成大研發快訊 - 文摘 成大研發快訊 第五卷 第四期 - 2008年八月一日 [ http://research.ncku.edu.tw/re/articles/c/20080801/6.html ]
應用類神經網路建構動態更新事故延續時間預測模式
魏健宏
1*、李穎
2 1國立成功大學交通管理科學系 2明道大學餐旅管理系 *Email: louiswei@mail.ncku.edu.twAccident Analysis and Prevention, (2007): 39(5), 944-954
交
通事故的發生往往會造成嚴重的交通壅塞,影響所及包含用路人的旅 行時間增加與車輛燃油消耗。1988年,美國前50大都市因交通壅塞所造成 的旅行時間增加與燃料耗損成本預估約350億美金。隨經濟活動與車輛逐年 增加,事故發生後所造成的旅行時間不確定感亦愈形嚴重。有鑑於科技日 新月異,交通資料收集方式愈來愈多樣與方便,本研究乃著眼於將各式原 始交通資料經過系統性的分析與融合處理,以有效掌握交通變化趨勢,並 提供用路人容易瞭解與運用的交通資訊內容(例如旅行時間預測、事故延續時間預測等資訊),有助行旅之 規劃或交通控制單位之管理策略參考。 資料融合技術旨在組合各類偵測設備所收集的資料,用以描述具體的事件、活動與狀況。不同的資料來 源,其資料單位與格式亦不盡相同。因此,完整的融合過程包含對於各資料庫內容的篩選、淬取、格式對 應或重組。常見之資料融合工具包括有適應性類神經網路、Dempster-Shafer法或貝式推論等。近年來, 類神經網路應用於交通領域中已漸受重視,故本研究即採用類神經網路建立動態更新事故延續時間預測模 式,並以實際高速公路型態的道路環境為案例,進行實用性之評析。 目前已有許多文獻探討旅行時間預測課題,較少關於事件延續時間的討論,現有的研究成果多為單一時間 點的靜態預測,較無考慮時間與空間推移後,更新事件延續時間預測資訊之內容。為了降低用路人的不確 定感,本研究利用類神經網路融合各式交通資料建立動態更新之事故延續時間預測模式。預測模式包含事 故通報當下進行預測的模式A以及交通資料更新後持續產出更新預測資訊的模式B,模式應用方式如圖1所 示。模式A在交通資訊不甚明朗下先提供一初步預測,模式B則是以更新的交通資料提供最新的事故延時預 測資訊,二模式共同完成動態更新的事故延時預測機制。此二模式利用類神經網路尋找各式輸入資料與事 故延時資訊之間的關係,輸入資料包含事件特徵、車輛偵測器所收集之交通資料、資料間的時空關係與道 路幾何特色等。當變數輸入類神經網路後,透過隱藏層的調節,網路建立起輸入變數與輸出變數間的關 聯,並分析估計值與實際值之差異,不斷調整網路連結權重直到兩者差距逐漸縮小而穩定,即完成模式測 試。模式建立完成後,只要即時輸入相關變數,即可於事件通報後提供最新的事故延時預測。 1 of 3成大研發快訊 - 文摘 圖1 動態更新事故延續時間預測模式之應用概念 本研究案例之範圍為國道1號大雅至路竹交流道間之路段,共收集24筆事故資料,其中46%的事故,延續 時間低於30分鐘;27%的事故延時介於31至60分鐘;剩下的27%的事故延時則是高於61分鐘。24筆樣本依 延時長度比例分成兩部分,18筆作為模式訓練,6筆作為模式測試。本研究另以模式A的預測值於每固定時 間後減去時間推移值,作為非動態更新預測資訊的預測結果,用以比較「非動態更新」與「動態更新」的 預測績效。 將事故資料與相關輸入資料做抽樣分類後,即進行類神經網路模式訓練與測試。為求結果客觀公正,共進 行6次隨機抽樣分類與模式訓練測試,6次測試後事故延時實際值與預測值之間的相關係數ρ整理如表1所 示。在六次的模式測試結果中,相關係數皆高於0.72,甚至有2次測試結果高於0.95,表示預測結果相當 接近實際值。其中有5次模式測試結果,「動態更新」的事故延時預測績效優於「非動態更新」的事故預 測績效,顯示動態更新預測機制有較佳的預測能力。 表 1. 事故延時預測實際值與預測值之相關係數 表1係顯示事故對於交通系統衝擊程度之事後評估,道路使用者仍然關心每次更新之資訊,是否具有高度 正確性,因此,本研究另從預測時間點的角度,採用平均絕對誤差(mean absolute error, MAE)、平均絕 對誤差率(mean absolute percentage error, MAPE) 與均方根誤差(root mean square error, RMSE)等三項 指標比較「非動態更新」與「動態更新」的預測績效。6次模式測試結果,各預測時間點的平均預測績效 如表2所示。在MAE指標中,「動態更新」較「非動態更新」的預測結果減少誤差達58~169秒;以MAPE 指標比較之,則「動態更新」較「非動態更新」的預測結果減少誤差達10%;若由RMSE指標分析,「動 態更新」較「非動態更新」的預測結果約減少誤差達78秒左右。 上述透過整體性事後評估及個別預測時間點MAE、MAPE、RMSE三項評估指標,客觀公正的評估「動態 更新」與「非動態更新」下的事故延續時間預測模式績效,由表1與表2數據,明顯得知模式A與模式B搭配 進行的「動態更新」預測結果較接近實際的事故延續時間。展現本研究所提出的動態更新概念可有效的提 供準確的事故延續時間預測。 表 2. 模式績效評估比較 2 of 3
成大研發快訊 - 文摘 Mean:六次模式測試結果的平均值;SD:六次模式測試結果的標準差 本研究係以類神經網路融合各式交通資料,建立動態更新之事故延續時間預測模式,並透過散佈圖、相關 係數、MAE、MAPE、RMSE等評估方式展現出模式的優異與穩定的預測績效。研究結果顯示,事故特 徵、車輛偵測器所收集的交通資料、資料間的時空關聯與道路幾何條件等變數適合用以建立事故延續時間 預測模式。類神經網路方法可有效的平滑資料間的雜訊,掌握各式交通資料與事故延續時間的關聯,自事 故被通報至事故被清除為止,可持續提供接近實際狀況的事故延時預測資訊。由模式A所提供的「非動態 更新」預測,操作簡單方便;模式A與B搭配而成的「動態更新」預測較耗費資料收集與模式建立的成本, 但可隨時間推移與因應交通狀況變化更新預測資訊,績效較優。使用者可從成本或資訊準確程度等方向以 權衡採納其一。 未來應用時,只要輸入相關變數於模式A與B中,即可獲得隨交通變化而動態更新的事故延續時間預測資 訊。用路人與交通管理者可以從預測資訊內容瞭解事故所造成的影響程度,降低不確定感。透過多樣化的 評估,本研究成果具體展現出智慧型運輸系統的可行性與實用性。 3 of 3