預測模型

5.1.1 VD k-NN 模型

k-NN 屬於模式辨認的方法之一，主要概念是在特徵向量的空間中，將 k 個 幾何距離最接近的資訊分類出來，透過分類出來最相似的 k 筆已知資訊，來評估 未知資訊的一種方法。k-NN 中的 k 越大越能避免極端值的影響，但也容易將結 果平滑，導致準確性下降，因此 k 的筆數常列為一個需要校估的參數，尋找最適 合的 k 來提高評估的準確性。

將 k-NN 的概念應用在本研究的旅行時間預測模型上，要考慮的特徵向量空 間即為旅行時間，不同的路段、時階都是特徵向量空間中的一個樣本，而本研究 的樣本空間為第四章所建立的旅行時間歷史資料庫。要考慮什麼參數並找出最合 適的樣本來評估、預測未來的旅行時間，即是本研究的重點。

本研究是利用 VD 蒐集的即時資料透過 k-NN 法比對出最合適的旅行時間歷 史資料，因此將本研究的 k-NN 法稱為 VD k-NN 模型。本研究的 VD k-NN 模型 所考慮的參數有以下 6 個。

1. 選定預測起點至迄點位置，以 AVI 偵測器所在位置為基準，進行起迄點的 選擇。若 AVI 偵測器不在預測起點與迄點附近，則起迄點與 AVI 位置上的 差異，則使用 VD 資料進行旅行時間插補。

2. 設定歷史資料庫的搜尋範圍。例：1 個月、3 個月、6 個月。

3. 設定搜尋時間範圍T₁，搜尋歷史資料庫中相似交通狀況的日期與時間點。例 如預測上午 8:00，^T₁為 15 分鐘，預測模型將搜尋旅行時間歷史資料庫中 7:45~8:15 中最相似交通狀況的日期與時間點。

4. 設定比對時間長度T₂，決定使用多長的即時 VD 資料與旅行時間歷史資料庫 進行比對。例：預測上午 8:00，T₁為 15 分鐘，T₂為 10 分鐘，則使用 7:50~8:00 的即時 VD 資料，與旅行時間歷史資料庫中的 7:35~7:45、7:40~7:50、7:45~7:55、

7:50~8:00、8:05~8:15、8:10~8:20、8:15~8:25 等 7 筆資料。如上例，^T₁及T₂

的關係可以如下圖 5-2 所示

8:00 7:55 7:50 7:45 7:40

7:35 8:05 8:10 8:15

T

T

圖 5-2 ^T₁、^T₂差異示意圖

5. 設定 k 值。例 k=10、k=20、k=30。經本研究分析後，加入同一天的 k 限制 小於等於 3，原因將在 6.2 節參數校估結果中解釋。

6. 設定門檻值ɛ，傳統 k-NN 法僅比對出歷史資料庫中最相似的 k 筆資料，無 法判別比對的 k 筆是否適用於預測。因此本研究在預測模型中加入門檻值，

作為警示作用，當 k 筆最相似的旅行時間歷史資料誤差值高於門檻值，則代 表預測值可能不準確。藉由門檻值的概念，提出警示時則代表有其他參數需 要調整。例：旅行時間歷史資料庫不夠完整，無法比對出更有效的資料，需 要增加旅行時間歷史資料庫的範圍。

依照上述所介紹之參數，本研究將針參數 4、5 進行敏感度分析，找出國道 一號南下及北上預測範圍內，最合適的預測參數，來提升旅行時間預測的準確 性。

本研旅行時間的預測流程由下圖 5-3 所示。將蒐集之 VD 即時資料透過 k-NN 法與 VD 旅行時間歷史資料庫進行比對，從歷史資料庫中找出 k 筆最相似日期、

時階，接著分別將 k 筆對應的歷史日期與時階，由旅行時間歷史資料庫中計算出 k 個旅行時間，最後將 k 筆旅行時間平均，作為旅行時間預測結果。

VD即時資料

透過k-NN法比對VD旅行時間 歷史資料庫

k筆最相似的日期、時階

VD旅行時間歷史資料庫，延 遲加總

對應路段有無 AVI旅行時間歷

史資料

AVI旅行時間歷史資料庫，延 遲加總

是否為最後一個路 段(D)

是否完成k筆旅行時 間計算

將k筆旅行時間平均，作為旅 行時間預測結果

是 否

j=j+1

否 k=k+1

否

是

是

歷史旅行時間延遲加總 k=1

k筆旅行時間計算

j=O

圖 5-3 旅行時間預測流程圖

目前本研究的時間窗的設定為即時資料時間點正負 6 個時階，即 T1=30 分

)

AVI