-arithmetical 交配方式以及 non-uniform 突變方式。分述如下：
1. Max-min-arithmetical 交配演化方式 G1t+1
= aGwt
+ (1-a)Gvt （3.13）
G2t+1
= aGvt
+ (1-a)Gwt （3.14）
G3t+1
with g3kt+1
=min{gwkt
, gvkt
} （3.15）
G4t+1
with g4kt+1
=max{gwkt
, gvkt
} （3.16）
其中，Git+1
(i=1~4)代表產生之子代染色體，gikt代表該染色體之第 k 個基
因。Gwt及 Gvt為獲選之母代染色體，gwkt及 gvkt分別代表其染色體之第 k 個基 因。a 為一設定之參數。t 代表演化之世代數（number of generations）。
另外為保留原SGA 之優點，也納入雙點交配方式（two-point crossover），
如圖3.5 所示第一個交配點左半部基因與第二個交配點右半部基因不做變動，
僅是染色體中間部分做基因交換之動作。因此，每次交配運作時將由2 個母 代染色體產生8 個子代染色體，再由此 8 個染色體中挑選適合度最高之 2 個，
置回族群中，其他6 個則予以刪除。
26
圖3. 5 雙點交配示意圖 2. Non-uniform 突變方式
Non-uniform 突變方式，不同於 SGAS 之基因突變僅作 0 或 1 之變動，其 二納入模擬退火（simulated annealing）觀念，在尋優初期使突變機率較大，
以便作大幅度之跳動，避免落入局部解中。隨著演化世代數之增加，在尋優
圖3. 6基因模糊邏輯控制之反覆演化運作示意圖
28
第四章 格位傳送模式之驗證
4.1 參數設定
此節將 CTM 之概念與國內高速公路實際之車流資訊進行模擬比較，旨 在找出基本模式之參數設定值，並以此基本模式進行自由流與擁擠流之車流 行為模擬，再將模擬資料與實際高速公路偵測器資料做比對，檢查其誤差值 是否合理，以供後續不同情境模擬之用。
首先，將模擬路段長度換算成 CTM 所使用之格位數並設定模擬時間，
再將CTM 之運算式寫入各格位中，本研究在模擬事故路段時會改變 CTM 中 之 β、Q 和 N 值，β 值反映事故路段所產生之衝擊波對車流之影響，而依照 不同事故壅塞車道數，其 Q 和 N 的設定也不同，本研究 Q 的設定值是參考 陳昭宏[7]所推求之高速公路意外事故路段服務容量減少百分比如表 4.1 並假 設事故佔用不同車道對車流之影響皆相同，N 是依車道縮減比例來設定，例 如原先為三車道之路段，事故佔用一車道，N 即設定為原先之三分之二，依 此設定其他情境，最後代入車流資料使其整體路網符合 CTM 模擬車流行為 之概念，驗證之重點為觀察由上游偵測器資料所得之車流資料經由 CTM 之 運算後與實際下游偵測器資料所得之車流資料其誤差值，了解模擬資料與實 際資料之誤差是否足以用做後續模擬之用。由於目前所蒐集到的容量降低之 研究中，並未考慮路肩之影響，故本研究未能加以考量。表 4.2 為本研究所 使用之基本模式參數值。
表4. 1 高速公路意外事故路段服務容量減少百分比表 單方向車道數
減少百分比%
原正常 封閉
2 1 63.3
2 路肩 27.9
3 2 76.2
3 1 56.2
4 3 82.8
4 2 68.2
4 1 49.8
資料來源[7]
表4. 2 基本模式參數表
英文 中文解釋 參數值 英文 中文解釋 參數值
L 路段長
依模擬路 段設計
Uf 自由流車速 110km/h
T 時間 Kj 壅塞密度 130vehs/km
Cell 格位 Qm 容量 2200vph/lane
N 每一格位可以容納之
最大車輛數 24vehs Q 每一格位可以通過之
最大車輛數 11vehs
4.2 模式驗證
4.2.1 自由流(基本路段和交織路段)
基本路段採用國道 3 號後龍-通霄往南路段(141+2K-143+4K)，為三車道 且路段長 2.2 公里之路段，以路段上游點之偵測器資料作為代入參數，經由 模式模擬後之資料與下游點之偵測器資料進行比較，觀察其車流狀況。
交織路段採用國道 3 號中港系統-龍井往南路段(174+9K-177+1K)之偵測 器資料，共 4 個偵測器，為三車道且路段長 2.2 公里之路段，模擬方式同基 本路段。基本路段與交織路段之模擬結果如圖4.1 和圖 4.2 所示。
4.2.2 擁擠流(事故佔用一、二、三車道)
事故地點之 CTM 部分，本研究參考國外相關文獻假設衝擊波速度為主 線速度之三分之一，用以算出β 值，Q 和 N 值之設定在 4.1 節有詳細說明，
事故佔用一車道之驗證部分採取國道一號往北 197+1K-198+6K 之事故路段 資料，為三車道且路段長為1.5 公里，事故地點發生於 197+9K 處，事故佔用 二車道之驗證部分採取國道一號往北166+8K-168+1K 之事故路段資料，為三 車道且路段長為1.3 公里，事故地點發生於 167+0K 處，事故佔用三車道之驗 證部分採取國道一號往南110+0K-113+4K 之事故路段資料，為三車道且路段 長為3.4 公里，事故地點發生於 111+2K 處，事故地點外其他路段模擬方式同 自由流路段，經模擬後與下游偵測器資料做比對，模擬結果如圖4.3 至 4.5 所 示。
30
圖4. 1 自由流-基本路段驗證圖
圖4. 2 自由流-交織路段驗證圖
0 10 20 30 40 50 60
1 3 5 7 9 11131517192123252729313335373941434547495153555759 流量
分
MPAE=0.07
實際值 模式
0 10 20 30 40 50 60
1 3 5 7 9 11131517192123252729313335373941434547495153555759 流量
分
MAPE=0.10 實際值
模式
圖4. 3 擁擠流路段(事故佔一車道)驗證圖
圖4. 4 擁擠流路段(事故佔二車道)驗證圖
0 50 100 150 200 250 300 350 400 450 流量
時間
MAPE=0.12 實際值
模式
0 50 100 150 200 250 300 350 400 450 500 流量
時間
MAPE=0.13 實際值
模式
32
圖4. 5 擁擠流路段(事故佔三車道)驗證圖
由圖4.1 至 4.5 可知本研究所使用 CTM 所模擬之車流資料與實際偵測器 所得之資料變化情形尚稱符合，整體之變化趨勢也與實際值相差不遠，並由 模式之MAPE 值可看出在擁擠流時整體車流因為受到事故之影響，模擬時其 誤差值較大，但每個案例MAPE 值都在 13%之下，與國外學者之模擬誤差結 果相符，由此可得結論為本研究採用之 CTM 與實際車流情形符合且能模擬 不同情況之車流行為，因此可進行後續研究之用。
由於實際取得之 VD 資料存有部份缺漏問題，因此，本研究乃挑選 VD 資料較為完整之時段作為模式驗證之基礎，而本研究在偵測器部分也經由事 先篩選出誤差較低之偵測器資料並補足缺漏部分，盡量減少由偵測器所產生 之誤差，因此才能模擬出如同國外相關研究之成果。
0 50 100 150 200 250 300 350 400 450 500 流量
時間
MAPE=0.12 實際值
模式
第五章 模式建構與訓練
本研究之主模式架構是融合 CTM 與 GFLC 所建構之速限控制模式，模 式架構之內容如圖 5.1 所示。假設某一事故發生時，首先蒐集該事故所佔用 車道數比例研判其嚴重性，並以事故嚴重性、主線流量及主線速度3 狀態變 數透過 GFLC 來找出最佳速限控制程度，並以此速限控制代入 CTM 中，模 擬其控制後之車流狀態，依其績效評估項目綜合評估之，了解控制績效及本 研究之貢獻所在。本研究所採用之3 狀態變數為事故發生當時能夠最迅速得 到之資料，能在最短時間內蒐集資料並判斷其最佳速限控制程度，減少處理 時間所造成之額外延滯情形。
在實務應用上，高速公路之速限控制系統對於駕駛者而言缺乏強制力，
所以當速限控制系統實施時，道路上之車輛會因駕駛者個人因素而有遵不遵 守速限之問題存在，但本研究在此並無考慮駕駛者行為，主觀設定道路上之 車輛皆遵守本研究所設計之速限行進。
圖5. 1 模式架構圖
34
事故地點之平均速度計算是採取事故發生10 分鐘後的資料進行計算，由 於經過一段時間後車流就會維持平穩之壅塞速度，此時計算之平均速度較能 代表事故當時的車流速度。
本研究之績效評估指標主要為兩種，分別為：總碰撞危險度(Total Crash Potential ,TCP)及流量(Throughput ,TP)用以評估模式之績效。
1. 碰撞危險度(CP)
本研究在每分鐘之碰撞危險度之計算上採用Abdey-Aty et al.[10]所提出之 碰撞危險度計算式，並加總模擬時間內事故點上一格位之碰撞危險度，即為 總碰撞危險度，計算方法如下所示：
CP= 0.93423LogAOF2 1.14584LogAOH3 0.22878SVH2 0.10055AVG2 0.5932AVE3 (5.1) LogAOF2:Log 影響時間前 5-10 分鐘事故地點的平均佔有率
LogAOH3:Log 影響時間前 10-15 分鐘事故地點下游 1 英哩的平均佔有率 SVH2:影響時間前 5-10 分鐘事故地點下游 1 英哩的流量標準差
AVG2:影響時間前 5-10 分鐘事故地點下游 0.5 英哩的平均流量 AVE3:影響時間前 10-15 分鐘事故地點上游 0.5 英哩的平均流量 TCP 之計算即加總模擬時間內各區間之個別 CP 值。
2. 流量(TP)
流量之計算是採用計算格位傳送模式最後一個格位之車輛數，也就是通 過整個路段後之車流量，在實驗設計上，一開始的流入量是固定的，因此藉 由觀察TP 的變化，可以分析出事故及速限下降程度對整體車流量之影響。
流量之計算是採用計算格位傳送模式最後一個格位之車輛數，也就是通 過整個路段後之車流量，在實驗設計上，一開始的流入量是固定的，因此藉 由觀察TP 的變化，可以分析出事故及速限下降程度對整體車流量之影響。