國立臺灣大學工學院土木工程學系 碩士論文
Department of Civil Engineering College of Engineering
National Taiwan University Master thesis
高速公路多時階旅行時間預測之研究
A Study of Multi-Step Ahead Travel Time Prediction on Freeway
薛雅云 Hsueh, Ya-Yun
指導教授：張堂賢 教授 Advisor: Prof. Chang Tang-Hsien
中華民國 103 年 6 月
June, 2014
I
誌謝
轉眼間來到台北讀書生活已經兩年，在這兩年裡能順利地完成論文首先要感 謝的是我的指導教授張堂賢老師，從碩一暑假進到 ITS Lab 開始，老師就在咪聽 或課堂中讓學生接觸許多不同的研究課題，使我們能從其中慢慢尋找自己有興趣 的研究方向並培養實作的能力，特別感謝老師在研究的過程中給予相當寶貴的指 導與建議。另外我也要感謝我的口試委員許聿廷老師與陶治中老師，謝謝老師們 在口試時指出論文中需改進的地方，並給予建議幫助我釐清論文撰寫的表達方式，
讓我的論文可以更臻完整。
而接下來我要感謝瓅凱學長與嘉宏學長，謝謝兩位學長多次不厭其煩地跟我 討論進行研究時的遇到的困難、協助我解決程式撰寫的問題以及在口試前幫忙口 試預演等等，而除了論文的協助之外，兩位學長也教導我面對問題的處理態度與 應對方式，使我受益良多。此外，也特別感謝高公局的曾仁松學長協助提供本論 文所需的研究資料。
在兩年碩士生涯中，感謝有大張家族的同學軒宇、于翔共同討論課業與論文 進度，從兩位身上學到了很多，還有學弟宜儒、東宏、俊廷、哲浩、宏誠，317 的姿君與岱凝，朋友謝歪、心柔、小班、老大、伊彣等，因為有各位的陪伴讓我 能愉快地度過碩士生涯。
最後我要感謝的我的家人，在我到台北讀書這兩年裡家裡發生了很多事情，
謝謝你們總是替我著想，讓我可以說是沒有後顧之憂的完成學業，透過每次與你 們的通話都可以獲得滿滿前進的動力，謝謝你們。在此謹以此論文獻給所有曾幫 助過我的人，並期望未來能對社會盡一點小小的貢獻。
2014 年 7 月 台北公館
II
摘要
提供旅行者必要的交通資訊以作為路徑選擇的決策依據為先進旅行者資訊 系統(ATIS)的主要目的，旅行時間資訊為交通資訊中相當重要的資訊之一，而依 旅次預計出發時間查詢起迄點的旅行時間資訊為旅行者於行前規劃路徑時的重 要需求，因此為提供符合旅行者需求的交通服務資訊，本研究提出一複合式旅行 時間預測模式以進行未來多時階的旅行時間預測演算，於不同預測時間範圍採用 不同預測方法進行旅行時間預測以提高預測準確度。
本研究的複合式旅行時間預測模式共包含三個演算模組，分別為異常資料處 理模組、資料融合模組與旅行時間預測模組，異常資料處理模組針對離群與漏失 資料做前處理，而資料融合模組是以 VD 資料和 ETC 資料進行資料融合，目的 為提升演算資料的準確度，旅行時間預測模組則分別以歷史資料和即時資料構建 兩卡曼濾波預測模式(KF1、KF2)，以歷史資料構建傅立葉轉換預測模式(DTFT)。
本研究分別建立以 KF1 和 DTFT 所組合的複合式預測模式一與以 KF2 和 DTFT 所組合的複合式預測模式二，建立方式為將預測時間長度分為短期與長期兩個時 間範圍，並比較預測模式於不同預測時間長度的預測績效以建立合適的長短期門 檻值並決定預測模式適用的時間範圍。
以國道一號林口交流道到中壢交流道為路徑範圍，分別以不同日型態(平常 日、周末日)進行測試，結果顯示兩複合式旅行時間預測模式的預測績效皆比單 一預測模式佳，且長短期門檻值會依不同日型態而有所不同，而比較兩複合式預 測模式於不同日型態的預測績效後，本研究建議平常日採用複合式預測模式一進 行旅行時間預測，周末日採用複合式預測模式二進行旅行時間預測。
關鍵字：多時階、旅行時間預測、複合式模式、資料融合
III
Abstract
The primary objective of Advanced Traveler Information System (ATIS) is providing travelers the necessary traffic information as decision guidance of route selection, and travel time information is one of the most important traffic information;
querying travel time based on trip departing time is indispensable demand when travelers doing pre-trip planning. Hence, in order to provide traffic information which meets the need of travelers, this study proposes a "Hybrid Travel time Prediction Model" to forecast multi-step ahead travel time, applying different prediction methods within different prediction periods to conduct travel time prediction to improve prediction accuracy.
Hybrid travel time prediction model includes abnormal data processing module, data fusion module and travel time prediction module. The abnormal data processing module is for addressing outlier and missing data interpolation. The data fusion module fuses VD data and ETC data to improve the accuracy of input data. The travel time prediction module respectively constructs two Kalman Filter prediction models (KF1, KF2) with historical data and real-time data, and a Fourier Transform prediction model with historical data (DTFT). This study proposes hybrid prediction modelⅠwith KF1 and DTFT, hybrid prediction modelⅡwith KF2 and DTFT, dividing prediction length into short-term and long-term, and comparing performance of prediction models to decide the threshold and applicable prediction models for both short-term and long term prediction.
With respect to the tests for different daily traffic profiles (weekday, weekend), the result shows that the performance of the two hybrid travel time prediction models is significantly better than the single prediction model. The result also supports applying the hybrid prediction model Ⅰ in weekday and the hybrid prediction model Ⅱ in weekend.
Key Words: Multi-Step Ahead, Travel Time Prediction, Hybrid Model, Data
Fusion
IV
目錄
誌謝... I 摘要... II Abstract ... III 目錄... IV 圖目錄... VI 表目錄... VIII
第一章 緒論... 1
1.1 研究動機... 1
1.2 研究目的... 2
1.3 研究內容與範圍... 2
1.4 研究流程... 3
第二章 文獻回顧... 6
2.1 先進旅行者資訊系統... 6
2.1.1 國外先進旅行者資訊系統... 6
2.1.2 國內先進旅行者資訊系統... 10
2.2 資料融合... 13
2.2.1 資料融合概述... 13
2.2.2 資料融合應用... 16
2.3 旅行時間預測... 19
2.4 文獻回顧小結... 29
第三章 旅行時間預測模式建構... 31
3.1 異常資料處理模組... 31
3.1.1 線性插補... 32
3.1.2 z 分數(z-score)... 32
3.1.3 異常資料處理流程... 33
3.2 資料融合模組... 34
3.2.1 交通資料特性... 34
3.2.2 路段旅行時間定義... 35
3.2.3 資料融合演算法... 38
3.3 旅行時間預測模組... 39
3.3.1 卡曼濾波法... 39
3.3.2 傅立葉轉換技術... 44
3.3.3 旅行時間預測模組開發... 48
3.3.4 複合式旅行時間預測模式... 54
第四章 演算模式庫實作開發... 59
V
4.1 系統開發環境... 59
4.2 資料庫設計規則... 61
4.3 演算模式庫實作... 66
第五章 數值實驗設計與分析... 69
5.1 實驗範圍... 69
5.2 旅行時間真值取得方式... 70
5.3 績效評估指標... 71
5.4 資料融合模組驗證... 73
5.5 旅行時間預測模式績效評估... 75
5.5.1 卡曼濾波預測方法... 75
5.5.2 離散時間傅立葉轉換預測方法... 80
5.5.3 複合式旅行時間預測模式... 82
第六章 結論與建議... 90
6.1 結論... 90
6.2 建議... 92
參考文獻... 94
VI
圖目錄
圖 1-1 國道北區路網示意圖 ... 3
圖 1-2 研究流程圖 ... 4
圖 2-1 美國休士頓 TranStar 系統即時路況圖 ... 7
圖 2-2 德國 BayernInfo 網站路況圖 ... 8
圖 2-3 VICS 交通資訊地圖顯示方式 ... 8
圖 2-4 Smartway 與 VICS、ETC 關係圖 ... 9
圖 2-5 新加坡 Traffic Smart 網站路況圖 ... 10
圖 2-6 高速公路局即時路況資訊 ... 11
圖 2-7 全國路況中心 ... 11
圖 2-8 整合式交通資訊服務架構示意圖 ... 12
圖 2-9 應用在智慧型運輸領域之資料融合演算法數量 ... 15
圖 3-1 2014/01/03 國道南下全線 VD 速度分布圖 ... 31
圖 3-2 線性插補示意圖 ... 32
圖 3-3 異常資料處理流程 ... 33
圖 3-4 VD 速度軌跡線 ... 36
圖 3-5 VD 旅行時間計算示意圖 ... 36
圖 3-6 資料融合示意圖 ... 38
圖 3-7 線性動態系統關係圖 ... 40
圖 3-8 卡曼濾波演算流程 ... 43
圖 3-9 傅立葉轉換示意圖 ... 45
圖 3-10 不同擬合程度的旅行時間傅立葉轉換曲線 ... 47
圖 3-11 以路段為基礎的旅行時間預測方式 ... 48
圖 3-12 卡曼濾波預測模式一(KF1)輸入變數 ... 49
圖 3-13 卡曼濾波預測模式二(KF2)預測資料 ... 50
圖 3-14 卡曼濾波預測模式(KF1、KF2)流程圖 ... 52
圖 3-15 離散時間傅立葉預測模式(DTFT)流程圖... 53
圖 3-16 複合式旅行時間預測模式長短期門檻值建立流程圖 ... 54
圖 3-17 KF1 與 DTFT 於不同預測時間長度的 MAPE 值曲線 ... 55
圖 3-18 複合式旅行時間預測模式流程圖 ... 57
圖 4-1 Microsoft SQL Server Management Studio Express 畫面... 60
圖 4-2 Eclipse 程式撰寫畫面 ... 61
圖 4-3 旅行時間預測模式 UML 類別圖 ... 68
圖 5-1 旅行時間預測實驗範圍 ... 69
圖 5-2 計算起點交流道通過時間之示意圖 ... 71
圖 5-3 旅行時間真值取得方式示意圖 ... 71
VII
圖 5-4 調整比例 α 次數分配圖 ... 73
圖 5-5 2014/01/02 國一南下全線融合前速度分布圖 ... 73
圖 5-6 2014/01/02 國一南下全線融合後速度分布圖 ... 74
圖 5-7 KF1 平常日與周末日預測績效 ... 76
圖 5-8 卡曼濾波遞推預測結果 ... 77
圖 5-9 2014/01/23(四)不同出發時間的真實路徑旅行時間 ... 77
圖 5-10 KF2 平常日與周末日預測績效 ... 78
圖 5-11 不同時階長度的卡曼濾波預測績效 ... 79
圖 5-12 DTFT 平常日與周末日預測績效 ... 81
圖 5-13 KF1 與 DTFT 平常日旅行時間預測績效比較 ... 83
圖 5-14 KF1 與 DTFT 周末日旅行時間預測績效比較 ... 83
圖 5-15 KF2 與 DTFT 平常日旅行時間預測績效比較 ... 86
圖 5-16 KF2 與 DTFT 周末日旅行時間預測績效比較 ... 86
VIII
表目錄
表 2-1 資料融合方法 ... 15
表 2-2 資料融合技術分析表 ... 18
表 2-3 旅行時間預測技術分析表 ... 28
表 3-1 「站間各車種平均旅行時間」報表欄位說明 ... 37
表 3-2 旅行時間預測方式 ... 49
表 3-3 多階卡曼濾波預測情形 ... 51
表 3-4 複合式旅行時間預測模式的兩種形式 ... 54
表 4-1 資料庫設計規則清單 ... 61
表 4-2 「車輛偵測器原始資料」資料表 ... 62
表 4-3 「交流道里程數」資料表 ... 62
表 4-4 計程資料報表說明 ... 63
表 4-5 「電子收費原始資料」資料表 ... 63
表 4-6 「車輛偵測器融合資料」資料表 ... 64
表 4-7 「卡曼濾波預測速度」資料表 ... 65
表 4-8 「路段旅行時間之傅立葉轉換參數」資料表 ... 66
表 5-1 路徑起迄點間車輛偵測器列表 ... 70
表 5-2 路徑起迄點間收費門架列表 ... 70
表 5-3 MAPE 評估標準 ... 72
表 5-4 相關係數之數值意義說明 ... 72
表 5-5 不同預測模式融合前後的旅行時間預測值 ... 74
表 5-6 不同預測模式融合前後的預測績效 ... 75
表 5-7 KF1 平常日與周末日平均每時階 MAPE 值 ... 76
表 5-8 KF2 平常日與周末日平均每時階 MAPE 值 ... 78
表 5-9 5 個路段全天傅立葉轉換曲線 ... 80
表 5-10 DTFT 平常日與周末日平均每時階 MAPE 值 ... 81
表 5-11 複合式預測模式一平常日與周末日門檻值 ... 84
表 5-12 複合式預測模式一與單一預測模式的平均每時階 MAPE 值比較 ... 84
表 5-13 複合式預測模式一門檻值檢定 ... 84
表 5-14 複合式預測模式二平常日與周末日門檻值 ... 87
表 5-15 複合式預測模式二與單一預測模式的平均每時階 MAPE 值比較 ... 87
表 5-16 複合式預測模式二門檻值檢定 ... 87
表 5-17 兩複合式預測模式平常日與周末日預測績效 ... 88
表 5-18 兩複合式預測模式平常日與周末日預測績效比較的檢定結果 ... 89
1
第一章 緒論
1.1 研究動機
於智慧型運輸系統(Intelligent Transportation System, ITS)的發展中，先進旅行 者資訊系統(Advanced Traveler Information System, ATIS)扮演著提供道路使用者 即時交通資訊的重要角色，而在各項交通資訊中，用路人和管理單位對「旅行時 間預測」資訊服務的感受程度相當高，旅行時間預估可以作為路徑導引的路徑成 本，使用路人能選擇具有最短旅行時間的路徑完成旅次，進而達到路徑導引的目 的，而於交通管理單位方面也能根據旅行時間預估資訊監控整體路網的交通現況，
偵測各路段是否有發生擁塞的情形，進而即時擬定交通控制策略以維持路網的服 務績效，因此旅行時間預估於交通管理中是一項非常重要且不可或缺的資訊。
從使用者需求觀點而言，使用者可能會在真正產生旅次需求前 10 分鐘或前 1 小時使用路徑導引進行旅次前的路徑規劃，因此於建構路徑導引系統或旅行時 間預估服務時需要能讓使用者彈性選擇適合的出發時間，以旅次需求產生時的交 通狀態進行演算得到用路人需要的交通資訊。而於建構旅行時間預測模式時為能 夠反映真實的旅行時時間，需考慮車輛會隨著時間的遞移於不同時間行經路徑中 的不同路段，而將時間與空間的影響因素納入預測模式中以得到真實的旅時間預 測值，提高預測模式的準確程度。
國道佈設密度最高的車輛偵測器(Vehicle Detector, VD)資料目前普遍存在偵 測器故障或量測誤差的問題，這些問題會降低資料的可靠程度，因此若只使用單 一交通資料作為模式資料源會對模式運算結果的準確度造成很大的影響，甚至可 能會造成模式演算的中斷。另外，國道交通資料的蒐集技術除了傳統的迴圈式車 輛偵測器之外，尚有影像式、微波式、雷達式、GPS 探測車以及 ETC 電子收費 門架等多種偵測技術，不同的資料蒐集技術會有不一樣的資料型態以及資料可靠 程度，以速度資料為例，車輛偵測器的速度資料屬於時間平均速度，GPS 探測車
2
和 ETC 資料則屬於空間平均速度，因此交通資料若沒有事先作有效的管理則容 易造成用路人的混淆，也會使管理單位不易擬定適當的交通控制策略。
1.2 研究目的
為了滿足用路人的行前規劃需求且同時提升預測準確度，本研究將建構複合 式國道旅行時間預測模式，以不同演算法建立短期與長期的預測模式並設立合適 的長短期門檻值，本研究將以旅次起點、迄點和預計出發時間作為模式的輸入參 數，經模式演算後得到路徑總旅行時間和預計抵達時間給使用者。本研究的旅行 時間預測模式為了反應車流的續進特性以呈現真實的旅行時間，將會把路徑分成 數個路段，路段為兩相鄰交流道之間的距離，以進入路段起點時間的交通狀態計 算此路段的旅行時間，最後再將各路段的旅行時間加總即能得到路徑旅行時間，
因此為了完成整個路徑的旅行時間計算，在預測模式的輸入資料方面，除了即時 和歷史的交通資料之外，也需要預測未來多個時階的交通狀態。此預測方法須根 據目前交通現況對未來交通狀態作預估，反應交通的動態變化情形。
為改善交通資料來源可靠度問題，本研究將整合車輛偵測器(VD)資料與電 子收費門架(ETC)資料，以提高模式資料源的可靠度為整合目標，根據兩交通資 料的特性設計適當的資料融合演算法，降低車輛偵測器的高故障率和偵測誤差所 帶來的影響。本研究的旅行時間預測模式期望能達到準確性高以及快速演算兩大 目標，提供用路人於旅次前或旅次途中查詢以作為路徑選擇的依據，達到 ATIS 利用發佈即時交通資訊而導引及管理交通量的目標。
1.3 研究內容與範圍
本研究的旅行時間預測模式將分成三個模組，分別為「異常資料處裡模組」、
「資料融合模組」以及「旅行時間預測模組」，異常資料處裡模組的主要目的為 建立一插補機制將偵測器回傳的漏失資料進行插補動作，預防資料漏失中斷預測 模式的情形發生，確保後續的演算流程都能順利進行。而資料融合模組為建立資 料融合演算法整合車輛偵測器(VD)資料與電子收費門架(ETC)資料，將資料整理
3
為適合計算旅行時間的路段資料，最後旅行時間預測模組則以不同演算法建立長 期與短期的旅行時間預測模式，分析各演算法於不同預測時間長度的預測績效，
評估演算法適用的預測時間長度並以此建立長短期門檻值，期望藉由建構複合式 預測模式提高預測績效。
本研究的研究路網範圍為國道一號的北區路段，路徑起點為「林口交流道」， 迄點為「中壢交流道」，全長共 20.2 公里，方向為南下，路徑依交流道和服務區 共分成五個路段區間，國道北區路網示意圖如圖 1-1 所示。
圖1-1 國道北區路網示意圖
資料來源：交通部國道區國道高速公路局網站 http://www.freeway.gov.tw/default.aspx
1.4 研究流程
本研究的研究流程如圖 1-2 所示，首先為界定本研究欲探討的問題，確認該 研究問題的研究內容分項為異常資料處理、資料融合以及旅行時間預測，接著再 藉由蒐集相關文獻回顧過去的研究，以此確立本研究各模組所使用的演算法，並 建立模組之間的架構關係與演算流程，接著再以 Java 程式語言搭配 Microsoft SQL Server 進行模式開發，其中以 Java 進行各模組程式實作，並設計資料庫規
4
則以儲存模式演算時所需的相關資料。於數值實驗設計與分析中將進行模式驗證 工作，檢視旅行時間預測模式的準確性以及資料融合的必要性，若沒有達到預期 標準則再遞迴修正模組的演算法設計，最後提出本研究的結論與建議。
研究問題界定
文獻回顧
研究方法選擇
建構旅行時間預測模式
程式實作與資料庫開發
數值實驗設計與分析
結論與建議 資料融合模組
異常資料處理模組 旅行時間預測模組
遞 迴 修 正
先進旅行資訊系統 資料融合 旅行時間預測
圖1-2 研究流程圖
本研究共有六章，各章節安排如下所示：
第一章為緒論，敘述本研究的研究動機與研究目的，界定本研究問題內容與 實驗路網的範圍。
第二章為文獻回顧，此章內容共分為三個部分，首先為介紹國內與國外先進 旅行者資訊系統的發展現況，接下來為資料融合的定義特性說明以及回顧資料融
5
合應用於各領域的相關研究，最後是旅行時間預測的國內外研究回顧，並小結本 研究各模組欲採用的演算法與應用方式。
第三章為旅行時間預測模式建構，以第二章所決定的演算法建構異常資料處 理模組、資料融合模組以及旅行時間預測模組，於複合式旅行時間預測模式中透 過建立合適的門檻值將預測時間長度分成短期與長期，以不同預測方法進行長短 期的旅行時間預測。
第四章為演算模式庫實作開發，首先介紹本研究模式的系統開發環境以及使 用工具，接下來說明資料庫不同資料表的設計邏輯，而最後為各模組的程式實作 以及不同程式間的串連關係說明。
第五章為數值實驗設計與分析，首先為實驗範圍內的車輛偵測器與電子收費 門架的設備位置說明，接下來進行資料融合演算法的驗證工作，最後為各旅行時 間預測模式的實驗測試與預測績效評估，以不同星期別進行測試，再根據不同旅 行時間預測模式於不同預測時間長度的績效表現建構複合式旅行時間預測模式。
第六章為結論與建議，綜合實驗分析結果提出本研究的結論以及未來進行相 關旅行時間預測研究時的建議事項。
6
第二章 文獻回顧
本研究的主要目的為建立國道旅行時間預測模式，並透過融合車輛偵測器 (VD)與電子收費門架(ETC)交通資料提升模式資料來源之可靠度，因此本章文獻 回顧共分成四個小節，2.1 節探討國內外先進旅行者資訊系統發展現況，2.2 節概 述資料融合的定義與特性，再回顧資料融合於各領域的應用成果研究，並分析不 同資料融合演算法的應用特性與限制，2.3 節回顧旅行時間預測相關研究，分析 各種預測方式於建構以路段為基礎的旅行時間預測之可行性，並於最後 2.4 節小 結本研究各演算模組所採用的演算法。
2.1 先進旅行者資訊系統
此節分成兩個部分進行先進旅行者資訊系統(Advanced Traveler Information System, ATIS)的現況分析與探討，第一部份探討國外 ATIS 系統，瞭解其整合性 功能和交通資訊服務形式，第二部分則分項介紹國內較多用路人使用的即時交通 資訊服務以及 ATIS 重點發展計畫。藉由這兩部分探討分析得知用路人於不同旅 次長度的旅行時間預測需求下，管理單位於建構此資訊服務時有二個考量的重點，
首先是在提供客製化服務(Information of Demand, IOD)的同時能維持不同路徑長 度的預測準確度，接下來則為預測演算法需要能達到線上即時運算的目標。
2.1.1 國外先進旅行者資訊系統
國內外交通領域之業管單位於 ATIS 發展過程中，最基礎也是最重要的即是 管轄範圍內的路網運作狀態資訊系統，透過偵測系統、控制系統、策略系統與發 佈系統等子項功能扶持運作，來達成各個時間之交通運作優化等目的。以下針對 歐美地區、日本以及新加坡進行 ATIS 的發展現況進行探討分析。
美國休士頓 TranStar 系統
休士頓 TranStar 系統是一個由德州運輸部、Harris 郡大眾運輸局(Metro)、休 士頓市政府及 Harris 郡政府共同成立的跨組織系統，負責休士頓都會區的交通管
7
理與緊急事件管理之系統與措施，網站提供的交通資訊共有即時交通地圖(包括 CCTV、資訊可變標誌)、路徑規劃、事件和道路封閉訊息、道路天氣、HOV 車 道、個人化訊息提醒等。
圖2-1 美國休士頓TranStar系統即時路況圖
資料來源：http://www.houstontranstar.org/
德國 BayernInfo 網站
其網站名稱雖然為巴伐利亞資訊站，但實際上此網站整合整個歐洲中部阿爾 卑斯山區的路況資訊，包括德國南部巴伐利亞、奧地利、瑞士及義大利北部等區 域，此網站提供的交通資訊包括路網擁塞圖、交通事件資訊、路徑規劃功能、路 況預測資訊以及停車轉乘資訊，其中路網擁塞圖提供目前即時、30 分鐘後、1 小 時候和 1 小時半後的路況資訊，而路徑規劃功能讓使用者輸入起訖點、預計出發 時間或預計抵達時間和經過地點(可以不填)，網站便會以最短距離、最短旅行時 間和最經濟路徑等三種方式進行路經規劃，並以地圖和文字方式呈現規劃結果。
8
圖2-2 德國BayernInfo網站路況圖
資料來源：http://www.bayerninfo.de/
日本-VICS
VICS(Vehicle Information and Communication System)是一個讓用路人可以接 收即時道路交通資訊的道路交通情報通信系統， VICS 的運作架構為透過財團法 人日本道路交通情報中心(JARTIC)和警察單位蒐集交通資料，經由 VICS 中心處 理與編輯後利用無線電波信號柱(Radio-wave beacons)、紅外線信號柱(Infrared beacons)與調頻副載波廣播(FM multiplex broadcast)等三種方式提供給駕駛者，
VICS 提供的即時道路交通資訊共分為五個種類：旅行時間、交通擁塞、交通障 礙如事故和施工、交通管制以及停車場資訊，VICS 的資訊發布顯示方式有文字、
簡易圖形和地圖等三種方式，駕駛者所能接收到的交通資訊等級需視裝設的導航 車載機功能，且不同道路等級也會接收到不同畫面形式的交通資訊。
圖2-3 VICS交通資訊地圖顯示方式
9
日本 Smartway 計畫之目的在於整合日本各項 ITS 之功能(尤其 VICS 與 ETC)及建立車上單元之共同平台，使道路與車輛能藉由 ITS 資訊的雙向傳輸而 成為聰明道路(Smartway)與聰明車輛(Smartcar)，其發展方向為能透過一個智慧型 車載(OBU)元件:如車載機或智慧型手機，經由無縫隙通訊網路(或 DSRC)提供各 種不同的車路整合服務訊息給用路人。日本推動 Smartway 主要目標是建立一個 車路之間能互相溝通的交通環境，利用車路之間的溝通協調，有效避免並降低意 外事故發生，其相關服務包括：前方路況資訊與障礙物通知、合併道路切入輔助 資訊、行車安全與導航地圖整合資訊、停車場管理、無線網路接取等項目，
Smartway 與 VICS、ETC 相互關係之說明圖如圖 2-4 所示。
圖2-4 Smartway與VICS、ETC關係圖
資料來源：交通部運輸研究所「車路整合系統發展趨勢與 ITS 節能減碳關聯之研究」
新加坡 Traffic Smart 系統
新加坡的 Traffic Smart 系統提供的即時交通資訊包括(1)行駛車速：以顏色表 示不同速度區間，且高快速道路與市區幹道顏色代表的意義不同；(2)事件警示：
包括事故、車輛故障、交通擁塞、道路施工和號誌故障等分類；(3)CCTV 和道路 電子收費位置與費率；(4)停車場資訊：包括位置顯示與剩餘車位數。此外新加坡
10
Traffic Smart 的快速道路監控與通告系統(Expressway Monitoring Advisory System, EMAS)為一智慧化事件管理系統，其透過即時偵測事故的發生，快速將事件發生 資訊提供給用路人以最小化事件造成的擁塞，並提升道路安全。
圖2-5 新加坡Traffic Smart網站路況圖
資料來源：http://interactivemap.onemotoring.com.sg/mapapp/
2.1.2 國內先進旅行者資訊系統
目前國道即時交通訊的服務可以透過網頁和手機應用程式(Application, APP) 等方式進行即時查詢，提供的交通資訊包括即時路況、以最短距離或最短時間的 路徑導引規劃、CCTV 路況影像以及氣象資訊等，而目前國內較具用戶數規模者 有高速公路局的即時路況資訊以及交通服務 e 網通，以下將分項進行介紹分析。
另外除了即時交通資訊之外，本研究也將簡介台灣的 ATIS 重點發展趨勢。
高速公局即時路網資訊
高公局的即時路況資訊網頁提供的交通資訊包括即時影像、行車速度、施工 與事件資訊、資訊可變標誌、替代道路、最短距離路徑規劃和最短旅行時間路徑 規劃等，用路人除了可以透過網頁版查詢交通資訊之外，高公局也有發行「高速 公路 1968 標準版」和「高速公路 1968 語音版」供用路人查詢。
11
圖2-6 高速公路局即時路況資訊 交通服務 e 網通
交通部運輸研究所的交通服務 e 網通為交通部於民國 92 委任運輸研究所進 行的「e-IOT 交通服務 e 網通」計畫，計畫成果包括「陸海空客運資訊中心」、「全 國路況資訊中心」和「都市交通資訊中心」，陸海空客運資訊中心提供民眾查詢 城際客運及離島客運班表、票價及搭乘地點等資訊；全國路況資訊中心整合高速 公路局、公路總局、23 縣市政府的即時路況資訊，以及警廣蒐集及發佈即時事件 資訊，並結合 GIS 呈現事件位置；都市交通資訊中心提供各縣市政府發展都市交 通資訊中心及公車動態資訊系統等網站。
圖2-7 全國路況中心
12
交通資訊服務雲基礎建設與應用計畫
我國目前 AITS 之重大發展趨勢為交通部「交通資訊服務雲基礎建設與應用 計畫」計畫案，「交通資訊服務雲基礎建設與應用計畫」為提升即時路況資訊涵 蓋範圍及資訊之更新頻率及準確率、強化即時路況資訊蒐集環境之建置、推廣交 通資訊加值應用服務，惟考量傳統大量佈設固定式車輛偵測器之方式，其建置及 維護更新成本龐大，為利政府投入資源發揮最大效益，並同時能落實上述政策目 標，以配合行政院「雲端運算產業發展方案」之進行推動。
此計劃案目的除建立多元交通即時資訊蒐集系統，擴大資訊蒐集之涵蓋率，
亦期望建立交通資訊品質量測指標及管理制度，改善交通資訊品質，而交通資訊 服務雲初步基礎架構如圖 2-8 所示，在車流導引與分流服務之運作規劃建議中，
需加強 VD 插補模式及調校模式，主要因素在於風景區內 VD 偵測器佈設不足，
因此未來在實施交通管理時，期望能透過『交通資訊服務雲基礎建設與應用計畫』
目的，可提供交通管理中心管人員更為充足的判斷決策資訊。
圖2-8 整合式交通資訊服務架構示意圖
資料來源：『交通資訊服務雲基礎建設與應用計畫』建議書徵求文件
13
2.2 資料融合
資料融合的發展開始於 1980 年代後期，美國國防部(U.S. Department of Defense) 針對偵查、分類、識別、追蹤目標及評估戰略與指揮陸地作戰管理系統，
依其軍事需求與上述提及之功能，而發展出多樣類型之資料融合技術 (Klein, 2001)。資料融合技術的相關研究於近年來受到相當程度的重視，而資料融合技 術也逐漸被應用於各實務領域中，如聲音辨識、影像偵測與天氣監測等，此技術 大幅度地改善偵測誤差的問題而得到一高精準度的偵測融合值。而在交通領域方 面則應用於交通管理與智慧型運輸系統中，如推估路段平均車速、旅行時間預測 以及偵測幹道事件的發生，目前交通資料蒐集技術非常多元，不同技術所偵測到 的資料特性和可靠度都不一致，而透過選定適當的融合目標和融合演算法將可以 提升交通資訊的品質，也可以增加路網的資料涵蓋度。
2.2.1 資料融合概述
在美國華盛頓州交通部(Washington State Department of Transportation)的 ITS 資料融合報告書中，將「資料融合」定義為利用資料處理器整合數個來源的資料，
以提供綜合且精確的資訊(Dailey et al., 1996)。而在美國國防部對「資料融合」的 定義則為一種關於自動偵測、處理、相關、估計及單一或是多種資料來源之整合，
進行多層級、多事件之處理程序(Klein, 2001)。
而根據 Sarma & Raju(1991)的研究，資料融合具有下列特性：
(1) 增加空間與時間的涵蓋率：每個偵測器的偵測範圍不同，藉由整合數個偵測 器的資料可以增加資料於時間與空間維度的完整性。
(2) 提升資料可靠度：當多個偵測器同時偵測同一目標時，可以提高對目標偵測 結果的信賴程度。
(3) 降低資料不確定性：同時從多個偵測器得到的整合資料可以減少對偵測目標 特性進行推論假設的情形發生。
(4) 改善偵測效果：整合對相同目標的數個量測值可以提升偵測的準確度，改善
14
量測誤差與系統雜訊情形。
(5) 增加資料穩定性：當某一偵測器發生故障或者有漏失資料產生，可以藉由其 他偵測器提供資料。
根據美國國防部定義資料融合共分為三個等級，等級一是將原始資料作過濾 或篩選的動作，偵測回傳值如果有不符合合理數值範圍的情形發生，則需要刪除 或用演算法加以修正，增加量測值的準確度，而以國道高速公路所回傳的交通參 數為例，速度值可能會因為車輛進出交流道而減速，故以車輛偵測器資料作為旅 行時間預測模式的資料來源時，應先判斷速度值的合理性，將異於常態車流的速 度值加以修正為符合實際路況的資訊。
等級二是將兩個以上的資料來源根據資料特性擬定權重值加以融合，而得到 較準確且可靠的資訊，目前國道較常見的交通資料偵測技術有車輛偵測器(VD)、
GPS探測車以及電子收費門架(ETC)等資料，每種資料的特性、偵測範圍、回傳 頻率以及準確程度等皆不相同，因此如何整合這些資料供管理者與用路人使用將 是一重要研究課題，資料融合勢必可以大幅度提升即時交通資訊之準確性。
等級三則是將等級二的融合資料作更進一步的說明與應用，例如交通管理 單位可以根據此融合資料告知用路人各路段是否有發生擁塞，並擬定替代道路 方案供用路人選擇與決策以改善擁塞情形，另外管理單位或資訊加值業者也能 用路段融合資料進行旅行時間預測和路徑導引的模式演算，以較準確的演算結 果提升民眾對交通資訊的信賴而達到交通量導引的目的。
根據上述三種之等級定義Linn and Hall(1991)將資料融合演算法分為五大類：
資料關聯、狀態估計、分辨融合、型態辨認及人工智慧，其中較常見的資料融合 技術及分類如表2-1所示。三種融合等級所對應的融合類型分別為：等級一對應 之方法為資料關聯法與狀態預測；等級二應用之技術則有分辨融合與型態辨認；
等級三則以人工智慧法為主。
15
表2-1 資料融合方法
融合等級 融合方法 融合技術
Level 1 資料關聯 Gating Techniques Figure of Merit 狀態估計 Kalman Filters
Level 2 分辨融合
Bayesian Decision Theory
Dempster-Shafer Evidential Reasoning Artificial Neural Networks
型態辨認 Cluster Methods Level 3 人工智慧 Expert Systems
Fuzzy Logic
據Hall & McMullen (2004)針對一系列應用於智慧型運輸系統之資料融合演 算法做統計，各融合類型統計數量分佈如下圖所示，其中以人工智慧與分辨融合 方法所佔之比例較高，而型態辨認則較少數量應用於ITS領域。
圖2-9 應用在智慧型運輸領域之資料融合演算法數量 融合類型
0 5 10 15 20 25 30
Association Estimation Pattern Recognition
Identity Fusion Knowledge- based System
Other
16
2.2.2 資料融合應用
本小節將回顧資料融合的相關研究，探討各資料融合演算法的應用方式，
瞭解各演算法特性與優缺點後再分析其於本研究的適用性。
熵理論 Entropy
2004 年 吳 欣 潔 將 熵 理 論 應 用 於 整 合 車 輛 偵 測 器 與 GPS 探 測 車 資 料 ， 熵 (entropy)最早是物理熱力學中用以度量熱形式能量之物理量，反應系統狀態變化 的情形，是一種衡量紊亂或混亂程度的指標，而後Shannon及Weaver提出信息理 論(Theory of Information)，將熱力學的Entropy概念類比到信息理論中，信息量的 熵值越高代表資料來源的不確性越高，而此研究再以最小化系統的總不確定性為 目標，進行權重值與熵值之間的關係式推導，以此權重值進行資料融合的方式稱 為最佳權重法(The optimal weighting scheme)，另外此研究也以道路服務水準為基 準，發展熵值計算中所需的資料分類方式。
吳瑞豐於2006年的研究中考慮車流為連續性的分布，當某一筆資料落在分類 邊界的附近時，明確分類法將造成偏誤情形發生，而當蒐集的交通資料樣本數不 多時此偏頗情形將更為嚴重，兩組變異數差不多的資料可能會獲得相差相當大的 權重值，因而此研究採用距離權重法來計算分配於各區間的次數，使交通資料符 合連續分布的特性。
張佳雯於2007年的研究中以熵理論為基礎融合車輛偵測器與GPS探測車資 料，建構長路段與短路段的市區行駛速率推估模式，最後經由數值實驗結果證實 此模式在市區的混合車流中具有良好的速度推估能力與穩定性。
羅至浩於2008年以最佳權重法作為資料融合的演算法，並加入資料來源準確 度之量測，於模擬實驗中顯示準確度的加入可以改善融合效果，但此研究於實際 情況應用時須先蒐集各路段之真實值，且假設路段之交通特性不變，是實務應用 的一大限制。
17
Dempster-Shafer 理論
Wu 等人於 2002 年提出權重 Dempster-Shafer 理論(Weighted Dempster-Shafer Theory)，利用聲音以及影像判斷會議中正在講話的人，並比較了線性加總、DS 理論和權重 DS 理論三種融合方法的表現績效，結果顯示三種方皆比單獨用聲音 或影像進行判斷的效果更好，但三種方法的準確性並沒有明顯的差異。
Wu 等人於 2003 年更進一步提出動態權重 Dempster-Shafer 理論(Dynamic Weighted Dempster-Shafer Theory)，以相同的實驗數據比較線性加總、DS 理論、
權重 DS 理論以及動態權重 DS 理論等四種方法，結果顯示以動態權重 DS 理論 融合資料有較高的準確率。
曾治維於 2004 年將 Dempster-Shafer 理論應用於交通資料的融合，其融合的 順序為先調整原始資料，根據樣本數與標準差的特性判斷資料來源中較可靠的目 標資料群，再將另一組資料移動至與目標資料群的平均值相同，但維持資料分布 特性不變，接下來再將資料做群集分類，分類目標為最小化組內差異與最大化組 間差異，最後再以 Dempster-Shafer 理論進行資料融合，模擬結果顯示融合結果 具有良好的績效，但在資料調整階段容易將資料平移至樣本數較大且誤差大的資 料來源，造成融合結果不理想。
類神經網路
2001 年 Cheu 等人使用類神經網路法(Artificial Neural Networks)融合 GPS 探 測車與固定式車輛偵測器的資料，推估主要幹道上的平均車速，於測試範例中使 用了 1032 筆的歷史資料來校估權重，其融合後的結果與單一來源估計相比，可 降低超過 50%的誤差，但其模式無法修正車速因車輛停等紅綠燈所造成的誤差。
林士傑(2001)採用倒傳遞網路(Back Propagation Network, BPN)進行交通資料 融合與旅行時間預測，網路輸入變數包括車輛偵測器資料、GPS 資料、事件資料 以及高速公路幾何資料等，以不同資料類型組合以及時間序列資料建構出 6 種類 神經網路預測模式，而為了能解決多種資料來源的不同資料更新時間問題，此研
18
究研擬以 GPS 資料之車輛起點時刻為準，找出相對應的事件、偵測器以及交通 特性等資料作為預測模式的輸入變數。
吳金杰(2005)的研究中利用微觀車流模擬產生車輛偵測器與探測車資料，建 構使用探測車資料作為單一資料來源的浮動加總旅行時間預測模式，以及融合車 輛偵測器與探測車資料的類神經網路模式，並於數值實驗分析兩種模式於不同車 流量、資料蒐集時距以及探測車比例的參數設定下的表現績效，結果顯示整體皆 以類神經預測模式具有較高精準度且表現較穩定，進而說明了資料融合的重要性。
Bachmann 等人 (2013) 提出 7 種多資料源融合方法以推估高速公路旅行速度，
此研究為了進行嚴謹的資料融合方法比較工作，其交通資料的取得是由大多倫多 地區主要高速公路進行微觀模擬，而真實旅行速度為由每輛裝載 GPS 設備的車 輛通過路側藍芽偵測設施所計算而得，實驗結果顯示大部分資料融合方法都可以 改善準確度，而且類神經融合方法雖然可以產生最高的準確度，但其變異程度較 大而造成整體可靠度降低。此研究最後更進一步說明資料融合的準確度會受到融 合技術、探測車數量以及交通狀態所影響。
表2-2 資料融合技術分析表
演算法 熵理論 Dempster-Shafer 理論 類神經網路
內容
熵為衡量紊亂或混亂程度 的指標，融合程序首先為 計算各資料來源的熵值，
再以最小化系統總不確性 為目標推導熵值與權重之 間的關係式。
融合的順序為先調整原始 資料，使兩資料來源的平 均值相同，接下來再將資 料做群集分類，最後再以 Dempster-Shafer 理 論 進 行資料融合。
模擬人類腦神經機制，使 輸入值能有對應的輸出值 為目標，藉由大量樣本訓 練網路架構。
優點
1.熵值對於交通資料變異 程度的敏感度高
1.理論應用簡單
2.計算時間短，可用於線 上演算系統。
1.模式可以經由學習得到 最佳解
2.可以處理非線性問題
限制
1.只能反映資料來源的混 亂程度，無法確認資料來 源是否準確。
2.資料分類的方式會對熵 值計算造成很大的影響
1.若兩資料來源的平均值 差異甚大，很容易會認同 發生機率較小的集合，而 造成偏誤。
1.訓練時間冗長 2.模式理論不透明 3.參數不易設定
19
2.3 旅行時間預測
目前關於高速公路旅行時間預測有許多不同的演算法，而研究根據 Wu 等人 (2004)的研究中這些預測方法大致上可以分成統計模式(statistical models)與分析 模式(analytical models)，其中統計模式包括迴歸分析法、時間序列法以及類神經 網路法，而分析模式則包括最近鄰分群法。此節將分項進行迴歸分析法、類神經 網路法、k-NN 法、卡曼濾波法、頻率分析法以及複合式演算法的國內外文獻回 顧，以了解不同預測演算法的應用特性與限制。
迴歸分析法
迴歸分析(Regression Analysis)為統計學中處理自變數對應變數影響程度的 一種分析方法，自變數可以為屬質資料或者屬量資料，應變數則為屬量資料，線 性迴歸可以根據自變數的個數分為簡單線性迴歸(Simple Linear Regression)與多 元線性迴歸(Multiple Linear Regression)，其他迴歸分析方法還包括對數線性迴歸、
非線性迴歸、自回歸移動平均模型(Autoregressive Moving Average model, ARMA) 以及差分自回歸移動平均模型(Autoregressive Integrated Moving Average model, ARIMA)等。
Rice 等人(2004)的研究為在確定從旅次起點離開時間的情況下，提供一個預 測高速公路給定路段所需旅行時間的方法，這個方法是由經驗觀察得到未來時間 點的旅行時間與目前狀態的旅行時之間存在線性關係，並利用歷史資料結合目前 交通資料去預測旅行時間，假如旅行者在查詢時間開始旅次且當中交通沒有巨大 的變化的話，研究實驗比較主成分分析(Principal components)、最近鄰分群法與 線性迴歸法三種預測方法，得到的結果是不論預測目前時間或是預測一小時後，
線性迴歸法的表現皆比其他兩種好，其誤差在兩種情況下皆小於 10%，最近鄰分 群法的表現則緊追在後。
Wu 等人(2004)的研究展示應用 SVR(Support Vector Regression)於旅行時間
20
預測的可行性，以及證明 SVR 在交通資料分析上的表現績效良好。支持向量機 (Support Vector Machines, SVM)是由 Vapnik 根據統計學習理論提出的一種新的 機器學習方法，此方法主要應用於分類(Classification)以及時間序列的預測，SVM 概念為在訓練樣本中找出一個超平面(hyperplane)將兩個不同的集合分開，並且 最大化 margin，超平面的一般式是 𝑓(𝑥) = 𝑤 ∗ Ф(𝑥) + 𝑏，Ф(𝑥)是一個將資料映 射到高維特徵空間的非線性映射，並在這個空間進行線性迴歸，SVR 與 SVM 不 一樣的是此平面代表能準確預測資料分布的平面。此研究實驗部分的交通資料是 由中研院的 Intelligent Transportation Web Service Project(ITWS)計畫所提供，實驗 選擇三種不同距離長度的旅行時間預測，分別為台北到中壢(45 km)、台北到台中 (161 km)以及台北到高雄(350 km)，實驗結果顯示不同距離下 SVR 皆具有非常良 好的預測能力，而且隨路段長度增加，預測誤差也隨之下降。
Billings & Yang(2006)嘗試採用差分自回歸移動平均模型進行城市路段的旅 行時間預測，此研究使用 ARIMA 模式是因為交通資料的非穩態特性且其能處理 隨時間遞移的隨機時間序列，案例研究的地點是明尼蘇達 194 州際高速公路的路 段，時間是 2005 年 07/18~07/22 以及 07/25~07/29 的下午尖峰時段，實驗結果顯 示 ARIMA 模式於所有路段皆具有良好表現能力，且尤其在速限較高的 Trinity- Maple Grove section 和 Maple Grove- Haines section 有最佳的預測能力，另外於距 離短且速限低的路段因為交會車流的影響預測誤差較大。
邱孟佑(2010)根據道路服務水準以將蒐集的交通資料進行交通狀態的分類，
再採用迴歸分析技術建構不同交通狀態的旅行時間預測模式，此作法除了可以簡 化預測模式之處理之外，迴歸模式之校估係數也可以瞭解路段幾何和交通特性對 旅行時間增減的影響，提供管理者擬定控制策略之依據。此預測模式以 ETC 旅 行時間為係數校估對象，並考慮車輛會於不同時間抵達不同路段區間，其模式的 自變數為不同路段於不同時階的交通狀態所對應的旅行時間，確定應變數和因變 數後再以 NNLS(NonNegative Least Square)進行迴歸模式校估，於模式應用時需
21
再進行時空續進推導，並以類神經網路進行訓練獲得未來時階的交通狀態預測值。
洪偉勛於 2013 年的研究中以迴歸分析法建構國道五號的旅行時間預測模式，
以兩相鄰交流道區間分別建立其南北向和平日假日的迴歸模式，此模式以車輛偵 測器(VD)測得速率所推估的旅行時間作為自變數，再以 GPS 客運車輛的實際旅 行時間作為應變數建立線性迴歸模式，之後便能將 VD 回傳之交通參數帶入此關 係式完成旅行時間推估動作，而此研究提出空間平滑法與時空平滑法兩種 VD 旅 行時間的計算方式，其中時空平滑法具有時間遞移的概念。此研究的實驗結果顯 示預測模式績效優良且兩種 VD 旅行時間推估方式所對應的績效沒有明顯差異。
類神經網路
類神經網路(Artificial Neural Networks, ANN)是一種模仿生物腦功能的機制，
其為模仿生物神經網路的計算系統，類神經網路透過大量相連的處理單元組成網 路，每個處理單元都可以都從外界獲取資訊，並透過權重衡量每個來源資料的重 要性，此演算法的最大的特色在於能夠學習、有極大的容錯能力、優良辨識能力、
可分散式儲存知識。
Dia (2001)利用物件導向類神經網路模式(Objected-oriented neural network) 的 Time-lag Recurrent Network (TLRN)預測短期旅行時間，相較於前饋式類神經 網路模式的多層感知器 multilayer perceptron (MLP)，TLRN 具有延伸的記憶架構，
適合處理時間序列資料如預測問題、系統辨識與時空模式識別等。此研究的實驗 範圍是澳大利亞 Pacific 高速公路，預測模式的輸入資料為上下游的流量與速度 資料，結果顯示預測未來 5 分鐘的速度具有 90-94%的準確度，預測未來 15 分鐘 的旅行時間具有 93-95%的準確度，證明了使用物件導向網路模型於短期旅行時 間預測的可行性。
van Lint 等人(2002)提出 State-Space Neural Network(SSNN)於預測高速公路 旅行時間，由於旅行時間預測是需要考量流量、速度和密度之間的複雜非線性時 空關係，因此在不同交通狀態下是需要不同數量的時間序列變數作為類神經網路
22
的輸入變數，而前饋式類神經網路(feedforward neural network)輸入層的時間序列 變數數量為不可變動的，因而此研究嘗試採用回饋式類神經網路(recurrent neural network)解決此問題，並由旅行時間預測問題的狀態空間模式化決定網路拓樸型 式，數值實驗將 SSNN 應用於荷蘭高速公路並得到低於 10%的誤差表現。
van Lint 等人(2005)考量資料來源的穩健性是建構即時旅行時間模式時的關 鍵因素，因此結合 State-Space Neural Network(SSNN)以及事前插補策略來建構高 路公路旅行時間預測架構，此研究將漏失資料分成三種類型，分別為意外故障 (incidental (random) failures)：指的是高速公路監控系統的電力或通訊短暫性故障；
結構故障(structural failures)：指嵌入式迴圈或路測設備的實體損壞或維修；內在 故障(intrinsic failure)：指偵測器本身量測雜訊及誤差，實驗結果顯示 SSNN 在簡 單的插補程序如指數預測或空間插補等仍然具有穩健的預測績效。
在國內研究方面，魏健宏等人於 2001 年分析類神經網路於國內交通運輸之 研究成果，綜合評析類神經網路演算法應用於交通領域的功能特性包括分類與歸 類、最佳化以及預測功能，其中預測功能的相關研究課題有駕駛人行為模擬、旅 運預測與和車輛控制等，由於類神經網路模式對於描述非線性的變數關係具有相 當良好的表現能力，因此適合處理問題較複雜或函數型態不確定情形，如預測未 來時間的車流量變化或旅行時間等。
2002 年李穎的研究中以類神經網路建構國道 1 號西螺至永康交流道的旅行 時間預測模式，融合車輛偵測器資料、國道客運班車 GPS 資料以及事件等真實 資料，為了能滿足用路人不同旅次長度的旅行時間預測需求，此研究將預測路徑 以四種方法分成數個路段而進行個別路段的預測模式建構，並探討不同分法對預 測績效的影響程度，而這四種方法為兩相鄰交流道、適當之等空間距離、適當之 等旅行時間距離以及幾何特性與交通瓶頸特性，最後實驗結果顯示以相等旅行時 間為路段長度切割績效較佳。
許政憲(2006)進行事故影響下旅行時間預測的探討研究，先建構事故延時預
23
測模式，再分成有事故影響和沒有事故影響的高速公路旅行時間預測模式，此研 究以平均絕對誤差作為模式評估指標，事故延時預測模式的績效屬於優良預測等 級，而事故影響下與沒有事故影響下的旅行時間預測模式績效分別屬於合理預測 等級和高精準預測等級，證明類神經演算法於事故延時預測的適用性。
何旺宗(2010)以類神經網路演算法建構高速公路事件延遲時間預測模式，選 擇車輛偵測器資料、事件資料、時間與環境資料以及道路幾何特性資料作為預測 模式的輸入變數，且先將資料進行篩選與格式化的動作以便網路訓練與預測，案 例顯示類神經網路對於事件延遲時間具有一定的預測能力。
k 最近鄰法
k 最近鄰法(k-Nearest Neighbor Method, k-NN Method)是由最近鄰分群法 (Nearest Neighbor Classification)的概念發展延伸而得，最近鄰分群法是於 1977 年 所提出的一種分類方法，此分類方法為在已知分類的數量下，將具有類似特性的 樣本分類至族群中。
Smith & Demetsky (1997)建構了四種方法進行高速公路流量的預測：歷史平 均法、時間序列法、類神經網路法以及 k-NN 法，其中 k-NN 法為將目前流量與 資料庫中的歷史流量，以 Euclidean distance 找出 k 個最相近的歷史值平均作為預 測值，數值實驗採用 Wilcoxon 等級符號檢定(Wilcoxon signed-rank test)證明 k-NN 法的誤差顯著小於其他預測方法，且較少有高估或低的情況發生。
Robinson & Polak (2005)提出了四點建立 k-NN 模型時應該先設定的條件，
參數設定分別為(1)決定模式中的特徵向量：特徵向量為要進行比對的項目，例如 可以是速率或流量；(2)利用加權法減少 k-NN 模式的誤差：由於不同特徵向量的 單位不同，為使不同單位的特徵向量在距離計算中有相同的貢獻須設定加權值；
(3)設定距離量度(distance metric)：亦即決定即時資料與歷史資料之間的距離計算 方式，須根據不同的情境設計適合的距離量度；(4) 決定判斷類似樣本的數量：
使用最小平均絕對誤差率(MAPE)或者最小均方根誤差(RMSE)的判斷樣本數量 k。
24
蔡繼光(2009) 研究的資料來源為偵測器所量測的即時交通資訊和電子收費 系統 ETC 資料，藉由 k-NN 方法找出與目前資訊相似的歷史資料交通型態分類，
使用對應的旅行時間做為目前的旅行時間預測，其中旅行時間資料庫是由較準確 的 ETC 資料所建立，過去關於研究 k-NN 旅行時間預測為單一時間點的交通資 料比較，此篇研究則注重於多個時間點的交通資料比較，計算即時資料前推半個 小時與歷史資料每半個小時的交通型態差異，並訂定時間門檻(time window)為比 較時間的前後兩個小時。此研究的實驗範圍為龍潭到樹林收費站(短路段)與龍潭 到後龍收費站(長路段)，分別以單點時間與多點時間進行測試，在短距離的測試 實驗結果發現多時間點不論是以星期分群或是以日期分群，結果都比單時間點為 佳，而若針對多時間點 k-NN 法而言，以星期別進行分群都比以日期別分群的表 現績效較佳。
卡曼濾波技術
卡曼濾波(Kalman Filter)是一套線性濾波的遞推公式，用於即時估計及預測 系統狀態(State Estimation and Forecasting)，藉由觀測值更新系統狀態方程即可以 將卡曼濾波應用於預測問題。
Chen & Chien(2001)以卡曼濾波技術建構旅行時間預測模式，比較以路徑為 基礎(path-based)和以路段為基礎(link-based)的旅行時間計算方式對預測準確度 造成的影響。實驗地點為紐澤西主要運輸路廊 I-80 公路，共包含 9 個路段 5 個 交流道，此研究採用 CORSIM 模擬軟體以 1%的 GPS 探測車比例模擬得到早上 尖峰兩小時的車流資料，再以 GPS 探測車的旅行時間作為預測模式的輸入變數，
其實驗得到的結論是在正常車流的情況下 path-based 的預測績效比 link-based 佳，
推測原因可能是實驗車流環境沒有加入事件因素，而 link-based 方法比較可以反 應出事件對旅行時間造成的影響，另外實驗結果也顯示探測車旅行時間會隨著道 路需求增加而提升變異程度，進而造成預測誤差增加。
Chien 等人(2003)的研究中指出旅行時間會受到交通量、地理幾何型態、速
25
限、事件、車種組成和天氣情況等多項因素影響，若要建立這些因素與旅行時間 的關係式是一件相當困難且複雜的工作，因此此研究提出以卡曼濾波建立動態旅 行時間預測模式，達到持續更新旅行時間預測值的目標。此研究的資料來源與模 式準確度評估皆是由車流模擬軟體進行，預測模式的觀測值是由探測車平均旅行 時間獲得，而描述系統狀態變化關係的系統狀態係數是由歷史資料推得，假設過 去的旅行時間變化形態與目前相似。實驗評估顯示此預測模式具有滿意的結果，
並提出幾點能提升預測演算法穩健度的研究方向，首先是量測雜訊與系統雜訊的 共變異數應隨真實交通資料變化，此校估方式會比將共變異數設定為常數更能提 升準確度；接下來是應更進一步探討系統狀態係數與測測準確度之間的關係，準 確度的平均值和變異數都應透過統計分析作檢視，最後是演算法需要在不同交通 情況下做測試與校正，找出最佳的預測值更新時間以瞭解即時交通變化。
Kuchipudi & Chien(2003)考量在都市交通環境下的旅行時間是具有高度隨機 性且隨時間而有所不同，因此為了能反應不同交通狀態變化情形，此研究研擬在 不同時間切換不同預測模式以期達到最佳的預測績效，因而提出結合 link-based 和 path-based 的複合式動態旅行時間預測模式，並且以卡曼濾波作為預測演算法，
而複合式模式的建構方式為當 link-based 或 path-based 在某時間區間具有最小預 測誤差就會被指派為當時間區間的預測演算法。預測模式的資料來源是紐約州高 速公路的即時及歷史資料，根據中央趨勢以資料分佈中間 85%資料作為觀測值 而將誤差資料濾除，處裡真實資料中可能會發的資料漏失或偏誤問題，實例結果 顯示以 path-based 預測早晨加上以 link-based 預測其餘時段會有最小預測誤差，
且證明資料的事前處理對於預測準確度有相當大的影響程度。
Liu (2012)整合簡單指數平滑方法以及卡曼濾波以進行動態旅行時間預測，
簡單指數平滑方法應用上的缺點在於無法反應非重現性如事故的車流變化情形，
因此於此研究以卡曼濾波最佳化隨時機變化的平滑係數。以高速公路路段進行數 值實驗顯示此研究所提出的方法可以有效地追蹤非重現性的交通變化，而且不會
26
使預測值過度敏感的變化。
頻率分析技術
訊號分析技術中常應用傅立葉轉換(Fourier Transform)進行訊號頻率的解析，
於旅行時間預測問題中藉由該技術可以描繪出歷史旅行時間的曲線型態，透過掌 握歷史資料的變化趨勢可以應用於預測旅行時間。
郭中天(2002)結合 GPS 資料與 GIS 系統建立公車旅行時間預估模式，依使 用者的不同需求建構長期與短期的公車旅行時間模式以提高預測準確度，於長期 模式應用動態隨機性最短路徑問題的路段旅行時間平均值與變異數，將路段旅行 時間使用傅立葉轉換導出其動態變化，而在短期預測模式中則採用遞迴最小平方 法以準確性、強健性及穩定性為目標建構最佳的預測模式。模式驗證採用複合式 公車路線進行分析，結果顯示長期與短期皆屬於優良預測模式，但模式計算所得 之 MAE 會隨著預測站數增加誤差也跟著增大，實例分析建議長期與短期預估模 式之分界點可以訂為 35 分鐘，亦即使用者欲在 35 分鐘內搭乘公車時則採用短期 預測模式演算公車旅行時間資訊，而若使用者欲查詢 35 分鐘以後的公車資訊則 以長期預測模式進行演算。
陳寶如(2006)考量使用者對於旅行時間資訊有不同時間長度的需求，以成本 為考量選擇卡曼濾波模式、遞迴最小平均模式和頻域分析法中的傅立葉轉換模式 建構即時、短期和長期的市區旅行時間預測。於各模式參數校估部分，卡曼濾波 的雜訊方差矩陣R1和量測雜訊方差矩陣R2參數是以基因演算法進行校估，而遞 迴最小平方模式是以理想之 MAPE 作為收斂條件，如果不符合則再增加 0.1 的 遺忘因子直到求得最佳的遺忘因子，傅立葉轉換則同樣是以理想之 MAPE 值為 收斂條件，以決定傅立葉波形疊加個數。此研究最後以台北市市區主要路段為研 究對象，得到星期一和星期五應以遞迴最小平方模式預測未來 5 分鐘，以傅立葉 轉換預測未來 5 分鐘至 1 小時 20 分，以卡曼濾波器預測 1 小時 20 分以上的需 求，而星期二到星期四則是以傅立葉轉換預預測未來 2 小時 45 分內的需求，以
27
卡曼濾波器預測 2 小時 45 分至 5 小時 45 分，5 小時 45 分以上則用遺忘因子之 最小平方模式進行預測。
複合式演算
Makridakis 和 Hibon 首先於 1979 年進行時間序列預測方法比較的研究，以 大量主要的時間序列方法結合 111 種跨領域的時間序列資料用於比較的研究當 中，研究主要結論為簡單的方法如指數平滑會比複雜的方法更具有良好的預測績 效，但由於此結論與當時認定的觀念有所衝突而較不被大眾所接受，因而 Makridakis 等人接下來持續進行一系列時間序列預測方法的比較研究 (1982- 2000)，得出幾點重要的結論：(1)統計上複雜的方法並不一定會比簡單的方法得 到更準確的預測結果；(2)結合不同方式的複合式演算法會比採用單一方法更能 提升準確度；(3)不同方法的準確度會根據預測的時間長度有所不同。
28
表2-3 旅行時間預測技術分析表
演算法 迴歸分析法 類神經網路 k 最近鄰法 卡曼濾波法 頻域分析
內容
建立一個或多 個解釋變數與 應變數之間的 迴歸關係，關 係式係數由大 量歷史資料推 估而得
模擬人類腦神 經機制，使輸 入值能有對應 的輸出值為目 標，藉由大量 樣本訓練網路 架構
先將資料做分 群，透過即時 資料與歷史資 料做比對，找 出 k 筆最相近 歷史值的平均 作為預測值
動 態 隨 機 系 統，由觀測值 進行系統狀態 逐步修正，以 遞迴方式進行 下一時階旅行 時間預測
將資料由時域轉 為頻域，再轉換 為時域進而描繪 波形，透過波形 疊加掌握歷史資 料變化，藉以預 測未來旅行時間
輸入項
1.旅行時間 1.速度 2.流量
1.速度 2.流量
1.旅行時間 2.系統誤差 3.量測誤差 4.系統狀態
1.旅行時間
輸出項 1.旅行時間 1.旅行時間 1.旅行時間 1.旅行時間 1.旅行時間
優點
1.具有統計理 論基礎 2.線上即時預 測
1.可以處理非 線性問題
1.當歷史資料 有遺漏或錯誤 時，能適時利 用其他歷史資 料作彌補 2.資料經過分 群後能大幅減 少搜尋時間、
增加預測速度
1.線上即時預 測
2.遞迴推估參 數
1.可處理非線性 問題
2.理論模式明確 3.演算效率高
限制
1.預測之旅行 時間多屬於瞬 時旅行時間 2.迴歸關係式 只適用於特定 地點
1.訓練時間冗 長
2.模式理論不 透明
3.參數不易設 定
1.搜尋相似資 料過程較複雜
1.參數不易設 定
2.只能處理線 性問題
1.快速傅立葉轉 換的輸入資料筆 數有限制 2.離散傅立葉轉 換計算複雜度高
資料來源:本研究整理
29
2.4 文獻回顧小結
檢視國外先進旅行者資訊系統的發展現況可以發現即時交通資訊中旅行時 間預估為一項相當重要的交通資訊，其能作為路徑導引的路徑成本，讓用路人能 選擇以最短旅行時間進行路徑導引，而其中部分國家提供的路徑導引或旅行時間 預估服務可以讓用路人根據其旅次需求彈性選擇出發時間，滿足用路人未來不同 時間長度的資訊需求，但反觀目前國內的路徑導引或旅行時間預估僅能查詢目前 時間的資訊，不利於用路人做行前的規劃，因此本研究將建構國道旅行時間預測 模式以滿足用路人的行前旅次規劃需求。
本研究的旅行時間預測模式包含三個模組，分別為異常資料處理模組、資料 融合模組與旅行時間預測模組。異常資料處理為考量偵測器會因為連線中斷或偵 測器故障等問題造成回傳資料遺漏，而若直接以未經處理的原始資料作為預測模 式的資料源可能提升預測誤差或甚至造成預測程序無法進行，因此將建構異常資 料處理模組以偵測及處理異常資料。而資料融合模組則是藉由融合車輛偵測器 (VD)資料與電子收費門架(ETC)資料以提升資料來源的可靠度，由於此兩種資料 的資料型態、偵測器佈設形式與資料精準度皆不相同，而本章探討的資料融合演 算法各有其特性與應用上的限制，因此本研究將根據其資料特性建立合適的融合 演算法，以提升資料準確度為融合目標整合 VD 與 ETC 資料。
根據 Makridakis 等人的大量實驗研究結果發現並沒有任何預測方法對於所 有預測時間範圍都具有最佳的預測績效，隨著時間序列的形式、預測時間長度等 不同情況下各有其適用的預測模式，建議應隨不同預測時間長度選擇不同的模式，
因此本研究的旅行時間預測模式在不同預測時間長度的考量下將以複合式預測 模式提升預測準確度，選擇卡曼濾波和頻率分析技術中的傅立葉轉換建構長期與 短期的預測模式，其中卡曼濾波可以透過即時觀測值反映交通狀態，以遞迴方式 預測下一時階的旅行時間，具有線上即時預測的優點，而傅立葉轉換則是可以描 繪歷史旅行時間的動態變化，將時間代入動態隨機性旅行時間預測模式即可以快
30
速計算未來旅行時間，因此本研究將以這兩種演算法為基礎分別建構旅行時間預 測模式，評估其於不同未來時階的預測績效以建立合適的長短期門檻值，以期複 合式預測模式能達到最佳預測績效。
31
第三章 旅行時間預測模式建構
本章將對於旅行時間預測模式各模組所採用的演算法進行說明，3.1 節說明 處理漏失資料與離群資料的異常資料處理模組演算法，3.2 節為根據 VD 與 ETC 資料特性所建立的資料融合模組演算法，3.3 節則分別以傅立葉轉換技術與卡曼 濾波法建構旅行時間預測模式，並說明長短期門檻值建立方式以建構複合式旅行 時間預測模式。
3.1 異常資料處理模組
本研究將異常資料分成兩種類型，分別為漏失資料(missing data)與離群資料 (outlier data)。漏失資料指的是車輛偵測器沒有回傳值，造成漏失資料產生的可能 原因有兩種：高速公路監控系統的電力或通訊短暫性故障，或者是偵測器本身損 壞或維修，前者的話漏失資料可能於任意偵測器的任意時間出現，而若是後者漏 失資料則會於特定偵測器長時間的出現；而離群資料指的是回傳的資料異常過大 或異常過小，造成離群資料的原因為偵測器本身具有量測雜訊或誤差。
下圖為 2014/01/03 國道南下全線的 VD 五分鐘速度分布情形，可以看出許多 VD 全天或部分時階沒有回傳值，交通資料的漏失比例約為 25%，因此在如此高 的資料漏失比例下若沒有事先進行異常資料處理，將會造成旅行時間預測模式的 績效降低以及使程式無法繼續運行。
圖3-1 2014/01/03國道南下全線VD速度分布圖
