資料融合應用

本小節將回顧資料融合的相關研究，探討各資料融合演算法的應用方式，

瞭解各演算法特性與優缺點後再分析其於本研究的適用性。

 熵理論 Entropy

2004 年 吳 欣 潔 將 熵 理 論 應 用 於 整 合 車 輛 偵 測 器 與 GPS 探 測 車 資 料 ， 熵 (entropy)最早是物理熱力學中用以度量熱形式能量之物理量，反應系統狀態變化 的情形，是一種衡量紊亂或混亂程度的指標，而後Shannon及Weaver提出信息理 論(Theory of Information)，將熱力學的Entropy概念類比到信息理論中，信息量的 熵值越高代表資料來源的不確性越高，而此研究再以最小化系統的總不確定性為 目標，進行權重值與熵值之間的關係式推導，以此權重值進行資料融合的方式稱 為最佳權重法(The optimal weighting scheme)，另外此研究也以道路服務水準為基 準，發展熵值計算中所需的資料分類方式。

吳瑞豐於2006年的研究中考慮車流為連續性的分布，當某一筆資料落在分類 邊界的附近時，明確分類法將造成偏誤情形發生，而當蒐集的交通資料樣本數不 多時此偏頗情形將更為嚴重，兩組變異數差不多的資料可能會獲得相差相當大的 權重值，因而此研究採用距離權重法來計算分配於各區間的次數，使交通資料符 合連續分布的特性。

張佳雯於2007年的研究中以熵理論為基礎融合車輛偵測器與GPS探測車資 料，建構長路段與短路段的市區行駛速率推估模式，最後經由數值實驗結果證實 此模式在市區的混合車流中具有良好的速度推估能力與穩定性。

羅至浩於2008年以最佳權重法作為資料融合的演算法，並加入資料來源準確 度之量測，於模擬實驗中顯示準確度的加入可以改善融合效果，但此研究於實際 情況應用時須先蒐集各路段之真實值，且假設路段之交通特性不變，是實務應用 的一大限制。

17

 Dempster-Shafer 理論

Wu 等人於 2002 年提出權重 Dempster-Shafer 理論(Weighted Dempster-Shafer Theory)，利用聲音以及影像判斷會議中正在講話的人，並比較了線性加總、DS 理論和權重 DS 理論三種融合方法的表現績效，結果顯示三種方皆比單獨用聲音 或影像進行判斷的效果更好，但三種方法的準確性並沒有明顯的差異。

Wu 等人於 2003 年更進一步提出動態權重 Dempster-Shafer 理論(Dynamic Weighted Dempster-Shafer Theory)，以相同的實驗數據比較線性加總、DS 理論、

權重 DS 理論以及動態權重 DS 理論等四種方法，結果顯示以動態權重 DS 理論 融合資料有較高的準確率。

曾治維於 2004 年將 Dempster-Shafer 理論應用於交通資料的融合，其融合的 順序為先調整原始資料，根據樣本數與標準差的特性判斷資料來源中較可靠的目 標資料群，再將另一組資料移動至與目標資料群的平均值相同，但維持資料分布 特性不變，接下來再將資料做群集分類，分類目標為最小化組內差異與最大化組 間差異，最後再以 Dempster-Shafer 理論進行資料融合，模擬結果顯示融合結果 具有良好的績效，但在資料調整階段容易將資料平移至樣本數較大且誤差大的資 料來源，造成融合結果不理想。

 類神經網路

2001 年 Cheu 等人使用類神經網路法(Artificial Neural Networks)融合 GPS 探 測車與固定式車輛偵測器的資料，推估主要幹道上的平均車速，於測試範例中使 用了 1032 筆的歷史資料來校估權重，其融合後的結果與單一來源估計相比，可 降低超過 50%的誤差，但其模式無法修正車速因車輛停等紅綠燈所造成的誤差。

林士傑(2001)採用倒傳遞網路(Back Propagation Network, BPN)進行交通資料 融合與旅行時間預測，網路輸入變數包括車輛偵測器資料、GPS 資料、事件資料 以及高速公路幾何資料等，以不同資料類型組合以及時間序列資料建構出 6 種類 神經網路預測模式，而為了能解決多種資料來源的不同資料更新時間問題，此研

18

19