類神經網路模式

類神經網路乃是利用人工神經元模仿生物神經元的運作，是由很多非線性的 運算單元（神經元 Neuron）和位於這些運算單元間的眾多連結所組成，以高度 學習能力及容錯修正能力來應用於判斷與預測的工作，並以平行且分散的方式作 運算，如此可以同時處理大量資料，並應用於各種需要大量資料運算的程序。交 通運輸領域常見應用於運量預測及旅行時間議題分析上。

Singh（1996）等人採用 SSNN（State-Space Neural Network）系統狀態類神 經網路進行號誌化路網路段旅行時間預測，其操作變數包含巨觀車流之車流量、

20

速度以及微觀車流之號制時制計畫與路口間號誌時差來進行推算，實證結果發現 可於長期的歷史資料訓練下獲得高精準的旅行時間推估結果。

Park, Rilett, and Han（1998）研究中指出，欲建置成功的路徑導引系統，所 需之資料包括歷史資料和即時資料，而且需具備能預先通報旅行時間資訊的能力。

其研究試驗了類神經網路模式、卡曼濾波器、指數平滑、歷史資料剖析、即時資 料剖析。試驗結果發現，類神經網路模式具有較佳之預測能力。

Dia（2001）利用類神經網路模式進行短期旅行時間之預測工作，提出物件 導向網路模型（Objected-oriented neural network）的概念並利用 Time-lag Recurrent Network （TLRN）實作，以感應式偵測器蒐集 Pacific 高速公路之交通資料，

分析範圍為 1.5 公里長之路段，約每隔 500 公尺佈設偵測器，並以流量和速度 為模式輸入項，旅行時間為模式輸出項，建立輸入項與輸出項間之對映關係

（Mapping）後，可預測未來 20 秒至 15 分鐘之旅行時間，其研究結果顯示預測 準確率約 90%。

李穎（2001）應用類神經網路於國道客運班車的旅行時間預測模式，以西螺 至永康交流道約 89 公里為研究範圍，並將預測模式的輸入變數來源訂定為三大 類：客運車輛 GPS 資料（時段、星期、目前車速等參數）、.車輛偵測器資料（現 在時刻之佔有率、現在速度等參數）及事件資料（本切分路段現在時刻存在之總 事件數、本切分路段現在時刻存在之各類型事件數等參數）。取得三類的變數來 源資料後，建構出綜合、客運 GPS 資料配合車輛偵測器資料、客運 GPS 資料配 合事件資料等三種資料融合模式，再分別與四種路段切分法搭配，以倒傳遞法取 一層隱藏層得到每一種組合狀況下的旅行時間預測值。研究結果顯示，總體資料 融合建構的旅次時間預測模式，個別模式之平均絕對誤差（ Mean absolute percentage error, MAPE）值範圍在 2.7~26.2 之間，各切分路段方式 MAPE 值約在 12.4%~16.7%之間，是屬於預測績效優良且合理的旅行時間預測模式。其切分法 中以旅行時間約 1300 秒來切分路段所建構的旅行時間預測模式平均誤差最低。

21

以客運 GPS 資料-事件資料融合之旅次時間預測模式中，有些路段模式 MAPE 績 效大於 20%，但整體仍屬於預測績效優良且合理的旅行時間預測模式，此資料融 合法以簡單幾何條件切分路段建構模式平均誤差最低。以車輛偵測器資料-事件 資料融合之旅次時間預測模式亦屬於預測績效優良且合理的旅行時間預測模式，

其以相同旅行時間長度切分路段方式模式誤差最小。而最終仍以總體資料融合模 式表現最為穩定，並証明不論何種資料融合模式，當個別切分路段距離增長時，

其旅行時間預測誤差將會明顯減少。

張修榕（2001）利用車流模擬方式產生交通資料，並配合類神經之倒傳遞演 算法來建立不同流量型態、偵測器間距之高速公路旅行時間預測模式，期望能透 過偵測器所偵測之交通資料，提供精準之旅行時間預測。研究結果顯示，其旅行 時間預測模式是屬於高精準預測之模式，其均方差平方根（Root mean square error, RMSE）值為 5%以內。研究以模擬資料為模式輸入資料，但在未來實務應用上 之真實性與變異性的掌握仍顯不足。

其後續研究仍利用類神經網路模式，並加入其他車輛偵測器進行探討。例如：

李季森（2002）針對用路者之變換車道行為與變換車道時間進行探討，另外以探 針車蒐集之交通資料，針對不同預測時間、探測車混合比例、流量型態與預測時 間等四項影響變數，透過倒傳遞演算法進行旅行時間預測，其結果得知旅行時間 預測模式是屬於高精準預測之模式 RMSE 值約為 6%。

魏健宏等（2003）依高速公路幾何特性與交通瓶頸特性分成數個群組路段，

分別蒐集車輛偵測器（如速率）、高速公路道路幾何型態資料（如車道數、匝道 數、收費站）、交通量調查與國道客運車輛 GPS 資料（如旅行時間、速度）和時 間資料（如假日、非假日、尖離峰）等資料。研究中將個別群組路段依不同資料 來源、不同輸入變數組合各自建立類神經網路預測模式，探討單一資料來源（如 VD 與 GPS 資料）或融合多樣資料來源（如國道客運 GPS 資料、車輛偵測器、

事件、交通幾何特性、上游路段交通狀況等）之預測能力。研究結果顯示運用類

22

神經網路模式於 1 公里至 70 公里的路段長度皆能提供穩定預測結果。各模式之 旅行時間平均每車誤差值約在 4.5%~8.5%之間，其中以融合多樣資料來源的 ANN6 類神經網路最為穩定且預測能力佳。