行政院國家科學委員會專題研究計畫 成果報告
應用類神經網路於鐵路列車之短期需求預測(I)
計畫類別： 個別型計畫 計畫編號： NSC91-2211-E-006-116- 執行期間： 91 年 08 月 01 日至 92 年 10 月 31 日 執行單位： 國立成功大學交通管理科學系（所） 計畫主持人： 李治綱 共同主持人： 魏健宏 計畫參與人員： 蔡宗憲, 張育彰 報告類型： 精簡報告 報告附件： 出席國際會議研究心得報告及發表論文 處理方式： 本計畫可公開查詢中 華 民 國 92 年 11 月 17 日
行政院國家科學委員會補助專題研究計畫成果報告 ※ ※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※ ※ ※ ※ 應 用 類 神 經 網 路 於 鐵 路 列 車 之 短 期 需 求 預 測 ( I ) ※ ※ ※ ※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※ 計畫類別：□＊個別型計畫 □整合型計畫 計畫編號：NSC91-2211-E-006-116 執行期間：91/08/01~92/10/31 計畫主持人：李治綱 博士 共同主持人：魏健宏 博士 本成果報告包括以下應繳交之附件： X 赴國外出差或研習心得報告一份 □ 赴大陸地區出差或研習報告一份 □ 出席國際學術會議心得報告及發表之論文各一份 □ 國際合作研究計畫國外研究報告書一份 執行單位：國立成功大學交通管理科學系 中 華 民 國 九 十 二 年 十 一 月 十 五 日
行政院國家科學委員會專題研究計畫成果報告 應用類神經網路於鐵路列車之短期需求預測(I)
Short-term Traffic Forecasting of Train Service Using Artificial Neural Networks 計畫編號：NSC91-2211-E-006-116 執行期限：91 年 8 月 1 日至 92 年 10 月 31 日 主持人：李治綱 國立成功大學交通管理科學系教授 共同主持人：魏健宏 國立成功大學交通管理科學系教授 計畫參與人員： 蔡宗憲 國立成功大學交通管理科學系博士候選人 張育彰 國立成功大學交通管理科學系碩士 林昭輝 國立成功大學交通管理科學系碩士研究生 一、中文摘要 本研究以類神經網路技術為基礎，建立一 測試流程來構建短期列車旅運需求預測模 式。在本文的第一階段透過輸入變數之篩 選、訓練樣本數之測試、預測期數之測試 構建出一基礎的旅運需求預測模式。第二 階段則再從基礎模式中衍申出兩個修正方 法來改良模式，並確立模式預測之流程。 第三階段則以改良模式為雛形構建尖峰時 段旅運總量及單日旅運總量的總體需求預 測模式。第四部分則再進一步探討同時考 量不同起迄點、不同出發班次之間的整合 模式。最終，各階段模式都顯示出不錯的 預測績效，大部分模式的 MAPE 值都在 20%以下。短期旅運量需求預測模式能提 供軌道運輸營運者後續營運規劃階段所需 要的旅運資訊，而本研究所建立的預測模 式則提供一個可行的方法。 關鍵詞：短期需求預測、類神經網路、軌 道運輸 Abstract
This paper experiences a three-phrase back-propagation neural network approach to forecast short-term railway passenger
demand. The first phase involves the selection of variables, the size of training data set, and the modification of stochastic outliers, under a specific origin-destination (O/D) pair of a given train service. In the second phase, in order to verify the robustness of developed approach, we construct two aggregated models, in which each model applies different temporal aggregations of demand. In the third phase, we construct three integrated models by considering multiple train services simultaneously to enhance the future application. The approach shows encouraging results and most forecasting performances are under 20% of mean absolute percentage error (MAPE). In addition, the approach is able to forecast railway passenger demand effectively under various scenarios of train services. The outcomes of the models can offer detailed demand prediction for railway operation planning, such as train scheduling and seat allocation.
Keywords：Short-term Forecasting, Railway Passenger demand, Back-propagation
Neural Network 二、緣由與目的 鐵路運輸規劃大體上可以按規劃時間以及 目標分成三個主要的部分。其一為長期規 劃 (Long-term planning) 或 稱 策 略 規 劃 (Strategic planning)，此一規劃主要著眼於 長期之營運資源規劃，例如營運路線之選 擇、列車使用之車型、車站設施位置等。 第二階段稱為中期規劃(Mid-term planning) 或戰術規劃(Tactic planning)，主要著重在 列車的服務計畫(Train service plan)的擬 定，例如班次頻率、停站方式、以及營運 速率。第三階段則為短期規劃(Short-term planning) 或 營 運 規 劃 (Operational planning)，重點則放在已知列車服務計劃 後的後續營運管理問題，例如理想時刻表 之 擬 定 、 列 車 排 點 、 司 機 員 排 班 (Crew scheduling)及輪班(Crew rostering)、車輛使 用及維修等問題上。上述各規劃階段策略 之擬定則都必須參考旅運量預測的結果來 做為決策參考依據，如根據長期需求預測 來決定列車行經路線及列車容量，中期需 求預測來決定營運列車數及停站方式，短 期需求預測來幫助單位小時內列車之排班 方式。 本研究所構建的短期需求量預測模式則是 以極短期的角度更微觀的觀察旅運量分佈 情況，並進行需求預測模式之建立。而極 短期在此所指為旅運需求量的最小單位： 在特定日中某一特定起迄點在某一特定班 次上的旅運量。此一需求預測模式的建立 對於後續營運規劃上最直接的幫助則是列 車座位的管理。台鐵目前對於所屬對號列 車等級的座位販售是採取定額銷售的策 略，亦即每一班列車在每一個起迄對間所 欲販售的座位數會隨著車次之變化而有變 動，但卻不會隨著日期特性(Day of week) 之變動來做進一步的調整。由於此一配置 方法無法反映旅運量在星期特性尖離峰上 的分佈，有可能導致旅客買不到理想班次 之座位而轉移至其他競爭運具，但列車上 卻還有空位之情形。根據台鐵統計指標指 出，2001 年台鐵自強號的座位利用率較 2000 年減少了 9.63%，除為運能之增加 外，旅客人數減少也為其主因之一。再從 另外一個角度來看待此一課題，近數十年 來營收管理(Revenue management)或收益 管理(Yield management)的概念廣泛被服 務業及航空業所應用，其最主要之利基為 利用既有之資源與產出，於最適當的時機 售予適當的客人。有學者則更進一步指出 服務業應用收益管理的概念所增加的平均 收益約在 3%至 7%之間。而要有效的進行 列車座位管理，首要之務則是對於每一班 列車在各起迄對之間的旅運量必須要有認 識。因此本研究之重點則是建立一短期旅 運量需求預測模式，以做為後續營運規劃 管理的參考依據。 三、結果與討論
本研究以時間序列資料(Time series data) 的角度切入，應用一三層式的前向式類神 經網路(Feedforward Neural Network)，配合 倒傳遞演算法(Back-propagation Algorithm) 來較估網路連結權重值，其網路架構圖如 下圖一所示。而經過一連串的試誤之後， 本研究得到下圖二的預測流程。
圖一：三層前向式類神經網路 圖二：本研究所得之預測流程 應用此一測試流程針對 89 年台鐵自強號 1008 班次高雄至台北進行事後的逐月預 測可以得到如下表一的預測績效，其中橫 軸底部表示各月份的預測績效，而縱軸表 示個別月份模式所選入的輸入變數型態。 而以此預測流程為基礎，本研究進一步構 建了早上尖峰時段的自強號總體預測預測 模式(包含三班自強號車次)，以及全日自 強號的總體預測模式（包含十八班自強號 車次），預測績效如下表二及表三所示。為 了進一步擴展模式的實務應用性，本研究 嘗試將多種列車服務特性整合在同一預測 模式之中，例如多起迄點、多出發時間以 及多車種。下表四至表六分別表示上述三 種情境下的預測績效，在此只選擇一個月 份做為測試。 表一：1008 班次高雄-台北預測績效 表二：尖峰時段高雄-台北預測績效 表三：全日時段高雄-台北預測績效 表四：多起迄點整合模式預測績效 表五：多出發時間整合模式預測績效 Hidden (N+M)/2 Hidden 1 : : : : : : : : : Input 1 Input 2 Input 3 Input 4 Input N Output 1 Output M Bias Bias 原始資料 偵測並更新離 群值之影響 歷史旅運量變 數之篩選 ACF函數 取出(t-1)月份及 (t-12)月份 取出t月份 倒傳遞網路模式 進行訓練 預測績效之評估 寒暑假及國定 假日虛擬變數
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec X(t-1) X(t-7) X(t-14) X(t-21) X(t-28) X(t-35) Peak date 16.9 22.2 36.1 19.0 15.7 15.6 14.6 17.9 18 19 18.4 23 X(t-15) MAPE (%)
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec X(t-1) X(t-7) X(t-14) X(t-21) X(t-28) X(t-35) Peak date 13.9 17.8 26.3 17.8 12.8 13.6 13.2 12.0 16.8 15.9 10.8 15.3 MAPE (%)
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec X(t-1) X(t-7) X(t-14) X(t-21) X(t-28) X(t-35) Peak date 9.7 23.3 16.3 15.4 12.6 14 8.9 10.6 14 12.9 11 11.8 MAPE (%) X(t-3) X(t-10) X(t-32)
OD1 OD2 OD3 Avg Integrated model 15.6 22.3 12.1 16.7 17.5 MAPE
(%)
LE1 LE2 LE3 Avg Integrated model 19.5 15.6 19.1 18.1 18.0 MAPE
表六：多車種整合模式預測績效 經由此階段的模式構建，本研究有以下之 結論。 1. 網路開始進行訓練及學習前，必須先透 過一合理之偵測機制來過濾不合理之旅 運現象，尤其是在無法找出一合理之原 因來解釋該旅運現象的前提下。 2. 利用自我相關函數之計算可以獲得不同 時間間隔歷史資料之相關性，本研究以 此結果做為解釋變數篩選之依據。其中 最重要的變數為預測標的前一天，以及 以七天為週期的天數。若以數列分解的 角度來觀察這些變數，前一天代表數列 之趨勢(Trend)，而七天之週期則表示季 節特性(Season)。 3. 透過訓練範例數多寡的實驗可知，適當 之訓練範例數目可以提供足夠之旅運資 訊來進行網路訓練，此一結果之證明可 以有效減少構建此類模式時資料前處理 以及網路訓練的時間，在不顯著損及網 路績效的前提下，改善構建模式之效率。 4. 另一方面，總和模式績效的表現都比單 一班次之預測模式來的好，表示單一班 次之旅運行為確實較總和時間區段之旅 運行為來的混亂。 5. 由整合模式之結果可知，倒傳遞網路模 式可以同的對多個列車服務計劃進行整 合並預測，且績效值與多個個別模式績 效值的平均值差異甚小。 6. 整合模式也顯示出本研究所使用之網路 架構在同時考量時間以及空間的情形下 只能維持但卻不能進一步改善模式預測 績效。理論上，空間上的因素對於旅運 需求量也會有影響，因此更進一步考量 能夠整合時間及空間之之模式架構是值 得嘗試的方向。 四、計畫成果自評 本研究之原預期目標為先以單一時間數列 為研究目標來進行短期預測模式之構建， 之後再將其擴展至涵蓋多列車服務特性之 整合模式。第一階段之目標已達成，而第 二階段所顯示的績效結果則顯示未來更進 一步嘗試的方向。本研究已於九十二年十 月底於日本福岡所舉行的東亞運輸年會中 發表，並收錄於所屬的期刊。 五、參考文獻
1. Van Arem, B., Kirby, H. R., Van Der Vlist, M. J. M. and Whittaker, J. C., Recent advances and applications in the field of short-term traffic forecasting, International Journal of Forecasting, Vol. 13, No. 1, pp. 1-12, 1997.
2. Dougherty, M. S. and Cobbett, M. R., Short-term inter-urban traffic forecasts using neural networks, International Journal of Forecasting, Vol. 13, No. 1, pp. 21-31, 1997.
3. Lachtermacher, G. and Fuller, J. D., Backpropagation in time-series forecasting, Journal of Forecasting, Vol. 14, pp. 381-393, 1995.
4. Kaastra, I. and Boyd, M., Designing a neural network for forecasting financial and economic time series, Neurocomputing, Vol. 10, No. 3, pp. 215-236, 1996.
5. Sun, X., Brauner, E. and Hormby, S., A large scale neural network for airline forecasting in revenue management. In G. Yu (eds.), Operations Research in the Airline Industry, Kluwer, Boston, 1997.
LE E O Avg Integrated model 12 20.3 20.2 17.5 19.4 MAPE
東亞運輸學會論文研討會（EASTS
Conference）
成大交管系，李治綱，2003/11/2。
地點：日本博多
時間：10/29~11/1, 2003
主辦單位：東亞運輸學會（EASTS）
協辦單位：日本國土地、基礎設施、
與運輸省，福岡市，九
州大學，九州鐵道公
司，西日本鐵道公司等
研討會內容：四百餘篇論文發表，
三天共九十三場次（10/29 三十五場
次，10/30 二十六場次，10/31 三十
二場次）
。討論內容包括下列各式各
樣之運輸課題：
Transportation ModesPara-transit, Motorbike and Non-motorized Transport
Railway and Rail Transit
Bus Operation and Services Air Transportation
Water Transportation Highway and Road Traffic Flow Modeling
Transportation Demand Modeling Urban Road System
Transportation System Management Traffic Control Systems and Policy Transportation Demand Management Implementation of ITS
Physical Distribution and Logistics Transportation and the Environment Traffic Accidents and Road Safety Regional Economy and Finance Land Use and Spatial Analysis Privatization and Financing Issues in Transportation Economics Project Evaluation
Project Management ODA
Transportation Policy and Planning Public Transportation Policy and Finance Master Plan
Disaster History
專題討論：兩項專題報告與討論—
機車問題與開發中國家之旅運行
為。
參觀訪問：分四組進行，個人參加
「由布院（Yufuin）之交通改善」。
由布院是一個觀光景點，經常交通
擁擠；近年，實施「結駁服務（Park
and Ride）
」與「輕軌鐵路（Tram） 」
，
交通顯著改善。
與會心得：個人發表之論文共計四
篇：
1. An artificial neural network approach to forecast short-term railway passenger demand
2. Scheduling of train driver for Taiwan Railway Administration
3. Simulation analysis on the dispatching operation of rail transit
