利用車輛偵測器推估旅行時間

Chang et al[5]於美國馬里蘭(Maryland)在 25 英哩的快速道路間，使用 10 個偵測 器與 5 個 LED 看版，將偵測所得資訊以旅行時間推估模組(Travel Time Estimation Module)來建立現有的歷史旅行時間資料庫，再透過此資料庫使用旅行預測模組 (Travel Time Prediction Module)來預測旅行時間，事故偵測模組(Incident Detection Module)可將路段事故預先知會駕駛人，並將事故路段視為不可行，避免因為事故 造成的擁塞使得預測結果偏差，遺失資料模型(Missing Data Module)來防止因為偵 測器失靈所造成的資訊延滯與漏失，結合以上四種模型，可在各 LED 提供用路人 通往下個交流道出口的估計旅行時間。

該研究為解決一些不能避免的資訊不足問題，旅行時間推估模組目的為利用少 量分佈(sparsely distributed)的偵測器(>0.5miles)來推估旅行時間，並將將偵測器偵測 到之流量、佔有率，以及車輛實地調查旅行時間，代入群集線性迴歸模式推估旅行 時間；而副模式則是處理在交通資訊不足以讓系統作測定的情況。在實際操作時，

旅行時間推估模組會推估所有旅程的旅行時間，並同時將所得資訊儲存到資料庫作 旅行時間預測之用。此模組運作流程圖如下：

圖 2. 1 旅行時間推估模組流程圖，Chang[5]

旅行時間推估模組主要以群集線性迴歸模式，根據偵測器所收集的資料推估行 駛該路段上的車輛的旅行時間。若是經常出現的交通狀態，則用群集線性迴歸模式 來進行旅行時間推估。當車輛在某路段行駛時，其可能的旅行時間範圍會受限於該 路段當時的交通情況，例如在交通擁擠的狀況下，車輛無法達到自由速率，群集線 性迴歸模式即是把偵測到的交通情況歸類，再根據不同的交通情況建立其線性迴歸 模式，之後再依據不同交通情況，代入相對應的線性迴歸模式推估其旅行時間。下 表 2.1 即為該研究所定義之交通情況。

表 2. 1 交通狀況型式表，Chang[5]

交通狀況 (pattern) 分類 上游偵測器交通狀況

擁擠 非擁擠

下游偵測器 交通狀況

擁擠 嚴重擁擠 中等擁擠或轉換時期

非擁擠 中等擁擠或轉換時期 自由狀況

該研究測試路段為 MD70 至 I-695 長 25 英里，此路段上共設置 10 個偵測器及

5 

5 個可變訊息標誌(variable message signs,VMS)，測試資料為早上和晚上尖峰時段。

測試結果第三個 VMS 到 I-695 預測準確度 97.9%、第四個 VMS 到 I-695 預測準確 度為 96.9%、第五個 VMS 到 I-695 預測準確度為 92.7%。整體上此模式可以適用於 輕微和適度的擁擠狀況。

Zhang[3]研究提出線性時變係數模式(Time-varying coefficient, TVC)預測短期 旅行時間。在即時旅行時間方法計算方面，此研究指出實際的旅行時間與推估的旅 行時間中存在一線性關係式。透過固定式車輛偵測器之速率和路段長度可求得推估 的旅行時間，線性模式的截距和係數皆依時間而變化，最後以遞迴最小平方法推估 截距和係數。因此他們利用此線性關係建立預測模式利用目前高速公路的旅行時間 來預測未來的旅行時間。並且使用平均絕對誤差百分比來衡量此模式的預測結果。

此模式是用於每個路段皆有佈設車輛偵測器的高速公路。

此研究的測試範例有二：

1. I-880

此測試資料來自一段在加州海沃長 6 英哩的高速公路，在這段高速公路上，

每隔三分之一英哩就有一個雙迴圈車輛偵測器，因此全路段總共有 35 個偵 測器。因此測試範例是蒐集北邊車道早上 5 點至早上 10 點的偵測器資料。

2. I-405

此測試資料來自在於加州的 I-405 公路，此研究採用早上 5 點至早上 10 點 的資料。資料規模較上一個測試範例大。

測試結果方面，在以 I-880 的資料測試下，依照時間的遠近誤差約在 5%至 10%。

而在以 I-405 的資料測試下，依照時間的遠近誤差約在 8%至 13%。由於此模式的 精確度會隨著時間預估的遠近以及輸入資料的多寡而有所不同，因此適用於公路 上。

Karl[4]認為高速公路上面的單迴圈偵測器並無法直接偵測車輛的速度，該研究 利用偵測器(約每 0.3miles 佈設一個)偵測到之流量、佔有率等資料。車長、佔有率 等資料，並以流量-密度-速度三者之間的關係做一個轉換，以得出目前高速公路上

7 

的車輛速度。因此他提出了一個模式，可以直接由偵測器偵測到佔有率以及流量，

利用直觀的車流統計模式，直接推估出路段的旅行時間。首先他假設在一個給定的 時間間隔內，車輛的旅行時間在統計上會呈現一個分佈，接著再去預測此統計分布 的型態，因此可以推估出路段的旅行時間。

在測試方面，本研究採用 I-880 公路所蒐集到的資料作為測試範例。結果發現，

當給定的時間間隔小於 300 秒時，可以預測出旅行間的分佈型態，但是當時間間隔 漸漸變大時，便會漸漸失去追蹤旅行時間分佈型態的準確度。

Benjamin Coifman[7]於欲量測之路段上下游處設車輛重量辨識與旅行時間量 測站，而在各個量測點上裝置兩個連續之迴路線圈偵測器，利用上述資料擷取車輛 特徵並執行旅行時間之量測。該研究利用車輛長度、重量與車輛經過量測站之順序 來辨別是否為同一部車輛，再依辨識後之結果，推算其旅行時間。因其辨識技術無 法判斷所有經過偵測站之車輛，故所得到僅是部分車輛之樣本資料，此種方式利用 實際之車流樣本資料進行旅行時間之計算，能提供用路者之行車資訊亦僅能做過去 某段時間路況之參考，而不巨預測之效果。

Oh[9]利用流量守恆的觀念，發展推估路段旅行時間之模式，該文獻的資料來 源為車輛偵測器，透過車流之時空關係圖，將偵測器所回傳之資料利用流量-密度-速度之關係式加入系統流量均衡參數來轉換為路段旅行時間，其研究同時採用車流 模擬軟體之輸出資料與加州 I-880 高速公路之現場調查資料進行模式之驗證分析，

其研究結果顯示其誤差在 3%以內。Oh 模式應用國外車流相關資料，以車流模擬軟 體輸出資料或真實調查資料作為輸入項，均有明顯成效。

黃智建[12]利用有限的車輛偵測器所偵測到的平均車速等交通資料，透過上下 游路段之間的關係，推估路段中其他沒有布設車輛偵測器路段的平均車速，以期能 提供足夠的資訊做為推算旅行時間之用。此研究主要分成路段偵測器資料推估模式 以及旅行時間推估模式。路段偵測器資料推估模式是利用上下游之偵測器進行中間 偵測器因資料無法取得或缺漏之相關交通量推算，採用方法為多元線性迴歸。另外 旅行時間推估模式為利用多元線性迴歸所推算出來的交通量當作輸入資料，帶入

Oh[]模式進而推算出上下游偵測器間之路段旅行時間。最後將完整路段之車輛偵測 器速度資料和利用先行迴歸所推估出來之速度帶入 Oh 模式來做驗證和比較。此研 究所建構之模式推估中間路段偵測器資料損壞或缺漏之平均車速，進而推估該路段 之旅行時間。