國 立 交 通 大 學
交通運輸研究所
博士論文
No 065
以交通狀態為基礎之旅行時間預測
指導教授：汪進財
研 究 生：邱孟佑
中
華
民
國
九
十
九
年
十
二
月
傳統上，交控中心可以藉由線圈偵測器或影像偵測器蒐集交通流量資料與交 通狀況，以對旅行時間進行預測與推估，但由於線圈偵測器無法識別所偵測之車 輛，且過去的預測模式往往並未詳細考慮車流續進與延滯之特性，預估之旅行時 間仍為瞬間旅行時間。為了考慮車流續進的過程以及彰顯車輛旅行時間與車流狀 態間之關係並簡化預測模式之處理，本文藉由資料採集技術與迴歸分析設計出一 套能預測高速公路交流道間旅行時間的預測模式，首先以集群分析方法對每個線 圈偵測器之歷史資料作交通狀態分類處理，再經由迴歸分析構建不同交通狀態類
別對旅行時間影響之旅行時間預測模式。接著，以ETC (Electronic Toll Collection)
車輛通行於收費站間之通行資料所計算出之旅行時間，作為旅行時間預測模式之 校估依據，模式結果顯示其不但有相當良好之預測能力，校估之係數值亦可提供 系統管理者豐富的訊息，以更了解各路段之幾何與交通特性對擁擠交通狀態所造 成旅行時間增加之原由，進而研提有效的管理策略。然而，任何一個即時的交通 資料預測系統在實際運作時，遺漏值的處理是無可避免，當面臨遺漏值現象時， 過去的補值策略往往並未詳細考慮車流續進與延滯之特性，僅以偵測器本身的歷 史均值或是以移動平均方式填補遺漏值，本文另一研究重點為提出一混合補值模
式，利用CART (Classification And Regression Tree) 演算法建構各偵測點與其相
鄰偵測器及路段 ETC 旅行時間所關聯之分類決策樹，當某偵測點發生遺漏值 時，則以該點對應之 CART 決策樹作為補值之預測依據，經過以實際有效樣本 資料驗證補值結果顯示，透過交通狀態分類後之 CART 演算法可以有效提供長 時窗遺漏值情況下的補值作業，另外，本文也發現在不同遺漏時窗數情境下，應 以不同的補值策略進行補值，才能符合即時多變的偵測器遺漏值補正之需。最 後，針對越來越趨成熟的探測車資料蒐集技術，本文設計一VVD(Virtual Vehicle Detector)虛擬偵測器機制，以改善傳統探測車技術之缺點：高通訊傳輸量、資料 過濾與圖資媒合比對等複雜程序，經實例驗證與模擬系統取樣之研究結果都足以 顯示VVD 機制確實可行。 關鍵詞：旅行時間預測、集群分析、補值策略 Abstract
Traditionally, travel time estimation and prediction in a Traffic Management Center is mostly based on the data obtained from loop and/or image detectors. A prediction model solely based on these data, however, is difficult to consider the dynamic transformation and delay of traffic flow. To partially resolve this issue, this paper proposes a novel travel time prediction framework with the capability to predict inter-ramp travel time at a satisfactory level of prediction performance. First, historical traffic data collected by each loop detector were classified into different traffic states. For each state, regression techniques were then applied to build up a travel time prediction model. And then the travel time of vehicles passing Electronic
link travel time. The results showed satisfactory performance of the proposed models. More importantly, the estimated traffic parameters could provide system managers with fruitful information about how travel time is increased by different road geometry and traffic characteristics. Consequently, effective control strategies could be devised. Therefore, missing values is an inevitable issue in actual operations. Mean and moving average values based on historical data are common choices to replace missing values in past studies, which does not consider the features of vehicle flow continuation and lagging. The other purpose of this study is proposes a hybrid imputation strategy which, based on data mining techniques, a decision tree was then established using Classification And Regression Tree (CART) to connect each detect point to the adjacent detectors and the ETC travel time on the associated road section. When missing data were imputed based on the developed CART model. The empirical study showed that CART imputation method based on traffic state works effectively to impute data with missing values, especially under the circumstance of long-period data missing. Moreover, it was found that hybrid imputation strategies varied in different missing time-windows circumstances fit better into real time and various traffic conditions. Finally, due to more sophisticated probe car data collection technology, which have the disadvantages: High transmission capacity, data filtering, map data matching complex procedures and so on. To resolve this problem, a Virtual Vehicle Detector (VVD) system with a method to set up VVD on road network is proposed. The VVD mechanism that verified by the field testing and simulation results is feasible.
誌 謝
回憶起八年前剛考上交研所的滿心歡喜到經歷修滿交通專業課程、資格考的 洗滌、論文投稿的煎熬與休學波折等似乎還記憶猶新，時間卻在不知不覺中飛 逝，於此刻撰寫誌謝的當下，博士班的學業也即將畫下句點。這幾年，在工作、 生活與課業的多重壓力下，從未萌生放棄的念頭，尤其在第一次資格考不通過與 第一次投稿文章遭拒時，雖然都身心俱疲，但我很慶幸有諸多的貴人相助，最後 能堅持到底，完成人生重要的里程碑。 最要感謝的是我的指導老師汪進財教授，在博士班研究的期間，不管是在學 業或研究上都給予我許多指導與充分的支援。藉由一次次的討論，逐步調整研究 方向，完成多篇論文投稿與被接受，今日才有這本論文的誕生。除了研究工作之 外，這幾年間不論我在事業或生活上所遇到的各種困境與挫折，汪老師總是亦師 亦友的傾聽、協助與建議。此外，也感謝我的口試委員張堂賢教授、胡大瀛教授、 魏健宏教授與吳健生教授對我的研究與論文提出的指正與審閱，以及交研所邱裕 鈞老師與許鉅秉所長在論文方面的全力支持與建議。當然最重要的是交研所內所 有教授在課業與論文研討上最寶貴的指正與建議，我才得以順利完成學位。同 時，要感謝世新大學的同事鴻圖、坤清、緯良、怡彰老師與瑞堯主任，有你們的 無時無刻加油、打氣與鼓勵，我才得以堅持到最後。 而漫長的博士研究日子中，也十分感激博士班學長與同學淑美、杰炤、豐裕、 易詩、其華、惠娟與裕文的建議與協助。還有遠通電收的朋友們：Caroline、阿 舍、Vivian、Andy 和連成，謝謝你們在這段時間，不時充當救火隊，在生活上 給予我的協助。另外，特別感謝我得意的門徒：聖鈞、其鴻、新瑋、阿 X 與大 砲，有你們的鼎力協助撰寫程式，老師才能順利完成各項資料蒐集、整理與所提 模式得以驗證。還有我最親愛的父母、姐姐、妹妹跟我的兒子大洲、大倫，你們 永遠是支持我最大的力量。有你們相伴，即使面對再大的難關，我也會鼓起勇氣 繼續前進。邱孟佑
2011.02.02
V
目錄
摘 要...II 誌 謝...IV 第一章 緒論...1 1.1 研究動機與背景 ...1 1.1.1 旅行時間預測問題...1 1.1.2 多元偵測器與資料整合問題...1 1.1.3 遺漏值問題...1 1.2 問題界定 ...2 1.3 研究目的與範圍 ...7 1.3.1 研究目的 ...7 1.3.2 研究範圍 ...7 1.4 研究方法 ...8 1.4.1 資料分類(Classification)...8 1.4.2 迴歸模式(Regression Model)...91.4.3 類神經預測模式(ANN forecasting Models)...9
1.4.4 分類迴歸決策樹(Classification and Regression Tree;CART） ...10
1.4.5 虛擬偵測器探測機制(Virtual Vehicle Detector;VVD)...11
1.5 研究流程 ...11 1.5.1 研究課題與文獻分析...11 1.5.2 資料蒐集與分析...11 1.5.3 旅行時間預測模式之構建...11 1.5.4 預測模式應用議題...12 1.5.5 補值策略研究...12 1.5.6 虛擬偵測器研究...12 1.5.7 結論與建議...12 第二章 文獻回顧...14 2.1 旅行時間預測...14 2.2 資料採集...15 2.3 資料遺漏值補正...15 2.4 交通科技應用...17 2.5 小結...20 第三章 模式構建...21 3.1 多元交通資料整合...22 3.1.1 迴圈偵測器路段旅行時間定義 ...22 3.1.2 電子收費車輛通行旅行時間 ...22 3.1.3 總體與分段旅行時間...23 3.2 資料採集 (Data Mining)...24 3.2.1 交通狀態分類 ...24 3.2.2 類神經網路模式 ...25
3.2.3 CART（Classification and Regression Tree）分類迴歸樹.28 3.3 旅行時間推估方法 ...28
3.4 旅行時間迴歸模式 (Regression Models) ...30 3.4.1 旅行時間預測模式架構 ...30 3.4.2 迴歸模式之構建 ...32 3.4.3 整體迴歸模式運作流程 ...34 第四章 實例驗證...35 4.1 資料來源...35 4.2 類神經預測模式 ...35 4.2.1 預測模式設計考量...35 4.2.2 類神經模式訓練...36 4.2.3 類神經模式驗證...37 4.2.4 各偵測器預測結果 ...37 4.3 交通狀態分類處理 ...39 4.4 ETC 旅行時間計算 ...39 4.5 旅行時間迴歸模式求解 ...42 4.6 模式結果驗證 ...43 第五章 模式應用議題...45 5.1 資料過濾處理...45 5.2 遺漏值補值問題...47 5.2.1 補值方法探討 ...48 5.2.2 補值方法比較分析 ...49 5.3 補值策略 ...53 第六章 虛擬偵測器...56 6.1 探測車資料處理...56 6.2 虛擬偵測器之概念架構...57 6.3 虛擬偵測器定義與規劃...60 6.4 實例測試...65 6.5 虛擬偵測器取樣議題---模擬驗證...67 第七章 結論與建議...71 7.1 結論 ...71 7.2 建議 ...73 7.2.1 資料融合 ...73 7.2.2 輸入資料之正確性...73 7.2.3 VVD 探測機制之應用...73 7.2.4 個別化路徑導引...73 參考文獻...74 附件一、各偵測器 CART 補值決策樹...81 附件二、 N42 CART 決策樹補值說明...89
圖目錄
圖 1-1 瞬時與真實之旅行時間關係圖 ...3 圖 1-3 研究路段範圍 ...8 圖 1-4 研究概念...8 圖 1-5 類神經元的模型 ...9 圖 1-6 研究流程架構圖...13VII 圖 3-1 研究架構...21 圖 3-2 偵測器路段佈設示意圖 ...22 圖 3-3 各偵測點流量分群重心分布 ...24 圖 3-4 各偵測點速度分群重心分布 ...25 圖 3-5 BPN 網路拓樸 ...26 圖 3-6 TLRN 網路拓樸 ...27 圖 3-7 VD 之類神經預測流程示意圖...28 圖 3-8 ETC 資料與偵測器資料之整合過程...29 圖 3-9 依時多元迴歸模式示意圖 ...30 圖 3-10 路段旅行時間預測架構 ...32 圖 3-11 ETC 收費站、偵測器佈設與交流道里程數...33 圖 3-12 交流道間旅行時間預測模式 ...33 圖 4-1 收費站間偵測器路段 TLRN 預測模式示意 ...38 圖 4-2 ETC 旅行時間計算流程 ...40 圖 4-3 楊梅－泰山旅行時間模式驗證結果 ...43 圖 4-4 模式旅行時間與 ETC 旅行時間散佈圖 ...44 圖 4-5 ETC 旅行時間與模式旅行時間誤差值分布圖...45 圖 5-1 補值軟體操作說明示意圖 ...50 圖 5-2 各種遺漏值情境下各補值方法的績效比較 ...53 圖 5-3 混合補值策略模式 ...54 圖 5-4 程式隨機取樣遺漏值 ...55 圖 5-5 混合策略補值結果 ...55 圖 5-6 多種遺漏值情境下之補值績效比較 ...55
圖 6-1 探測車旅行時間計算處理流程(Quiroga and Bullock，1998) ...57
圖 6-2 VVD 運作架構示意圖 ...58
圖 6-3 VVD 機制下之平均旅行時間 ...58
圖 6-4 探測車與 VVD 資料傳送量比較 ...59
圖 6-5 定位錯誤示意 ...61
圖 6-8 VVD 事件觸發流程...63
圖 6-9 Procedure of VVD travel time calculation ...64
圖 6-10 VVD 設定畫面...65 圖 6-11 圓山至三重交流道(23-27km)南下路段 VVD 之佈設...66 圖 6-12 各路段編號示意圖...66 圖 6-13 模擬路網示意圖 ...68 圖 6-14 VVD 取樣計算軟體...68 圖 6-15 交通狀態-順暢 情境下各路段旅行時間分佈 ...68 圖 6-16 交通狀態-擁擠 情境下各路段旅行時間分佈 ...69 圖 6-17 交通狀態-極度擁擠 情境下各路段旅行時間分佈 ...69 圖 6-18 各抽樣比例之旅行時間誤差分佈—交通狀態＂順暢＂...69 圖 6-19 各抽樣比例之旅行時間誤差分佈—交通狀態＂擁擠＂...70 附圖 1 N36 偵測器 CART 決策樹 ...81 附圖 2 N42 偵測器 CART 決策樹 ...82 附圖 3 N48 偵測器 CART 決策樹 ...83 附圖 4 N53 偵測器 CART 決策樹 ...84
附圖 5 N56 偵測器 CART 決策樹 ...85 附圖 6 N61 偵測器 CART 決策樹 ...86 附圖 7 N64 偵測器 CART 決策樹 ...87 附圖 8 N68 偵測器 CART 決策樹 ...88 附圖 9 CART 之補值決策流程說明(以 N42 偵測器為例)...90
表目錄
表 1-1 車輛偵測器可量測資料之比較表 Martin et. al (2003 )...5 表 3-1 ETC 偵測資料格式...23 表 4-1 模式設計考量因素 ...36 表 4-2 多時窗 TLRN 訓練結果 ...36 表 4-3 不同訓練樣本所得到之模式驗證結果比較...37 表 4-4 1N36-1N68 各路段間 TLRN 模型訓練與驗證結果 ...38 表 4-5 各偵測點交通狀態對應結果 ...39 表 4-6 ETC 通行資料格式 ...40 表 4-7 各偵測路段交通類別遞增與旅行時間延誤值對應表 ...43 表 4-8 各偵測路段交通類別與旅行時間對應表(單位：秒) ...43 表 5-1 各種可能錯誤資料範例 ...45 表 5-2 情境一：100 組單 1 筆遺漏值的補值結果...50 表 5-3 情境二：10 組連續 5 筆遺漏值的補值結果...51 表 5-4 情境三：10 組連續 10 筆遺漏值的補值結果...51 表 5-5 情境四：10 組連續 20 筆遺漏值的補值結果...51 表 5-6 情境五：N36 全部遺漏值的補值結果...52 表 5-7 不同情境下各種補值法的總誤差值 ...53 附表 1 六筆含 ETC 旅行時間(秒)與偵測器交通狀態值實例資料...89第一緒論
第一章 緒論
1.1 研究動機與背景
1.1.1 旅行時間預測問題
智慧型運輸系統的目的就是要透過先進的交通管理系統(ATMS)和先進旅行 者資訊系統(ATIS) 的實施與應用來達到交通量的管制與導引。就 ATIS 在高速 公路導引部分必須要有合理且準確的旅行時間的預估機制，該系統除了對現有交 通的監測與推導之外，更重要的是對未來交通量的掌握與預測，如此，才能成功 的實施 ATIS 的最大功效。傳統上，高速公路旅行時間預測所需資料包括：流量、 占量、速度等偵測資料，而這些資料仍須由埋設或架設於車道上之偵測器所獲 得，由於路段車輛旅行時間預測所需之原始資料需由跨越數個偵測器之偵測資料 所組成，而車流又有續進與延滯之特性，因此，要整合數個偵測器原始資料，且 同時考慮時間與空間影響因素後再針對每個路段進行旅行時間預測將是一件複 雜且困難的工作。1.1.2 多元偵測器與資料整合問題
近年，由於科技發達與偵測技術突飛猛進，使得交通資料的蒐集除了傳統迴 圈偵測器外，其它型式的偵測器包括：影像式、微波式、雷達式、雷射式與探測 車亦漸被交通管理單位所採用，這些偵測器無論其佈設方式、偵測原理、安裝維 護與所能提供的交通資料均不盡相同，但其目的都是一致；即作為交控中心施行 交通管理策略的資料來源。因此，未來無論是傳統迴圈偵測器(點偵測形式)、 AVI(Automatic Vehicle Identification)偵測器、電子收費(ETC)與探測車(Probe Vehicle) (區間偵測形式) ，交控中心在此多元的資料來源情境下，這些多元交通 資料整合問題，將是一項值得研究與必須解決的議題。1.1.3 遺漏值問題
現行交控中心通常藉由迴圈偵測器或影像偵測器蒐集交通流量與交通狀 況，以對旅行時間進行預測與推估，然而任何一個即時的交通資料預測系統在實 際運作時，遺漏值的處理是無可避免，當面臨遺漏值現象時，過去的補值策略往 往並未詳細考慮車流續進與延滯之特性，僅以偵測器本身的歷史均值或是以移動 平均方式填補遺漏值，然而實務上路段偵測器發生遺漏值的現象並非單一種情 境，亦即，相同的偵測器以相同的補值方法在不同缺值時窗數下其所產出的補值 效果可能有所差別，此一遺漏值情境差異的影響，加上各偵測器所位處的道路環 境的不均質，使得整體路段在面臨發生遺漏值現象時，在補值方法選用上造成相當程度的困擾。不過，高速公路網路是由許多節點及節線連接所組成，車輛在路 網分佈狀態是取決於進出匝道車輛多寡及路網結構而定，因此，每一節點路段之 交通狀態應與相鄰路段或是整體路段之車流有高度相關。亦即，當單一偵測資料 發生遺漏值現象時，理應有機會以其它鄰近偵測點之交通狀態或整體之路段旅行 時間做為該點填補遺漏值之依據。 綜合以上之分析可知多元交通資料整合、旅行時間預測與遺漏值問題處理應 為交通管理者所迫切需要解決之要務。
1.2 問題界定
本研究目的乃構建一實務上可行的旅行時間預測系統，其欲處理的問題包括: 多元交通資料整合問題與構建旅行時間預測模式，同時，在實務預測系統上，當 面臨遺漏值時的補值策略研擬與探討，在釐清界定如何進行資料整合、如何構建 旅行時間預測系統、與如何研擬補值策略前，需先將相關議題界定清楚。 本研究之多元交通資料係指高速公路上之迴圈偵測器與電子收費車輛經過 收費站之通行資料，旅行時間推估與預測係以路段為基礎，進而求得交流道與交 流道之路徑旅行時間。可從瞬間與真實之旅行時間兩方面來看。而下列將針對上 述幾個名詞加以詳細說明，並清楚歸納本研究所欲探討之課題。 1、旅行時間：泛指行駛於固定兩點間路段所需的時間 2、節點(Node)、路段(Link)與路徑(Path) 節點(Node)：指高速公路之交流道 路段(Link)：指兩兩相鄰之節點(交流道)組合。 路徑(Path)：指由一群具特定方向與順序性之高速公路路段所組合之集合(交 流道間)。 3、瞬時(Instantaneous)與真實(Actual)之旅行時間 瞬時(Instantaneous)旅行時間：在 t 時點，交通狀態不變之前提下，路徑上所 有瞬間路段旅行時間之加總。 真實(Actual)旅行時間：在 t 時點，實際進入某路段(徑)之起點至完全離開該 路段(徑)所需之實際旅行時間。第一緒論 上 述 瞬 時 與 真 實 旅 行 時 間 之 相 對 關 係 可 用 下 圖 1-1 簡 單 表 示 ：
∑
− = 1 1 ) ( n i i i t tt∑
− = 1 1 1) ( n i i t tt 圖1-1 瞬時與真實之旅行時間關係圖 由上述定義，簡單歸納本研究最終目的乃以路段為基礎之前提下，求得真實 路徑旅行時間，而交通資料之取得係利用高速公路迴圈偵測器與電子收費通行資 料，以此兩種不同來源資料進行整合與路徑旅行時間之關係模式，進一步以此模 式構建旅行時間預測系統。 旅行時間推估與預測之整體架構如圖1-2 所示；其作業流程從交通資料蒐集 與分類、多元交通資料整合、路段\路徑旅行時間之推估與預測及面臨遺漏值時 的補值處理等，主要分為四個部分，說明如下：圖 1-2 旅行時間預測模式關係圖
第一部份：交通資料蒐集與分類
交通資料蒐集需由偵測器獲取，旅行時間預測與偵測器資料來源有相當大之 關聯，而偵測器資料量龐大，如何進行分群、分類以快速得到交通狀態對即時的 旅行時間預測系統極其重要，因此，在此考量前提下，針對交通資料之來源、蒐 集與分類議題進行討論。 1、交通資料來源 偵測器為交通即時監控之輸入單元，其紀錄交通相關資料參數，作為交通資 料分析或進一步控制之所需；而目前廣泛應用之車輛偵測器主要仍以固定式偵測 器為主包括:迴圈偵測器、影像式偵測器、車牌辨識器、與電子收費等均屬於固 定式的偵測器佈設方式，對於未佈設偵測器之重點路段或路口，未來得輔以移動 式探測車。此兩種偵測器之基本定義如下所示： 固定式：泛指固定安裝於特定路面、路側、或車道上方之車輛偵測器。其形 式依偵測原理與感測器不同大致有迴圈偵測器、雷達式偵測器、超音波偵測器、 微波式偵測器、磁力式偵測器及影像式偵測器等多種不同型態之偵測器。 移動式：利用在車流中移動式車輛偵測器進行交通資料之蒐集。這類偵測器 大致上是以衛星定位接收器與圖資資料庫組成之探測車資料(Probe Vehicle Data) 系 統 。 而 有 別 於 傳 統 探 測 車 資 料 蒐 集 與 處 理 方 式 ， 本 研 究 提 出 一 全 新 的第一緒論
VVD(Virtual Vehicle Detector)探測機制的概念，可以解決傳統探測車後端複雜資 料處理成本之問題。 由於國內高速公路目前係以固定式偵測器佈設為主，加上已實施多年之電子 收費系統，因此，本研究之旅行時間預測模式將以固定式偵測器作為交通資料之 主要來源，且以電子收費車輛通行資料作為旅行時間推導校估之依據，同時，對 於未來發展，則提出VVD 探測機制。 2、交通資料蒐集之項目 偵測器在旅行時間推估與預測中扮演著極重要的角色，其整體處理流程係先 從蒐集各路段的原始交通資料開始，再傳輸至交通控制中心的資料伺服器中，經 由資料處理及轉換產生不同交通狀態，再由此交通狀態作為推估模式之輸入項， 進而產生未來時窗的預測旅行時間。其中所需之基本交通資料大致有車輛數、平 均速度、佔有率、車型、存在等項目，而不同型式偵測器所蒐集之交通資訊亦不 同，一般固定式偵測器所蒐集之交通資料項如表1-1 所示。
表1-1 車輛偵測器可量測資料之比較表(Martin et. al., 2003 )
偵測器型式 車輛數 速度 車型 佔有率 存在 其他 迴圈 ● ● ● ● ● 磁感應 ● ● ● ● ● 主動式紅外線 ● ● ● 車道位置 被動式紅外線 ● ● ● 等候車隊 微波式 ● ● ● ● ● Headway 超音波式 ● ● ● ● ●
影像式 ● ● ● ● ● Headway、Space mean speed、 Density、Incident、Queue 3、交通狀態 路段旅行時間之提供，本質上乃欲告知駕駛者於其行進中可能面對之交通狀 況，同時其也是企圖反應道路交通狀態之指標，因此，若能有一適切的方式可以 代表路段上之交通狀況，除了可以簡化資料處理複雜度外，其亦能有效的預估與 傳遞路段旅行時間之訊息。基於此一想法，本研究參考基本車流理論以服務水準 之概念來分類高速公路各路段不同交通狀態之作法，將偵測器蒐集之原始交通資 料進行分類，當然，此分類定義也必須由低流量(代表第一類分群)至高流量(代表 第六類分群)安排，如此才能代表各類型之交通狀況以及其可能對應之旅行時間。
第二部份：多元交通資料整合
現行交控系統中，可供使用之真實交通資料來源有兩類，分別為(a)點偵測 器與(b)區間偵測器，其中，以點偵測器為基礎之研究乃經由偵測器本身辨識與 分析模組計算出之平均速度、佔量、流量等基本交通資料，再配合模式進行旅行 時間預測，而以區間偵測器為基礎之研究則有電子收費通行記錄、影像式 AVI與探測車等資料對車輛進行識別與區間比對，因此，欲以真實交通偵測資料進行 路段旅行時間預測，仍將面臨單點交通資料與區間資料之多元資料整合的問題。 本研究嘗試結合迴圈偵測器(點偵測值)與電子收費車輛通行紀錄(區間偵測值)等 真實樣本資料，應用以模式為基礎之方法以及分群分類之方法將各次路段之交通 資料進行分類處理以簡化來源不同之交通資料結合問題。
第三部份：旅行時間推估與預測
欲推導某路段之旅行時間直覺上可利用該路段間偵測器所偵測之平均速度 來推導，經累積各次路段之旅行時間後，即可獲得該路段之總旅行時間。不過直 覺上之瞬間旅行時間推估方式最大的問題就是在同ㄧ時窗 t 下進行每一次路段 旅行時間的估計，忽略了車輛在空間行進所需的時間。真正的旅行時間應如圖 1-1 所示，必需經由 t1、t2 …tn-1 才能到達節點 n，因此，其總旅行時間應為各次 路段在不同時窗下所對應旅行時間之加總，亦即真實旅行時間應為∑− = 1 1 ) ( n i i i t tt 。其 中i 為次路段，車輛行經其上所對應之時窗為 ti。 因此，為符合真實情況且更正確的預測路段之旅行時間，各次路段於所對應 時窗之預測旅行時間應納入考量，亦即必須將後續數個時窗所需之資訊納入模式 預測之中，並應加總其所對應時窗之預測旅行時間才是正確的推估方法。此外， 再以收費站間ETC 通行資料所產生之精準旅行時間為基礎對上述之推估結果進 行模式校估，此兩種交通資料之關聯與整合，實為本研究欲探討之問題。第四部份：遺漏值問題處理
實務應用上，因偵測器本身產生故障、通訊傳輸斷線、資料蒐集系統異常或 是系統斷電等因素，均有可能造成預測系統之輸入源產生遺漏值或是不正確的資 料，以致預測模式發生輸入之問題，進而產生錯誤的預測資訊，當面臨此一狀況 時，為了確保預測系統仍能繼續預測未來時窗之旅行時間，該預測系統必需設計 一前置處理作業程序，該程序除了對現有交通資料進行正確性與合理性過濾外， 更重要的是對於發生遺漏值時的填補機制必須要處理得當，如此預測系統才能順 利且正確地運作下去，而路徑上多個偵測器產生遺漏值的狀況可概分為：單一偵 測器單一時窗遺漏值、單一偵測器多個連續時窗遺漏值、多個偵測器單一時窗遺 漏值與多個偵測器多時窗遺漏值等情境，在實際之預測系統上，若發生上述不同 遺漏值之情境時，如果僅以某ㄧ特定補值方法進行遺漏值填補作業時，則所填入 的補值將可能與該點實際的交通狀態不相符，進而影響整體旅行時間預測效果。 所幸，高速公路網路是由許多節點及節線連接所組成，車輛在路網分佈狀態是取 決於進出匝道車輛多寡及路網結構而定，因此，每一節點路段之交通狀態應與相 鄰路段或是整體路段之車流有高度相關。亦即，當單一偵測資料發生遺漏值現象 時，理應有機會以其它鄰近偵測點之交通狀態或整體之路段旅行時間做為該點填 補遺漏值之依據。第一緒論
1.3 研究目的與範圍
1.3.1研究目的
經由上述問題說明，本研究的目的可以歸納成以下幾點： （1） 以高速公路之迴圈偵測器為基礎下，結合電子收費通行資料建立兩者 旅行時間之迴歸關係，進一步可以構建交流道與交流道間旅行時間預 測模式。 （2） 以迴圈偵測器資料為基礎，採用資料採集技術對原始資料進行分類處 理，得到各路段之交通狀態分類與定義，以簡化路徑旅行時間之推估 與預測處理。 （3） 研擬一補值策略模式，當實務運作之預測系統面臨輸入源發生遺漏值 時的補值方法，以確保旅行時間預測系統可以順利施行。 （4） 結合已趨成熟之探測車技術與圖資資料提出簡易的 VVD 探測機制， 簡化探測車資料蒐集與處理之過程，以提昇交通資料的品質與應用。1.3.2研究範圍
本研究主要課題為探討高速公路旅行時間預測模式之構建，同時，為了簡化 預測模式之處理與運作對迴圈偵測器原始歷史資料進行資料分類處理，尚不考慮 道路幾何變化之影響。高速公路係由匝道與主線所構成，因此，在推估旅行時間 上，將以主線之偵測器為主，而通過收費站之電子收費車輛通行記錄亦為另一交 通資料來源，故以此兩主要交通資料作為本研究之資料來源，此外，因應日益普及的衛星定定位技術，本文亦提出一新的VVD(Virtual Vehicle Detector)虛擬偵測
器交通資料蒐集系統，以解決傳統探測車複雜資料處理之缺點。故有關電子收費 資料與VD 偵測器資料與探測資料的結合、交通資料分類處理、推估預測與面臨 遺漏值時的處理策略，實為本研究之主要研究範疇。 本研究最終目標乃求得路徑旅行時間，研究路段(如圖 1-3)為國道 1 號中山 高速公路楊梅收費站至泰山收費站區間北上路段，約35 公里處至 71 公里處，路 段全長約36 公里，同時選取該區段內 8 處偵測器分別代表其間的 8 個次要路段 偵測源，主要係考量使用者對旅行時間資訊的需求往往是需要知道目前位置至鄰 近下一或二出口處以及各交流道間的旅行時間資訊，因此，在此前提考量下，本 研究選定8 個次路段都是以交流道為分界點之旅行時間研究，如此才能滿足實務 應用之適切性與準確性。
圖1-3 研究路段範圍
1.4 研究方法
本研究欲探討之問題涵蓋有交通資料分類、多元交通資料結合、旅行時間預 測模式與遺漏值處理等，有關資料分類、整合、旅行時間預測與補值方法等之研 究方法良多，本研究分別就資料採集分類技術、迴歸分析、類神經網路、模式校 估、補值方法等選取適用之研究方法。 整體研究概念如圖1-4 所示，首先以集群分析法對迴圈偵測器之交通資料進 行分類處理，接著以路段時空關係進行旅行時間推估，同時，亦以電子收費通行 資料所產生的旅行時間與偵測器所代表路段建立整體路段旅行時間之迴歸模 式，最後再搭配 CART 決策樹所組成之補值模式構建即時運作之旅行時間預測 系統。 圖1-4 研究概念1.4.1 資料分類(Classification)
第一緒論 偵測器所偵測之原始交通資料本質上乃提供該點所偵測之通行車輛資料，其 最終的目的是要讓交控中心能獲知目前路段的交通狀況，因此，若能有一適切的 方式可以代表路段上之交通狀態，其必能有效的預估與傳遞路段旅行時間之訊 息。資料採集技術日益發達，本研究乃將所蒐集之迴圈偵測器交通資料以流量、 速度與佔量三項因子同時進行分群處理，希望可以得到各類交通狀態的速度、流 量與佔有率之重心分群結果，利用資料分類處理技術可以簡化旅行時間推估與預 測之處理，故本研究將採用二階段集群分析法對原始交通資料進行分類處理。
1.4.2 迴歸模式(Regression Model)
由於目前國內高速公路大部分各路段之偵測器仍以迴圈偵測器為主，屬於點 偵測資料，而電子收費通行資料所產生之精準旅行時間則屬於區間資料，兩者相 互配合，似乎有很大探索空間可以對各次路段所代表之交通狀態推導出對應全路 段之旅行間模式並進行校估。本文即利用結合迴圈偵測器(點偵測值)與電子收費 車輛通行紀錄(區間偵測值)等不同來源真實資料構建旅行時間預測模式，應用以 模式為基礎之方法以及分群分類之方法發展出一交流道間旅行時間預測模式；其 中，將以二階段集群分析法將各次路段之交通資料進行分類處理以簡化來源不同 之交通資料整合問題，並考量車輛於時間與空間之遞移，再結合較精確之電子收 費通行記錄所計算出之旅行時間資料進行迴歸分析，以發展出一套以迴圈偵測器 資料分類為基礎之旅行時間推估模式。1.4.3 類神經預測模式(ANN forecasting Models)
類神經網路（Artificial Neural Network）類似人類神經結構的一個複雜計算 模式，通常也被稱為平行分散式處理模式（Parallel Distributed Processing Model） 或連結模式（Connectionist Model）。其可以利用系統輸入與輸出所組成的資料， 建立系統模型（輸入與輸出間的關係權重）。有了這樣的系統模型便可用於推估、 預測、決策、診斷等應用，因此類神經網路也可以視為一種特殊形式的統計技術。 圖1-5 為一個類神經元的模型： 圖1-5 類神經元的模型 X：稱為神經元的輸入（input）
W：稱為鍵結值（weights） b：稱為閥值（bias），有偏移的效果 S：稱為加法單元（summation），此部分是將每一個輸入與權重值相乘後做 加總。 φ( )：稱之為激發函數（activation function），通常是非線性函數，有 數種不同的型式，其目的是將 S 的值做映射得到所需要的輸出。 Y：稱之為輸出（output），亦即我們所需要的預測結果。 虛線的部分即為類神經元，類神經網路的訓練就是在調整權重值，使其變得 更大或是更小，通常由隨機的方式產生介於+1 到- 1 之間的初始值。權重值可視 為一種加權效果，其值越大，則代表連結的神經元更容易被激發，對類神經網路 的影響也更大；反之，則代表對類神經網路並無太大的影響，而太小的權重值過 小的節點通常可以移除以節省電腦計算的時間與空間。而要使得類神經網路能正 確的運作，則必須透過訓練（training）的方式，讓類神經網路反覆的學習，直 到對於每個輸入都能正確對應到所需要的輸出，因此在類神經網路學習前，我們 必須建立出一套訓練樣本（training pattern）使類神經網路在學習的過程中有一 個參考，訓練樣本的建立來自於實際的輸入與輸出資料。
常見的網路有：倒傳遞網路（Back Propagation Network）、計數傳遞網路 (Counter Propagation Network)、霍普菲爾網路（Hopfield Network）、半徑式函 數網路（Radial Basis Function Network）與 TLRN (Time Lagged Recurrent Network) 時間延遲重現網路，這些類神經網路並非適用所有的問題，通常必須針對欲解決 問題的不同選擇適當的類神經網路，由於本研究之路段車流有時間遞移之關係，
故將採用TLRN 作為各路段之預測模組。
1.4.4 分類迴歸決策樹(Classification and Regression Tree;CART）
分類迴歸樹CART 方法乃是由 Brieman L.所提出的一種決策樹方法，它是以
遞迴二元分類樹（Recursive Binary Tree）的觀念將所有資料值逐一進行分類， 每個分類節點有其最大熵亂度(Entropy)的類別資料集合，每次樹結點分類則是以 二元方式往下分割，而節點則是利用吉尼比值(Gini Ratio)的方法來衡量該節點的 值是否能充分代表該節點的所有類別集合，並以此吉尼值決定是否繼續分支下 去，如此，以遞迴的方式找出分類節點與分支規則，最後再利用整體錯誤率來修 剪該決策二元樹。 如前所述，兩ETC 收費站間以 ETC 車輛通行資料所計算路段旅行時間與該 路段之各個偵測路段之交通狀態有相當高的關聯度，亦即，每一次路段之交通資 料與鄰近路段之車流型態有上下游緊密的車流續進關係，因此本研究欲利用此迴 歸關係，採以CART 演算法對每單一偵測器建構一 CART 預測模式，作為該偵 測器面臨遺漏值時之填補依據，此分類迴歸演算法所得之各個 CART 代表的就
第一緒論
是各個次路段與整體路段之關係決策樹，本文就是藉由 CART 分類演算規則建
構每個偵測點發生遺漏值時的預測目標決策樹。
1.4.5 虛擬偵測器探測機制(Virtual Vehicle Detector;VVD)
本文在交通資料蒐集應用上，面對日益普及的探測車資料蒐集課題，提出 VVD 概念，設計此虛擬偵測器運作機制目的是為了解決傳統探測車方式蒐集交
通資訊所必須面臨的 GPS 誤差、圖資比對誤差、資料重複儲存、通訊傳輸成本
與繁瑣的資料處理作業等所帶來的問題，以提昇交通資料的蒐集效率、精度與可
用性，虛擬偵測器之構想為︰假設用路人配置具有 GPS 功能之行動裝置或是車
內安裝車上單元OBU(On Board Unit) (簡稱:車機)，使得交控中心可以將事先規
劃好之虛擬偵測點的資料結構下載至車機內，再利用定位觸發軟體模組進行有效 資料蒐集，可以降低後端資料處理程序，以達到路網旅行時間與交通量蒐集之目 的，其可蒐集之精確歷史資料包括：起迄旅次需求、旅行時間以及探測流量等交 通資訊。進一步可將此精準交通資訊以廣播或個別化導引方式傳送至用路人行動 裝置或車機上，或作為提供交通管制與政策發展之依據。亦即，在VVD 運作機 制之下交控中心與用路人之車機可以進行雙向互動式之交通資訊蒐集與廣播應 用。將VVD 觸發機制的作法導入於車機內，可使得用路人除了是交通資訊取用 者外，其本身同時也是路網交通資料提供者。本機制更進一步使得整體系統可以 有效節省通訊傳輸費用與資料處理時間。除此之外，本文所提VVD 機制亦可以 讓管理者彈性的佈設規劃VVD 於路網上任何欲取樣偵測點上，此種虛擬規劃佈 設方法可以節省實體偵測器佈設、營運與維護等龐大工程經費支出。
1.5 研究流程
根據上述研究內容與範圍說明，本研究之架構與流程歸納如圖1-6。1.5.1 研究課題與文獻分析
針對多元資料來源、旅行時間推估與預測及預測模式實務應用等研究課題進 行分析，並蒐集國內外有關1.偵測器、電子收費與探針車等相關研究；2.資料整 合相關議題研究；3.資料採集技術；4.預估旅行時間等相關文獻資料，資料來源 包括國內外學術論文、期刊、各單位相關計劃報告及光碟資料庫檢索等。1.5.2 資料蒐集與分析
將原始偵測器資料以二階段集群分析法進行分類，以取得各路段之交通狀態 與各分類之中心值定義，利用此分類對欲處理路段之迴圈偵測器資料進行分類轉 換，同時，亦對相同路段間之電子收費通行資料，進行較精確旅行時間計算，以 此精準旅行時間作為模式校估之依據。1.5.3 旅行時間預測模式之構建
在點偵測器方面將其交通資料轉換成交通狀態，再與區間偵測器(ETC 旅行 時間)等兩種交通資料建立其迴歸關係式，由於不同交通狀態對旅行時間所造成 之遞增影響並非線性，因此，透過建構其與同路段之較精準之ETC 旅行時間之 迴歸關係並進行校估，以得到各路段各不同交通狀態之旅行時間延誤值。
1.5.4 預測模式應用議題
有關實務預測系統其應用上必須對輸入資料進行過濾處理，針對迴圈偵測器 則必須對原始資料進行合理性、正確性之過濾處理，而針對電子收費通行資料則 必須過濾有效樣本資料，甚至當預測系統的輸入源面臨遺漏值現象時的處理等都 必須被考量。1.5.5 補值策略研究
在實務預測系統的應用上，遺漏值問題既然無可避免，就必須處理它，因此， 本研究將針對輸入資料發生遺漏值時的處理策略進行探討分析，將以真實偵測器 資料，對各種可行的補值方法進行分析，最後，將根據各類補值法與實際資料測 試結果，提出一混合的補值策略作為本研究之補值方法。1.5.6 虛擬偵測器研究
面對諸多交通資料蒐集問題，也考慮新科技的進展，除了前述迴圈偵測器與 ETC 偵測資料外，探測車技術的應用將是未來的趨勢，因此，本研究提出虛擬 偵測器(VVD；Virtual Vehicle Detector)的概念，並進行模擬測試，希望此一 VVD 的構想可以使交通資料來源更多元化，更有效提昇資料蒐集品質，而預測系統應 用不同的交通資料可以改善車輛旅行時間預測之精確度。1.5.7 結論與建議
最後將針對交通資料分類結果、旅行時間預測模式、遺漏值補值策略、虛擬 偵測器研究與探測取樣模擬結果等提出具體研究結論與建議。
第一緒論
第二章 文獻回顧
配合研究方向，本文獻回顧章節主要分成四大子題進行探討，一為旅行時間 推估與預測，主要目的是以瞭解國內外對於旅行時間預測問題與所採用之方法， 並做詳細回顧與探討；二為面對多元交通資料來源所衍生之資料採集問題之探 討，三為當預測系統實務運作時面臨遺漏值問題的文獻回顧與探討，最後，再針 對日益普及的探測車研究現況進行文獻分析與探討。2.1 旅行時間預測
合理準確的旅行時間預估為先進旅行者資訊系統成功運作之基本要件(Van Lint et al., 2005; Zhang and Rice, 2003;Dharia and Adeli, 2003; Dia, 2001)，因此， 諸多高速公路路段旅行時間預估方法仍不斷地被發展應用，大體上可概分為三 類：亦即以模式為基礎 (Model-based) 之方法、瞬時旅行時間 (Instantaneous) 法 及資料驅動 (Data-driven) 法 (Vanajakshi and Rilett, 2007; Van Lint et al., 2005; Wu et al., 2004;Kwon et al., 2000)。其中，以模式為基礎之方法需先透過對未來交 通狀態之預測，再行轉化成旅行時間，適度地將交通過程納入考量，此類方法包 括各類衝擊波模式、動態交通量模式等 (Billings and Yang, 2006; Kwon and Petty, 2005; Yang, 2005)。瞬時旅行時間方法則由已知之交通狀態直接進行旅行時間預 估，本質上，其仍是基於交通狀態為均勻穩定之假設下所作的估算，且只能估計 已過去之旅行時間 (Bar-Gera, 2007; Zhang and Rice, 2003)，現有大部分交控系統 所依據之即時交通資料所推估之旅行時間即屬於此類型 (Logendran and Wang, 2008; Dia, 2001)，為了改善此一瞬時旅行時間估計上的缺失，Paterson and Rose (2008) 提出一巨觀等候模式 (macroscopic queuing model)，該模式認為路段旅行 時間是由路段自由流之旅行時間 (free flow travel time) 與延遲時間 (delay time) 所組成，路段延遲時間則可透過對路段格化 (cell) 之概念，以遞迴之方式簡化 計算車流續進過程中之等候延遲時間。至於廣泛被應用之資料驅動方式則並未明 確地探究車流運作的過程，純粹僅就現有或過去交通資料與平均旅行時間之相關 性進行預測 (Van Lint et al., 2005)，其中，時間序列模式與各類型類神經網路模 式 (Van Lint et al., 2005;Dharia and Adeli, 2003; Dia, 2001; Florio and Mussone, 1996) 或 是 以 歷 史 資 料 構 建 迴 歸 模 式 再 以 即 時 交 通 資 料 進 行 模 式 預 測 (Horiguchi et al., 2003) 均屬之，上述各方法均不斷被精緻化，也已漸被整合在一 起。各類方法所採用之資料，除了模擬資料 (Dharia and Adeli, 2003; You and Kim, 2000; Papageorigiou et al., 1995) 外，可供使用之真實交通資料來源有兩 類，分別為 (a) 點偵測器與 (b) 區間偵測器，其中點偵測器主要有迴圈偵測器
第二章文獻回顧
及影像偵測器，以點偵測器為基礎之研究乃經由偵測器本身辨識與分析模組計算 出之平均速度、佔量、流量等基本交通資料，再配合模式進行旅行時間預測 (Dharia and Adeli, 2003; Horiguchi et al., 2003; Dia, 2001; Florio and Mussone, 1996)。由於單點迴圈偵測器之交通資料無法直接計算旅行時間 (Coifman and Cassidy, 2002 ;Coifman, 1998)，且車輛辨識度不高，故難以解決不同交通狀態下 之區間旅行時間計算。而區間偵測資料來源則主要是採用自動車輛辨識技術如車 牌辨識、探測車及電子收費技術 (Soriguera et al., 2007;Haugen and Wold, 2004; Ohba et al., 2000)，其雖可直接計算區間旅行時間但仍屬事後旅行時間。
2.2 資料採集
近年，由於道路基礎建設日益發達，不同交通資料來源亦愈來愈豐富與容易 取得，因此，有諸多研究採用資料融合等技術進行多元資料整合應用研究，以提 升預測之精準度 (Bar-Gera, 2007; Choi and Chung, 2002)。此類研究分別有以 VD 偵測器結合行動電話 (Bar-Gera, 2007) 或 GPS 探測車之多元資料融合研究 (Wei and Lee, 2007)，或以 VD 偵測器結合 AVI 車輛辨識進行旅行時間預測 (Kim et al., 2007; Dion and Rakha, 2006; Van Lint et al., 2005;Dharia and Adeli, 2003; Dia, 2001; Kemmoku et al., 1999; Florio and Mussone, 1996; Papageorigiou et al., 1995)。
精緻複雜的預測模式最常遭遇之挑戰即為實用上的問題，在實際資料處理程 序上無論是點偵測資料或區間偵測資料均繁瑣又費時，由於車流有續進特性，特 定地點與時間之交通狀況並無法提供足夠的資訊以供路段旅行時間之預測，因 此，過去亦有些研究針對上下游交通資料關係提出許多作法與建議(Bickel et al., 2005; Wei and Lee, 2007)，例如 Paterson and Rose (2008) 透過格化路段之作法以 模擬車流在空間上續進的行為；Warita et al. (2005) 以每 5 分鐘週期之即時交通 流量資料與歷史交通型態資料進行比對，以確認未來可能之交通狀態，再依此等
型態進行未來2 小時之旅行時間預測，Bickel et al. (2005) 等人則將前後偵測點
與時窗關係以CHMM (Coupled Hidden Markov Model) 模型構建預測模式，不過
該模式僅將車流狀態定義為自由流與擁擠兩種狀態，這種過於簡單的分類似乎無 法滿足準確預測車流狀態之需求。因此，過去亦有許多研究利用資料採集技術， 將繁雜的交通資料以分類方法進行簡化處理 (Bartin et al., 2006; Loubes et al., 2006; Wen et al., 2005;Otokita et al., 1998)，這對於旅行時間預測問題中需要即時 且短時窗的計算需求提供了很好的指引方向，也符合學理上多以交通狀態來代表 車流狀態如自由流、非擁擠、擁擠、事故等，或以服務水準指標等來代表某路段 某時窗之交通狀態的作法。
2.3 資料遺漏值補正
實務上為了確保系統正常執行預測功能，必須面臨偵測器錯誤、遺漏值與補 值問題， Wang et al. (2007) 指出當預測系統發生遺漏值現象時，系統前置作業必須能具備三項功能：(1) 利用該路段地理特性及交通型態最大化該系統執行效 率。(2)當發生遺漏值時必須能利用歷史資料及該路段相關資訊使其預測系統仍 能正常運作。(3)在面臨大量資料遺漏時提供可靠指標讓預測系統得以順利執行 下去而避免產生不可接受的預測錯誤。因此，要確保即時的旅行時間預測系統能 持續正常運作，必須要對各種可能的遺漏值問題採取有效且適當的補救措施。一 般而言路段發生遺漏值的各種現象包括：隨機單一時窗遺漏值、數個時窗發生短 暫遺漏值，或單一偵測器在一段期間內持續數個時窗遺漏值，最糟情況則是整體 預測系統因通訊傳輸問題而造成單一或部分偵測器發生遺漏值現象達數小時甚 至更久。因此，在實務系統中，當面臨上述缺值狀況時，系統必須自動填補遺漏 值，才能讓即時的預測系統得以持續正常運作下去，為顧及預測模式輸入源可靠 度的要求，實務上欲利用不同補值方法以構建一可行的即時補值系統，似乎還有 很大改進空間。Fernandez et al. (2008) 提出時空組合補值策略，其中在時間維度 採以 (1)往前滾動平均，(2)歷史時窗均值及(3) ARIMA 時間序列等三種方法， 在空間維度上則採以數個偵測器的迴歸分析法兩者組合建構一補值即時運作系
統。Van Lint et al. (2003) 採用移動平均法 (Moving Average) 模式來補正短暫的
遺漏值現象，似乎可以得到不錯的補值效果，然而當發生長時間遺漏值現象時， 由於遺漏時窗過長，移動平均法已與真實資料落差過大，故此法並未能有效進行 長時窗遺漏之補值作業。Wen et al. (2005) 提出結合時間資料與空間鄰近偵測器 資料之資料採集技術進行遺漏值填補與旅行時間預測之研究，該研究採用 RNN(Recurrent Neural Network)與灰色理論整合模式，其在面臨較長期間遺漏值 狀況時有較佳的補值正確率。
過去數十年來，在不同領域包括：經濟、社會、統計與交通運輸等均有遺漏 值問題研究，而早期面臨此問題常以刪除或是填入均值方式處理 (Schafer and Graham, 2002;Little and Rubin, 1987)。其中，Little and Rubin (1987) 更明白提出 遺漏值處理方式有四：(1) 忽略處理：採取不復原方法，將遺漏資料整筆刪除不 採用；(2) 加權處理：根據資料相對出現的機率，加上專家經驗判斷給予權重處 理；(3) 模式處理：屬於資料回復方法，使用最大概似法進行填補動作；(4) 插 補處理：利用資料依時性關係進行資料填補方法。同時諸多學者 (Wei and Lee, 2007; Ni et al., 2005;Huang and Zhu, 2002;Gold et al., 2001;Hyafile and Rivest, 1976) 也意識到遺漏值處理將嚴重影響到預測系統整體執行效率與準確度，因此，眾多
處理遺漏值問題與補值方法乃不斷被發展應用。Hyafile and Rivest (1976) 認為填
補值在實際應用系統中非常重要，若一眛地將遺漏值資料以刪除方式處理將造成 嚴重的樣本資源浪費，其同時也提出以決策樹補值時，要計算出全部可能的決策 樹組合在現實世界是頗困難的，必須以較精簡且可行的方法處理之。
近年，由於道路基礎建設日益發達，不同交通資料來源亦愈來愈豐富與容易 取得，因此，有諸多研究採用資料融合等技術進行不同資料整合應用研究，以提 升預測之精準度 (Bar-Gera, 2007; Choi and Chung, 2002)。而精緻複雜的預測模式
第二章文獻回顧
最常遭遇之挑戰即為實用上的問題，尤其是面臨遺漏值時，由於車流有續進特 性，特定地點與時間之歷史交通狀況並無法提供足夠的資訊以供路段旅行時間或 補值之依據，因此，過去有些研究 (Wei and Lee, 2007;Bickel et al., 2005) 對上下 游交通資料關係提出參考做法與建議。
2.4 交通科技應用
繼瑞士2003 年實施 HVF(Heavy Vehicles Fee)與德國 2004 年 Toll Collect 系 統 率 先 採 用 衛 星 定 位 技 術 進 行 重 車 道 路 收 費 後(Bonsall et al.,2006;Kossak, 2004;Charpentier and Fremont, 2003; Ruidisch, 2003)，使得道路收費系統多了一項
新的技術VPS(Vehicle Positioning System)，而全世界先進國家包括:荷蘭、香港、
英 國 等 亦 相 繼 以 此 技 術 進 行 壅 擠 收 費 、 市 區 收 費 等 道 路 收 費 技 術 的 測 試 (Blyth,2005;Evans, 2004)，同時，Asakura and Iryo (2006)也指出利用行動電話與 衛星定位等先進的資料蒐集技術可以讓道路管理者了解用路人旅運行為與即時 交通狀態，其進一步亦可提供交通擁擠程度作為動態擁擠收費模式的依據。 Hensher and Puckett (2007) 更明白指出交通管理系統需要一個有效的資料蒐集 技術以提供即時的道路擁擠程度收費信號指標(Charging Signal)作為動態收費的 依據是一個有效的交通管理策略。同時 Dodoo and Thorpe(2005)也提出新的 HGV(Heavy Goods Vehicle) 收費系統，顯示衛星定位系統可以有效蒐集重車行 駛路網路徑包括:日期、時間、起迄位置座標、平均速度與該車軸數等資訊，收 費系統則利用此精準資料對來往收費路段的重車進行收費計算依據。
Hoh et al.(2008) 提出 VTL(Virtual Trip Line)等概念，利用 VTL 偵測推估車
輛軌跡，並從Privacy 的角度來設追蹤資料不被輕易擷取而暴露行蹤，或是行徑
軌跡被事後得知，其利用多個被信任的伺服器以 temporal cloaking(隱匿)方式， 讓有意攔截者無法得知真正的資料，但又不失累積交通資料的目的。
早在1996 Saricks et al.,等學者便以 ADVANCE(Advanced Driver and Vehicle Advisory Navigation Concept)計畫為背景，提出如何利用 MNA(Mobile Navigation Assistant) 作為探測車的資料蒐集與導引顯示設備，同時配合迴圈偵測器資料以
提昇即時的交通資料蒐集，並在其測試中又將路徑導引資訊傳回給MNA 以通知
用路人，其證明可以有效降低用路人旅行時間。
Panahi and Delavar (2008) 利用 GNSS (Global Navigation Satellite Systems)與
後端GIS 圖資建立了一套 SDSS(Spatial Decision Support System)空間決策支援系
統作為緊急車輛最短路徑決策與派遣，該系統利用最短路徑演算法、動態最短路
徑演算法與時間相依演算法 TDSP(Time–Dependent Shortest Path)( Ramalingam
and Reps,1996;Dijkstra,1959;Dreyfus,1969)對於發生緊急事件車輛進行最短路徑 導引與派遣管理，其認為交通壅塞分為重現性與非重現性兩類，其中非重現性交
通壅塞包括:動態事件、事故、天氣因素、道路施工等因素所造成這些是無法被
預測的，必須利用即時GPS 衛星資訊與動態最短路徑進行派遣管理。
Quiroga and Bullock (1998) 利用 GPS-GIS 方法論計算路段旅行時間，其採 用步驟包括:Data collection、data reduction、data aggregation 及 data report 等程 序。Turner et al., (1998) 提出在廣大的資料蒐集範圍需求下探測系統(Probe System)是一個很有效率的資料蒐集方法，而 Murakami and Wagner (1999)更以 PDA 結合衛星接收器對城市通行者之旅次資料進行路測蒐集與分析研究，其結 果顯示採用PDA 與衛星接收器可以自動蒐集定位資料包括旅次的起迄時間、軌 跡與起迄位置等資訊均無需傳統人工輸入，同時，進行軌跡分析時其也明白指出 衛星定位的精準度與資料處理將是探測車應用的關鍵所在。 過去大部分探測車研究均以偵測車輛全程傳送 GPS 時間、經、緯度、速度 等資訊並以行動通訊方式將每秒的接收資料傳送至後端，而後端資料處理中心必 須面臨大量資料處理與過濾工作，同時必須考量路段上時空對應關係以順利計算 取得路網路段上的旅行時間值，Akyildiz et al.(2002) 提出 WSN(Wireless Sensor Network)概念以簡化節點處理無線網路龐大資料存取問題，而 Zheng et al.,(2008) 認為有兩個理由很難讓使用者願意手動去紀錄交通模式，1.沒有動機 2.困難重 重，因為通常行程裡包含不同的交通模式所以要分析旅客旅次分佈唯有利用GPS log 資料進行資料採集可以順利獲得旅次順序與分佈，因此，其提出 Geolife 系 統利用 web 網站工具讓使用者可以上載其旅次過程中之 GPS 軌跡紀錄， Geolife 系統分析使用者生活型態最後可以順利導出 1.受歡迎旅遊路徑 2. 熱點 3. 交通狀態等資訊，該即時資訊再利用透過行動通訊提供給使用者，在 45 自願 使用者以6 月的原始資料可以導出走路、汽車、公車、腳踏車等不同交通模式的
旅次分佈與時段。隨即Zheng et al.,(2009) 再利用 TBHG (Tree-Based Hierarchical Graph)紀錄旅客軌跡資料，並以 HITS (Hypertext Induced Topic Search)-based inference model 對這些軌跡檔進行 POI(Point of Interest)熱點搜尋與旅客旅次停
留分析，其利用個別user 之 GPS log 採以 △t (20 分鐘) 及 △d (200 公尺) 門
檻值設定對軌跡檔進行熱點推導與旅行順序分析，在蒐集 107 user 長達一年期 間的軌跡資料能順利得到該樣本資料的交通旅次型態資料。
Uno et al., (2009) 利用蒐集 2003 年 12 月 13 日至 2003 年 12 月 24 日 Hirakata 城市之公車軌跡資料進行路段旅行時間變異分析，由於公車存在停靠站問題，所 以該分析除了必須將軌跡檔進行轉換處理外，其也必須引進停靠站偵測技術對原 始資料進行停靠站之判定與過濾，且必須將此有效樣本軌跡資料對應至路網節線 上，最後再依時窗篩選對應的資訊至每個路段上，以上顯示，利用車輛原始GPS 軌跡檔欲進行旅行時間萃取分析必須經過複雜且繁瑣的資料蒐集、篩選、過濾與 媒合處理，顯示Data Reduction 在處理探測資料問題上仍有很大的改善空間。
第二章文獻回顧 Bauer et al.,(2008) 認為每一種運輸模式有其特性及延滯時間，公共運輸有其 固定班表特性，交通壅塞或事故則有其型態表現，這些型態特性大多可從GPS 軌 跡可以推導得到，其認為25~30 公尺誤差定位是合理的假設，故所提 Stop 偵測 演算法係以 5 分鐘內且方圓 25 公尺範圍內之門檻值，作為偵測判定軌跡 Stop 的依據，在27 天 4 個禮拜的 GPS track data 進行分析結果，得到通行者的喜 好與習性，同時其也順利推導得到旅次較多停留點(Point Of interest;POI)。 Thakuriah et al.,(1994) 認 為 探 測 資 料 具 有 (a) 稀 疏 (Sparse) (b) 間 歇 性 (Intermittent) 及 (c)獨立性(Dependent)等特性，因此，要利用探測資料進行交通 資料蒐集必須克服上述三個問題，其同時也指出系統進行探測資料蒐集與圖資比 對時所面臨兩個主要的錯誤型態為來自(1)、GPS 衛星誤差，(2)、後端系統與前 端OBU 設備中時序同步問題，此兩項主要型態誤差將嚴重影響資料蒐集正確性 與精度。Kwon et al., (2007) 提出利用探測車與偵測器進行擁擠程度評估比較， 其評估參數包括:延滯、壅塞距離與壅塞期間等三項評估參數作為兩者比較基 礎，在 4~6 天的資料測試驗證結果發現每半哩區間設置一偵測器取樣點，其可 以達到評估誤差為 10%以內，相反的，當取樣區間擴大至 2 哩時，則評估誤差 幾近 50%，顯見，取樣樣本多寡與取樣偵測點區間大小對整體評估的誤差影響 甚鉅。
一般而言，衛星定位的誤差來自:衛星時鐘誤差(satellite’s clock error)、星曆 誤差(satellite ephemerides)、電離層與對流層條件(ephemerides and tropospheric conditions )、多路徑效應( multipath effect)、與是否有 SA(Selective Availability) 干擾信號等因素所造成(Lechner and Baumann；2000)，而 Choi and Cicci (2003) 以 Noe et al.’s, Bancroft’s, 及 Biton et al.’s 等三種定位演算法進行效率與準確 性 分 析 ， 在 忽 略 衛 星 星 曆 (satellite ephemerides)、 電 離 層 效 應 (ephemerides effect)、對流層效應(tropospheric effect)及多路徑效應( multipath effect)等誤差的 前提下，其得到水平定位誤差為 20 公尺，垂直定位誤差則為 30 公尺的結論， Li et al.,(2005) 僅利用單一 GPS 接收器結合 GIS 與高度輔助資訊可以有效減少定
位誤差由22.5 公尺降至 17.5 公尺，同時其對應到圖資平面誤差可以由 6 公尺降
至5 公尺，而在引進 1:50000 比例的 DTM (Digital Terrain Model)圖資、RRF(Road
Reduction Filter)演算模組(Taylor et al., 2001)與 Map Matching 演算法(Mallet and Aubry, 1995;Scott, 1994;Taylor et al., 1999)與結合高度輔助資訊後，其更可以有效
減少定位誤差由22.5 公尺降至 4 公尺，圖資誤差由 6 公尺降至 3.2 公尺，證明，
利用輔助資訊與適切補值演算法可以有效降低GPS 定位的誤差，這對採用 GPS
2.5 小結
由文獻顯示，多元的交通資料輸入整合議題與旅行時間預測模式不斷推陳出 新，仍值得深入研究，且實務上以偵測器為輸入資料之旅行時間預測系統，必須 面臨單點偵測器或多點偵測器其短期或長期之遺漏值補值問題。本文嘗試結合迴 圈偵測器 (點偵測值) 與電子收費車輛通行紀錄 (區間偵測值) 等真實樣本資 料，應用分群分類之方法對交通資料進行分類處理，並以歷史均值方法、移動平 均方法以及分類迴歸樹 (Classification And Regression Tree, CART) 之決策樹方 法 (Lewis, 2000) 發展出一套可以滿足各種不同缺值狀況的補值策略；其中，為 考量車輛於時間與空間之遞移，並方便結合較精確之電子收費通行記錄所計算出 之旅行時間資料，將以二階段集群分析法將各次路段之交通資料進行分類處理以 簡化來源不同之交通資料整合問題；另外，將建構每一偵測點之 CART 決策樹 作為當該偵測點發生長時窗遺漏值現象時的補值參考依據，最後，結合其他兩種 補值方法發展出一套滿足不同長短時窗遺漏值時之混合補值策略模式。同時，由 文獻分析與回顧可以得知新式科技不斷被發展與應用，尤其是採用衛星定位之探 測技術的確可以產生精準交通資訊，因此，引進與改善更有效率之探測方法亦將 是未來研究方向與趨勢。第三章模式構建
第三章 模式構建
本研究主要探討旅行時間預測與交控中心如何處理多元交通資料包括: 迴 圈偵測器、電子收費車輛通行資料與探測資料。首先，構建電子收費通行記錄與 迴圈偵測器兩交通資料之迴歸模式，並對旅行時間推估與預測提出具體研究成 果，除此之外，本研究亦嘗試解決在實務預測系統中當面臨遺漏值時的處理策 略，最後，則提出新一代虛擬偵測器運作機制，以對日益普及的衛星定位系統提 出新的應用概念。整體架構如圖3-1 所示，大致可分成五大部分來探討。 圖3-1 研究架構 第一為多元交通資料整合問題，欲利用迴圈偵測器之交通資料（點資料）與 電子收費通行資料(區間資料)兩者進行模式構建必須考量此兩種不同交通資料 如何整合處理；第二為本研究所引用之資料採集演算法包括，集群分析演算法、 類神經演算法與 CART 分類決策數等，其中，為了簡化交通資料處理程序，引 進二階段集群分析演算法，對交通原始資料進行交通狀態分類，而迴圈偵測器之 類神經預測模式，乃將路徑區分為以偵測器為單位之數個次路段，並以類神經預 測模式對每一次路段進行未來時窗之交通資料預測，以作為預測模式之輸入值， 至於 CART 決策樹演算法，乃引用於當實務預測系統的輸入源面臨遺漏值時， 為了讓預測系統順利運作下去，必須有一聰明的補值方法，本文嘗試利用不同的 補值方法找出不同缺值情境下之最佳補值法；第三為探討旅行時間之時空推移問 題；第四為利用上述兩不同交通資料進行迴歸模式構建，以找出不同交通狀態下 之旅行時間遞增值之關係；第五為定義虛擬偵測器運作機制，對於探測技術提出 有效率的具體作法，如此五大部分構建本研究主要架構。下列將針對各個演算模 式之內涵進行說明，並詳述資料處理、推導與預測流程。3.1 多元交通資料整合
根據過去文獻與研究趨勢顯示，交控中心有越來越多面臨不同形式之交通資 料之處理問題，本研究將以旅行時間迴歸模式為基礎，探討以固定式偵測器所蒐 集資料與電子收費車輛通行資料兩者所產生之旅行時間進行模式之推估與構 建。而在此小節中除了簡述偵測器（即點的資訊）平均點速度轉換路段旅行時間 外，還會針對電子收費通行資料如何轉換成區間旅行時間與此兩種代表總體路徑 與次路段旅行時間之資料處理過程詳述如下各小節。3.1.1迴圈偵測器路段旅行時間定義
如 圖 3-2 所 示 迴 圈 偵 測 器 能 偵 測 通 過 該 點 的 流 量 (Volume) 、 佔 有 率 (Occupance)及速度(Speed)，其速度為通過該點的所有車輛之平均速度為 Ut： Time mean speed(TMS) ， 然 而 實 際 計 算 旅 行 時 間 必 須 為 Us ： Space mean speed(SMS)，故實務上一般都以偵測器的平均速度減掉誤差值來校估 SMS 值。 亦即，欲推導兩節點旅行時間則可根據3-1 式及 3-2 式所示之關係，藉由 3-3 式 與 3-4 式之校估關係利用每一路段間之兩兩點偵測器所偵測之平均速度來推導 該路段旅行時間，並累積加總兩節點間之總旅行時間。 N u u N i i t∑
= = 1 (3-1 式)∑
= ⋅ = N i i s tt l N u 1 (3-2 式) s s s t u u u 2 σ + = (3-3 式) t t t s u u u 2 σ − = (3-4 式) 圖3-2 偵測器路段佈設示意圖3.1.2電子收費車輛通行旅行時間
表 3-1 為 ETC 系統可以蒐集之電子收費車輛通行資料，藉由這些原始交易 資料，系統可以依每ㄧ筆偵測紀錄進行配對搜尋，亦即，檢查每ㄧ部車輛 ETC 車上單元識別碼 (OBU_id) 是否完整經過兩不同收費站之間，當成功配對後，第三章模式構建
系統便可計算該配對收費站間之經過時間差，作為該車輛經過該兩收費站間之旅 行時間。
表3-1 ETC 偵測資料格式
OBU_id Toll_id Lane_id Time
Catalog Direction
717530 27002 08
2006-08-01T13:48:28 3
S
各欄位說明如下： OBU_id：ETC 車上單元識別碼。 Toll_id：收費站識別碼。 Lane_id：收費車道識別碼。 Time：ETC 車輛該筆偵測資料通過收費站 ETC 系統時間。 Catalog：車輛類別 (1 ~ 8)。 Direction：車行方向 (N：北向、S：南向)。 為了簡化搜尋配對與計算更有效率，系統必須針對每一ETC 偵測事件引進「估計到達時間」ETA (Estimated Time of Arrival) 標示變數，以便當每一筆偵測
記錄抵達後，系統可將其組合成為一筆有效配對，若該配對時間合理則當作有效 樣本，若不合理則加以剔除，其作法說明如下。 引進「估計到達時間」ETA 變數，亦即，當有任何ㄧ筆新增 ETC 紀錄時， 基於有效取樣之理由，必須於偵測之同時就給予該筆新增紀錄於該路段之最大合 理旅行時間，該最大合理值會依當時旅行時間而變動，故每當ㄧ筆新偵測紀錄產 生時系統便自動給定一個ETA 值並寫入該筆紀錄，以便當該車抵達下ㄧ收費站 時可以判定其是否為有效樣本，當每ㄧ偵測車輛旅行時間低於預估ETA 時，表 示該樣本有效，可以納入該路段旅行時間計算。否則，表示該車曾經離開高速公 路或於服務區停留過久，此筆紀錄屬異常樣本，應予以剔除，以免造成系統無謂 的比對，影響執行效率，同時亦可避免高估平均旅行時間而與事實不符。
3.1.3 總體與分段旅行時間
微觀上，路段旅行時間係指個別車輛通過整個路段所需之時間，由於個別駕 駛者對於車速之選擇偏好不同，因此，即使在相同車流環境下，個體車輛之旅行 時間亦有所不同，但巨觀而言，路段旅行時間通常指在某一車流環境下，總體車 流通過整個路段之平均所需時間。就資訊應用之觀點而言，資訊提供單位所提供 之旅行時間應是能代表某一車流狀況下之平均旅行時間，既然是平均旅行時間， 很明顯地其將與所蒐集之樣本有關，樣本之變異將影響預估旅行時間之精確性。因此，本文嘗試以ETC 車輛通行資料所計算之總體路段旅行時間與各分段 由偵測器平均點速度所計算之分段旅行時間為基礎建立兩不同交通資料之迴歸 關係，該迴歸模式相應之係數即可代表不同交通狀態下之旅行時間遞增值，此迴 歸模式將作為預測未來時窗之旅行時間的依據。
3.2 資料採集 (Data Mining)
為了完成本研究整合多元交通資訊以構建旅行時間預測系統之研究目的，本 文以總體與分段旅行時間迴歸模式為基礎，並校估求得迴歸模式之係數，因此， 必須導入相關資料採集技術，包括:資料分類技術、類神經預測模式與 CART 分 類迴歸樹等演算法，其中，分類技術主要是簡化迴圈偵測器之原始交通資料以利 多元資料之整合，而ANN 類神經網路演算法則是解決點偵測之預測問題，最後， CART 分類演算法則是用來建立總體旅行時間與分段旅行時間之分類決策樹關 係，此決策樹可以提供當預測系統發生遺漏值時的補值依據。此三種演算法詳述 如下各小節3.2.1交通狀態分類
本研究參考基本車流理論以服務水準來分類高速公路不同交通狀態之作 法，使用兩階段集群分析方法將偵測器蒐集之交通資料分類，第一階段先使用階 層式的華德法，得到初步集群重心後，第二階段使用K- means 演算法，以第一 階段定義6 類集群重心為起點進行集群分析，產生最後集群解，當然，此集群定 義也必須由低流量(代表第一類分群)至高流量(代表第六類分群)安排，如此才能 代表各類型之交通狀況以及其可能對應之旅行時間。 根據本研究蒐集2006 年 8 月 1 日~2006 年 8 月 31 日 1N36~1N68 等 8 處之 迴圈偵測器交通資料分析顯示，若將流量、速度與佔量三項因子同時進行分群處 理時，其分類效果並不理想，但若移除佔量因子，僅針對流量及速度兩項因子進 行分群處理，則可得到如圖3-3 與 3-4 所示各偵測點之 6 類交通狀態流量與速度 重心分布。 100 200 300 400 500 600 700 800車
輛
數
/
5
分
鐘
分群 - 流量 圖3-3 各偵測點流量分群重心分布第三章模式構建 0 20 40 60 80 100 120 140
Cluster 1 cluster 2 cluster 3 cluster 4 cluster 5 cluster 6
公 里 / 小 時 交通狀態 分群 - 速度 1N36 1N42 1N48 1N53 1N56 1N61 1N64 1N68 圖3-4 各偵測點速度分群重心分布 由上述分類結果可以清楚看出，其與傳統車流交通狀態服務水準分級概念相 近，其中路段內各偵測點之分類結果略有差異，此乃因各偵測點車道數、坡度、 車流交織等因素均不一樣，可以說此分類結果乃是真實歷史資料分群之結果，充 分反應該路段內各次小路段之交通狀態分類情形。
