第四章 實例驗證
4.2 類神經預測模式
類神經預測模式的構建必須以單點偵測器所偵測之交通數據包含平均車 速、佔有率及交通量，從歷史資料庫取樣一定數量的資料樣本，經由ANN 模式 之訓練，得到輸入層與隱藏層及隱藏層與輸出層間各鏈結權重値後，系統便可以 預測各路段下 N 個時間窗之”平均速度”與交通量，並可依此兩預測值對應至交 通狀態，而該交通狀態可轉換為相應之平均速度，進一步可推導出預測路段之”
旅行時間”。
4.2.1 預測模式設計考量
影響預測值(速度、流量)的因素包括：流量、路段容量、佔有率(密度)等，
且隨著時間與空間的推移因素，各預測點會隨著目前之狀況與其上游流量變化趨 勢、OD 需求以及是否有事故發生等影響因素而變動，本文 ANN 預測模式輸入
層延滯緩衝級(Lagged Buffer)概念設計即依據此因素而來，其中一路段容量因固 定不變故不予列入考量，而OD 需求與事故都無法有效預測得知，因此也排除這 些影響因素。故本研究之類神經預測模式之設計採用偵測器所測得之占量 (Occupancy)、速度(Speed)及流量(Volume)為主要輸入值，輸出值則為預測後續 N 個時窗之速度與流量。由於車流經常有重現性的特性，因此，在不考慮事故之 狀況下，下一時段之速度、流量將與過去歷史資料同一時段或前N 個時段相關(時 間維度)，同時車流亦有序進與延滯的特性，各路段其下一時窗車流、速度會與 上游甚或上上游車流多寡相關(空間維度)。故設計 TLRN 模式所考慮之相關因素 可列示如表4-1。
表4-1 模式設計考量因素 數入變數 Occupancy、Speed、Volume
處理時窗 20 秒、1 分鐘、5 分鐘、10 分鐘、15 分鐘 時間 前 N 時窗、每週內日同時段
輸入層
空間 前一節點、前 M 個節點
訓練資料 一天、一週、10 天、一個月、一整年 預測變數 Speed、Volume
預測時窗 1、2、…、N
4.2.2 類神經模式訓練
為了驗證TLRN 多時窗預測能力，採用測試資料是以 2006 年 5 月國道中山 高速公路桃園路段編號1N48 往北迴圈偵測器之資料作訓練並以 6 月 1 日~5 日 歷史資料作為驗證，其中為避免因偵測器偵測問題、偵測器統計計算問題、通訊 問題、通訊電腦問題、偵測資料累計彙整錯誤等所造成資料不合理現象，資料校 正作業勢不可免。經取該有效樣本訓練步驟後進行預測驗證，其結果分別如表 4-2、4-3 所示。
表4-2 多時窗 TLRN 訓練結果
如表4-2 所示系統分別以 Occupancy、Speed、Volume 等為 3 個主要 Input，
Output 設計為 Speed 預測值，分別以 5 月 1 日~7 日(7 日)1034 筆、5 月 11 日~20 日(10 日)1672 筆及 5 月 1 日~31 日(31 日)6545 筆等實際偵測器資料作為訓練資
訓練結果
輸入資料 訓練資料
MSE Error Model TS7 前 10 個時窗資料 288 筆( 1 日) 0.0239 9.123%
Model TS10 前 10 個時窗資料 2880 筆(10 日) 0.0218 8.978%
Model TS31 前 10 個時窗資料 8440 筆(31 日) 0.0160 8.556%
第四章 實例驗證
料，且以 TLRN 類神經網路為主要預測模組，其中設定有 10 級 Lagged input buffer，其學習率(Learn Rate)為 0.01 與誤差門檻值(Threshold)設定 0.001，分別 重複訓練計算10000 次後得到該類神經各鍊結之權重值，並計算出 MSE 與 Error 值，結果顯示，訓練樣本數越多，其預測績效較佳。
為了比較與度量預測結果的好壞，不能只看其實際值
X 與預測值
t Xˆt之差異 或是誤差筆數，本文所探討為旅行時間預測問題，往往會有低估或高估之現象，為了避免估算過程中造成誤差值正負相互抵消，本文採以 MSE(Mean Square Error)誤差值衡量標準來評量其預測效益較合適，且愈接近 0 愈好，MSE 定義說 明如下:
令εi = Xi−Xˆi， i 代表該計算時窗時間，n代表預測估算筆數，其平均誤差 平方和(Mean Square Error)為:
MSE n
Model TS31 0.0292 12.202% 0.0190 9.242% 0.0145 11.190% 0.0158 9.922% 0.0198 9.003%
上述結果顯示，訓練樣本為 31 日(TS31)所訓練得到之預測模式有較佳的預
流量及速度值，去除偵測資料遺失與遺漏值，有效值為2139 筆。經由 TLRN 模 式取上述80%資料為訓練樣本，20%資料為驗證樣本，其中採 10 級延滯緩衝輸 入設計，學習率(Learn Rate) 設定為 0.01 ，誤差門檻值(Threshold)設定為 0.001，
經訓練計算 10000 次後得到該類神經各鍊節之權重值。最後以 20%樣本資料驗 證該路段之預測模式結果 MSE 均方根誤差值為 0.0807，預測誤差百分比為 5.0279 %。
同理，根據 TLRN(1N68) 模型構建、訓練與驗證步驟，分別就該路段內之 所有偵測器點包括：1N36、1N42、1N48、1N53、1N56、1N61、1N64、1N68 等偵測點間各路段構建預測模型，如圖4-1 所示，每個路段都設計有專屬之 TLRN 預測模式，藉由輸入代表各次路段之偵測器的即時偵測值可以獲得各次路段未來 n 個時窗之流量與速度之預測值。
) ( )
( j
i i
k VDtt t
t
ETCtt =
∑
圖4-1 收費站間偵測器路段 TLRN 預測模式示意
經由原始資料處理、訓練與驗證步驟，可以得到如表4-4 所示之結果。顯示 各路段預測總體表現 MSE 介於 0.0098~0.0807 之間，預測 Error 介於 5.0279%
~ 14.919 %，其中路段 1N61 預測誤差值較高，乃因有效訓練樣本僅 1386 筆所致。
表4-4 1N36-1N68 各路段間 TLRN 模型訓練與驗證結果
上述結果顯示，本研究設計之 TLRN 類神經預測模式，未來若蒐集足夠樣 本數則其所訓練之預測模式之預測績效將可以達90% 以上準確率，應可以滿足 預測系統之需。
1N36 1N42 1N48 1N53 1N56 1N61 1N64 1N68
Samples 2286 2185 2123 2230 2146 1386 2121 2139
MSE 0.0306 0.0388 0.0626 0.0098 0.0321 0.0882 0.0402 0.0807
Error % 7.6569 7.4855 11.4394 8.4133 11.3775 14.9199 10.5433 5.0279
item Seg
第四章 實例驗證
（6） 執行分類對應指令： SPSS-ÆTransform -Ærecode into different variable
原始偵測資料(2006/8/1~2006/8/31)經由上述步驟對每一偵測器進行分類對 應後，可以得到如表4-5 之交通狀態分佈結果。
表4-5 各偵測點交通狀態對應結果
日期 時間 TSC32 TSC36 TSC42 TSC48 TSC53 TSC56 TSC61 TSC64 TSC68
2006/8/17 11:30 3 3 3 4 3 2 6 4 4