第六章 實例分析
6.3 預測案例
為了證明將 AVI 資料建立成旅行時間歷史資料庫的概念，能夠提升旅行時 間預測的準確性，本研究實際使用兩種方法進行預測，比較單純使用 VD 旅行時 間歷史資料庫預測及結合 AVI 旅行時間歷史資料庫預測的準確性。
本研究實際進行旅行時間預測，按照預測結果可將結果分為以下 5 種情境，
(1) 預測結果明顯改善 VD 的低估情況。
(2) 兩種方法預測沒有顯著差異
(3) 預測結果不理想，經分析後發現原因為資料庫不夠大。
(4) VD 故障，蒐集的資料不能反映該日的交通狀況，導致預測誤差較大。
(5) 在旅行時間變化較低的中部路段，兩種方法的預測結果不相上下。
本研究針對國道一號南下及北上新竹-台北、台北-新竹、新竹-台中、台中-新竹等 4 段路進行旅行時間預測，選定 2012 年 7 月 13 日、7 月 20 日、7 月 27 日等，共測試 10 個範例，並分析其旅行時間預測結果。首先將以上預測日期進 行情境分類，分類結果如表 6-8
表 6-8 預測範例情境分類
編號 日期 方向 路段 情境分類
1 7 月 27 日 北上 新竹-台北 (1) 2 6 月 15 日 北上 新竹-台北 (1) 3 6 月 29 日 南下 台北-新竹 (1) 4 7 月 10 日 南下 台北-新竹 (2) 5 7 月 13 日 南下 台北-新竹 (3) 6 7 月 27 日 南下 台北-新竹 (3) 7 7 月 13 日 北上 新竹-台北 (4) 8 7 月 20 日 北上 新竹-台北 (4) 9 7 月 13 日 南下 新竹-台中 (5) 10 7 月 20 日 南下 新竹-台中 (5) 11 7 月 13 日 北上 台中-新竹 (5) 12 7 月 20 日 北上 台中-新竹 (5)
本研究以每 5 分鐘預測一次旅行時間，因此每個範例皆會產生 168 個旅行時 間預測值，預測結果分別以 3 種指標來評估是否有提高旅行時間預測的準確性，
分析指標分別是(1)MAPE、(2)RMSE 及(3)85%最大誤差比較，預測時難免會因隨 機性產生較大誤差，在容許有較大隨機誤差情況下，將 MAPE 依照小大順序重 新排列，在接受 15%的隨機誤差下，本研究比較第 85 個百分位數的 MAPE 誤差，
作為兩種不同方法所會產生之最大誤差比較，評估預測結果的優劣。
案例1. 旅行時間預測案例：7 月 27 日(北上，新竹-台北)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月27日) k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-9 及圖 6-4。
表 6-9 新竹-台北，七月二十七日旅行時間預測結果分析 k-NN AVI, k=8, T2=5 VD, k=8, T2=5 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 6.42% 5.98 7.69% 6.42 10:00~14:00 3.62% 2.74 2.42% 1.51 14:00~18:00 6.11% 5.44 9.02% 8.26 18:00~20:00 4.38% 3.64 11.09% 8.58 6:00~20:00 5.24% 4.55 7.07% 6.53
圖 6-4 新竹-台北，七月二十七日 85%絕對百分誤差
可由結果看出，VD 全天之 MAPE 為 7.07%，加入 AVI 資料後降至 5.24%，
RMSE 也由 6.53 分降至 4.55 分，最大百分比誤差分析圖中可看出，加入 AVI 後，
最大誤差也有明顯的降低。應此可由本案例得知，使用 AVI 資料進行旅行時間 預測能提高預測的準確性。
0%
5%
10%
15%
20%
25%
30%
35%
40%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
案例2. 旅行時間預測案例：6 月 15 日(北上，新竹-台北)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(6月15日) k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-10 及 圖 6-7。
表 6-10 新竹-台北，六月十五日旅行時間預測結果分析 k-NN AVI, k=8, T2=5 VD, k=8, T2=5 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 11.20% 8.96 12.96% 10.66 10:00~14:00 7.15% 5.04 6.96% 5.23 14:00~18:00 6.17% 7.30 10.09% 9.65 18:00~20:00 7.28% 6.17 19.75% 15.35
6:00~20:00 8.04% 6.69 11.44% 10.06
圖 6-7 新竹-台北，六月十五日 85%絕對百分誤差
可由結果看出，VD 全天之 MAPE 為 11.44%，加入 AVI 資料後降至 8.04%，
RMSE 也由 10.06 分降至 6.69 分，最大百分比誤差分析圖中可看出，加入 AVI 後，最大誤差也有明顯的降低。應此可由本案例得知，使用 AVI 資料進行旅行 時間預測能提高預測的準確性。
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分比誤差 k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
案例3. 旅行時間預測案例：6 月 29 日(南下，台北-新竹)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(6月29日) k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-11 及 圖 6-10。
表 6-11 台北-新竹，六月二十九日旅行時間預測結果分析 k-NN AVI, k=4, T2=10 VD, k=4, T2=5 T1=30 分 MAPE RMSE(分) T1=30 分 MAPE 6:00~10:00 6.86% 5.19 6.69% 4.93 10:00~14:00 9.66% 7.61 11.85% 8.79 14:00~18:00 7.46% 7.42 10.69% 9.15 18:00~20:00 5.84% 4.31 7.69% 5.58 6:00~20:00 7.68% 6.28 9.44% 7.53
圖 6-10 台北-新竹，六月二十九日絕對百分誤差
可由結果看出，VD 全天之 MAPE 為 9.44%，加入 AVI 資料後降至 7.68%，
RMSE 也由 7.53 分降至 6.28 分。最大百分比誤差分析圖中可看出，加入 AVI 後，
誤差也下降。應此可由本案例得知，使用 AVI 資料進行旅行時間預測能提高預 測的準確性。但在 18:00~20:00 的旅行時間預測仍不理想，其原因為本研究的預 測模型受到 VD 限制，若 VD 即時資料無法反映真實交通狀況，加入 AVI 資料 後改善的成效有限。
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分比誤差 k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
案例4. 旅行時間預測案例：7 月 20 日(南下，台北-新竹)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月20日) k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-12 及 圖 6-13。
表 6-12 台北-新竹，七月二十日旅行時間預測結果分析 k-NN AVI, k=4, T2=10 VD, k=4, T2=5 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 8.18% 7.24 8.55% 8.57 10:00~14:00 10.32% 10.22 11.06% 11.16 14:00~18:00 7.51% 9.07 9.22% 6.44 18:00~20:00 10.88% 9.54 11.57% 10.03
6:00~20:00 9.00% 8.13 9.90% 8.95
圖 6-13 台北-新竹，七月二十日 85%絕對百分誤差
可由結果看出，VD 全天之 MAPE 為 9.90%，加入 AVI 資料後降至 9.00%，
RMSE 也由 8.95 分降至 8.13 分。最大百分比誤差分析圖中可看出，加入 AVI 後，
誤差沒有明顯改變。即使僅使用 VD 資料預測已經有相當高的準確性，加入 AVI 資料後預測仍優於其結果，由此案例可以再次證明，加入 AVI 資料能夠提升準 確性。
0%
5%
10%
15%
20%
25%
30%
35%
40%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
案例5. 旅行時間預測案例：7 月 13 日(南下，台北-新竹)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月13日) k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-13 及 圖 6-16。
表 6-13 新竹-台北，七月十三日旅行時間預測結果分析 k-NN AVI, k=4, T2=10 VD, k=4, T2=5 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 8.49% 8.05 9.85% 9.07 10:00~14:00 7.48% 7.39 10.11% 9.91 14:00~18:00 10.14% 11.90 11.99% 9.41 18:00~20:00 13.53% 10.66 17.58% 12.28
6:00~20:00 9.42% 8.52 11.68% 9.82
圖 6-16 新竹-台北，七月十三日 85%絕對百分誤差
可由結果看出，VD 全天之 MAPE 為 11.68%，加入 AVI 資料後降至 9.42%，
RMSE 也由 9.82 分降至 8.52 分。最大百分比誤差分析圖中可看出，加入 AVI 後，
誤差也下降。但在 8:00~12:00、14:00~20:00 的旅行時間預測仍不理想，該日旅 交通狀況較特殊，歷史資料庫中無法找到相符的資料，因此導致旅行時間預測結 果改善成效有限。VD 及 VD+AVI 旅行時間歷史資料分布情況放置於附錄 1、2。
0%
5%
10%
15%
20%
25%
30%
35%
40%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MPAE(%)
絕對百分誤差 k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
案例6. 旅行時間預測案例：7 月 27 日(南下，台北-新竹)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月27日) k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-14 及 圖 6-19。
表 6-14 台北-新竹，七月二十七日旅行時間預測結果分析 k-NN AVI, k=4, T2=10 VD, k=4, T2=5 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 6.85% 5.25 5.71% 4.50 10:00~14:00 15.16% 13.68 13.29% 12.06 14:00~18:00 21.49% 17.99 15.67% 14.28 18:00~20:00 3.88% 3.35 8.19% 5.79
6:00~20:00 12.93% 12.36 11.06% 10.49
圖 6-19 台北-新竹，七月二十七日 85%絕對百分誤差
可由結果看出。12:00~17:00 兩種預測方法皆不理想。經分析後得知，該日 旅交通狀況較特殊，歷史資料庫中無法找到相符的資料，因此導致旅行時間預測 結果有限。VD 及 VD+AVI 旅行時間歷史資料分布情況放置於附錄 1、2。
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=4, T1=30, T2=10) k-NN(VD, k=4, T1=30, T2=5)
案例7. 旅行時間預測案例：7 月 13 日(北上，新竹-台北)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月13日) k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-15 及 圖 6-22。
表 6-15 台北-新竹，七月十三日旅行時間預測結果分析 k-NN AVI, k=8, T2=5 VD, k=8, T2=5 T1=30 分 MAPE RMSE(分) T1=30 分 MAPE 6:00~10:00 3.75% 2.93 3.95% 2.87 10:00~14:00 8.37% 7.05 9.14% 7.56 14:00~18:00 22.45% 25.22 25.10% 24.55 18:00~20:00 16.64% 17.32 21.38% 20.54 6:00~20:00 12.28% 14.04 14.01% 15.88
圖 6-22 台北-新竹，七月十三日 85%絕對百分誤差
可由結果看出，旅行時間預測兩種方法皆不理想，由於 VD 蒐集的即時資料 與真實交通狀況差異過大。經查明原因後，該日國道 61km~80km 的 VD 發生故 障，連續 13 座無資料傳回，即時資料無法反映真實交通狀況，導致預測失準。
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
案例8. 旅行時間預測案例：7 月 20 日(北上，新竹-台北)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月20日) k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-16 及 圖 6-25。
表 6-16 台北-新竹，七月二十日旅行時間預測結果分析 k-NN AVI, k=8, T2=5 VD, k=8, T2=5 T1=30 分 MAPE RMSE(分) T1=30 分 MAPE 6:00~10:00 8.41% 6.80 10.78% 8.61 10:00~14:00 4.23% 2.92 3.85% 2.88 14:00~18:00 11.67% 15.13 15.57% 14.56 18:00~20:00 18.58% 14.71 24.06% 19.46 6:00~20:00 9.65% 8.98 12.14% 11.81
圖 6-25 台北-新竹，七月二十日 85%絕對百分誤差
可由結果看出，旅行時間預測兩種方法皆不理想，由於 VD 蒐集的即時資料 與真實交通狀況差異過大。經查明原因後，該日國道 63km~70km 的 VD 發生故 障，連續 6 座無資料傳回，即時資料無法反映真實交通狀況，導致預測失準。
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=8, T1=30, T2=5) k-NN(VD, k=8, T1=30, T2=5)
案例9. 旅行時間預測範例：7 月 13 日(南下，新竹-台中)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月13日) k-NN(AVI, k=6, T1=30, T2=5) k-NN(VD, k=2, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-17 及 圖 6-28。
表 6-17 新竹-台中，七月十三日旅行時間預測結果分析 k-NN AVI, k=6, T2=10 VD, k=2, T2=5 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 2.55% 1.92 3.00% 2.01 10:00~14:00 4.14% 3.04 5.43% 3.80 14:00~18:00 5.19% 3.10 3.10% 1.98 18:00~20:00 1.02% 0.65 3.41% 1.93 6:00~20:00 3.53% 2.50 3.78% 2.60
圖 6-28 新竹-台中，七月十三日 85%絕對百分誤差
0%
5%
10%
15%
20%
25%
30%
35%
40%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=6, T1=30, T2=5) k-NN(VD, k=2, T1=30, T2=5)
案例10. 旅行時間預測範例：7 月 20 日(南下，新竹-台中)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月20日) k-NN(AVI, k=6, T1=30, T2=5) k-NN(VD, k=2, T1=30, T2=5)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-18 及 圖 6-31。
表 6-18 新竹-台中，七月二十日旅行時間預測結果分析 k-NN AVI, k=6, T2=5 VD, k=2, T2=5 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 3.60% 2.37 3.74% 2.19 10:00~14:00 7.78% 4.48 6.12% 3.54 14:00~18:00 3.24% 3.66 3.85% 2.34 18:00~20:00 6.82% 4.20 8.18% 4.94 6:00~20:00 5.16% 3.32 5.10% 3.16
圖 6-31 新竹-台中，七月二十日 85%絕對百分誤差
0%
5%
10%
15%
20%
25%
30%
35%
40%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=6, T1=30, T2=5) k-NN(VD, k=2, T1=30, T2=5)
案例11. 旅行時間預測範例：7 月 13 日(北上，台中-新竹)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月13日) k-NN(AVI, k=7, T1=30, T2=10) k-NN(VD, k=15, T1=30, T2=10)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-19 及 圖 6-34。
表 6-19 台中-新竹，七月十三日旅行時間預測結果分析 k-NN AVI, k=7, T2=10 VD, k=15, T2=10 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 1.28% 0.73 1.46% 0.94 10:00~14:00 1.38% 0.89 2.46% 1.30 14:00~18:00 1.36% 0.91 1.04% 0.64 18:00~20:00 1.14% 0.67 1.21% 0.72 6:00~20:00 1.31% 0.78 1.58% 0.96
圖 6-34 台中-新竹，七月十三日 85%絕對百分誤差
0%
5%
10%
15%
20%
25%
30%
35%
40%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=7, T1=30, T2=10) k-NN(VD, k=15, T1=30, T2=10)
案例12. 旅行時間預測範例：7 月 20 日(北上，台中-新竹)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
06:00 08:00 10:00 12:00 14:00 16:00 18:00 20:00
旅行時間(分)
時間
AVI旅行時間延遲加總(7月20日) k-NN(AVI, k=7, T1=30, T2=10) k-NN(VD, k=15, T1=30, T2=10)
透過 MAPE、RMSE 及 85%最大百分比誤差進行分析，結果如下表 6-20 及 圖 6-37。
表 6-20 台中-新竹，七月二十日旅行時間預測結果分析 k-NN AVI, k=7, T2=10 VD, k=15, T2=10 T1=30 分 MAPE RMSE(分) MAPE RMSE(分) 6:00~10:00 1.57% 0.87 2.53% 1.33 10:00~14:00 2.64% 1.71 3.48% 2.02 14:00~18:00 2.35% 1.84 2.67% 1.48 18:00~20:00 2.69% 1.56 2.82% 1.56 6:00~20:00 2.26% 1.42 2.88% 1.63
圖 6-37 台中-新竹，七月二十日 85%絕對百分誤差
0%
5%
10%
15%
20%
25%
30%
35%
40%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
MAPE(%)
絕對百分誤差 k-NN(AVI, k=7, T1=30, T2=10) k-NN(VD, k=15, T1=30, T2=10)
6.4 小結
根據本研究的預測案例(1)~(4)中可以發現，結合 AVI 資料的確能提升旅行 時間預測的準確性。案例(5)~(8)中可以發現，本研究的模型仍然有不適用的情況，
如資料庫不夠大、VD 偵測器故障過多等等狀況，皆不適合使用預測模型。在此 情況下則可以透過門檻值的方式偵測出來，提出警告。案例(9)~(12)為無明顯尖 離峰變化的路段，透過案例可以發現，兩種方法在無顯著尖離峰變化的路段，旅 行時間預測結果皆相當優良。
本研究以 12 個案例，分析結合 AVI 資料後的成效，並將各案例的結論整理 結果如下表 6-21：
表 6-21 預測結果整理
案例編號 結果 原因
案例(1) 大幅提升預測準確性 AVI 及 VD 資料庫完整 案例(2) 大幅提升預測準確性 AVI 及 VD 資料庫完整 案例(3) 大幅提升預測準確性 AVI 及 VD 資料庫完整 案例(4) 小幅提升預測準確性 AVI 及 VD 資料庫完整
案例(5) 無提升預測準確性 該日交通狀況較特殊，為歷史資料的極端值
案例(5) 無提升預測準確性 該日交通狀況較特殊，為歷史資料的極端值