跳到主要內容

臺灣博碩士論文加值系統

(35.153.100.128) 您好!臺灣時間:2022/01/19 04:40
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:李穎
研究生(外文):Ying Lee
論文名稱:類神經網路應用於國道客運班車旅行時間預測模式之研究
論文名稱(外文):Development of freeway bus travel time forecasting model using artificial neural networks
指導教授:魏健宏魏健宏引用關係
指導教授(外文):Chien-Hung Wei
學位類別:碩士
校院名稱:國立成功大學
系所名稱:交通管理學系碩博士班
學門:運輸服務學門
學類:運輸管理學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:140
中文關鍵詞:類神經網路智慧型運輸旅行時間高速公路
外文關鍵詞:FreewayTravel timeArtificial Neural NetworksIntelligent Transportation Systems
相關次數:
  • 被引用被引用:63
  • 點閱點閱:3442
  • 評分評分:
  • 下載下載:1236
  • 收藏至我的研究室書目清單書目收藏:8
摘 要

由於車輛持有率提高,道路交通狀況愈形壅塞;國道路網逐漸形成,路徑選擇行為亦趨複雜;道路事件頻繁,影響車流順暢等種種因素使得高速公路旅次的旅行時間不確定性亦相對的提升。
為降低旅行時間的不確定性,提升高速公路運輸服務品質,本研究融合國道客運班車GPS資料、車輛偵測器資料、事件資料等真實資料,以類神經網路法尋找各項資料來源其參數與旅行時間之關係,構建國道1號西螺至永康交流道路段之旅行時間預測模式。西螺至永康路段切分數段後,融合與該路段相關的三類資料來源,各路段分別構建自屬之預測模式。模式構建的同時亦分別探討四種不同切分方式其旅行時間預測績效。另構建少量資料即可運作的旅行時間預測模式,因應未來資料取得不便的可能狀況。
最後以真實車流資料對模式輸出結果進行充分驗證,組合各路段預測模式的方式,滿足了實際生活中各個區間使用者需求、匝道進出車流影響與不同路段長度與特性的考驗,彰顯出模式在各種狀況下的穩定性以及未來實務應用階段的準確可靠能力。實證分析分別從使用者觀點與管理者觀點採用不同評估指標加以驗證,確認了類神經網路於國內高速公路旅行時間預測之實務應用可行性與高度準確性,亦將國內智慧型運輸系統的發展願景向前推進。
Abstract

Due to the increasing amount of vehicles and incidents and the road networks becoming more complex, the uncertainty of travel time is raising year by year.
In order to reduce the uncertainty of travel time, this research fuse the real time traffic data to build a travel time forecasting model using artificial neural networks. The traffic information involves the GPS data of bus, the data of vehicle detector and the data of incident. The section of highway in this research is from Xi-luo to Yong-kang interchange. It was divided into several segments for model building. The effects of four separating ways to the travel time forecasting are discussed. To fulfill various needs, alternative forecasting models are constructed as well using fewer data sources.
After model building, validation could assess how effective the model is in the real traffic condition. In validation, it discusses the model forecasting ability in different distances with various origin and destination pairs. In comparing real bus travel times with the forecasted travel times, four criteria are employed to evaluate the models. The empirical results indicate stable and reliable performance of the proposed forecasting models. While more validations are required, this study shows very promising practical applicability of the proposed models in the Intelligent Transportation Systems (ITS) context.
目 錄
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 4
1.3 研究範圍與限制 5
1.4 研究內容與方法 7
1.5 研究流程 11
第二章 文獻回顧 12
2.1 類神經網路 12
2.1.1 類神經網路概念 12
2.1.2 類神經網路於交通領域之應用 13
2.2 旅行時間相關文獻 14
2.2.1 公車之旅行時間預測方面 16
2.2.2 都市幹道旅行時間預測 16
2.2.3 快速道路、高速公路旅行時間預測 17
2.3 類神經網路於旅行時間預測之應用 20
2.4 預測技術與資料融合相關文獻 27
2.4.1 預測技術 27
2.4.2 資料融合 28
2.5 國內外先進資訊與旅行時間資訊計劃 30
2.5.1 國內方面 30
2.5.2 國外方面 34
2.6 事件資料分析 35
第三章 模式理論 37
3.1 類神經網路 37
3.1.1 類神經網路分類與網路架構 38
3.1.2 類神經網路在交通運輸之應用 40
3.1.3 倒傳遞網路 42
3.2 旅行時間預測模式架構 44
3.2.1 資料蒐集與處理 45
3.2.2 旅行時間預測模式研究架構 48
第四章 資料分析 54
4.1 資料來源與處理 54
4.2 資料融合 60
4.3 資料特性分析 64
4.3.1 客運車輛GPS資料 64
4.3.2 車輛偵測器資料 70
4.3.3 事件資料 73
第五章 模式構建與績效評估 82
5.1 模式構建準備工作 82
5.1.1 模式構建原則 82
5.1.2 模式應用工具 82
5.2 模式績效評估準則 84
5.3 路段切分探討 85
5.4 總體資料融合模式構建 87
5.5 客運車輛與事件資料融合模式構建 88
5.6 車輛偵測器與事件資料融合模式構建 90
5.7 模式績效結果分析 93
第六章 實證結果分析 97
6.1 實證方式與程序 97
6.2 實證分析 99
6.2.1 實證分析-平均每車旅行時間誤差 102
6.2.2 實證分析-平均每車旅行時間誤差絕對值 103
6.2.3 實證分析-平均每車旅行時間誤差率 104
6.2.4 實證分析-平均每車旅行時間絕對誤差率 105
6.2.5 實證分析-水上至麻豆路段 108
6.2.6 小結 111
第七章 實務應用方向 113
7.1 先進用路人資訊系統 114
7.2 先進大眾運輸系統 116
第八章 結論與建議 120
8.1 結論 120
8.2 建議 123
參考文獻 125
附錄A 模式計算結果 129
參考文獻
1.王晉元、林至康、陳駿逸、林家盛、陳建名、劉穹林,「公車到站時間預估模式建立與實作」,公車動態資訊應用設計競賽論文集,第105-124頁,民國91年4月。
2.交通部運輸研究所,大眾運輸車隊管理系統核心模組之規劃與建置,民國90年7月。
3.交通部運輸研究所,台灣地區公共運輸技術現況及引進先進技術之可行性,民國82年7月。
4.林士傑,高速公路旅行時間預測模式之研究-類神經網路之應用,成功大學交通管理研究所,碩士論文,民國90年6月。
5.林鄉鎮,高速公路小汽車駕駛者跟車行為之研究-以虛擬實境(VR)技術所構建之駕駛模擬系統為工具,成功大學交通管理研究所,博士論文,民國86年。
6.林貴璽,高速公路基本路段容量暨相關影響因素特性之研究,交通大學交通運輸工程研究所,民國75年6月。
7.邱顯鳴,結合車道變換率之事件偵測新演算法研究,台灣大學土木所,碩士論文,民國84年6月。
8.吳佳峰,有GPS資訊提供下之車輛旅行時間預估模式之研究,交通大學運輸工程與管理研究所,碩士論文,民國90年6月。
9.胡守任、陳齊邦、鄭正元、張碧琴、吳忠榮、莊龍文,「公車到站時間預估模式建立與實作」,公車動態資訊應用設計競賽論文集,第125-149頁,民國91年4月。
10.高速公路局,高速公路統計年報,民國89年。
11.張修榕,高速公路旅行時間之研究,中央大學土木工程研究所,碩士論文,民國90年6月。
12.葉怡成,類神經網路模式應用與實作,第七版,儒林圖書公司,民國89年4月。
13.鄭志平,應用衝擊波理論在高速公路封閉部分車道時旅行時間推算之研究,成功大學交通管理研究所,碩士論文,民國81年。
14.魏健宏、王勝石,「人工神經網路應用於車牌辨識之研究」,成功大學學報,第30卷,第199-213頁,民國84年11月。
15.魏健宏、陳奕志,「類神經網路模式在國內交通運輸研究之成果評析」,運輸計畫季刊,第30卷,第2期,第323-348頁,民國90年6月。
16.魏健宏、林士傑、李穎,「高速公路事件延時特性分析-以中山高速公路北部路段為例」,投稿「土木水利季刊」已接受刊登,民國90年10月。
17.Abdelfattah, A. M. and Khan, A. M. “Models for Predicting Bus Delays,” Transportation Research Record, No. 1623, pp. 8-15, 1998.
18.Al-Deek, H. et al., ”Travel Time Prediction for Freeway Corridors,” Prepared for Presentation at the 78th Transportation Research Board Annual Meeting, Washington, D. C., 1999.
19.Chen, M. and Chien, I. J., “Dynamic Freeway Travel Time Prediction Using Probe Vehicle Data: Link-based vs. Path-based,” Proceeding of Transportation Research Board Annual Meeting, Washington, America, Jan. 2001.
20.Chien, I. J., Ding, Y., and Wei, C. H., “Dynamic Bus Arrival Time Prediction with Artificial Neural Networks,” Journal of Transportation Engineering, September 6, 2001.
21.Choi, K., Shin, C. H., and Park, I., “An Algorithm for Calculating Dynamic Link Travel Times Using GPS and A Digital Road Map,” 5th ITS World Congress, 1998.
22.Dougherty, M. S., “Guest Editorial: Applications of Neural Networks in Transportation,” Transportation Research, Part C, Vol. 5, No. 5, 1997, pp. 255-257.
23.Gately, E. Neural Networks for Financial Forecasting, New York: Wiley, 1996.
24.Hellinga, B., and Fu, L., “Route Selection Considering Travel Time Variability,” 6th ITS World Congress, 1999.
25.Hobeika, A. G. and Lee, S. K., “An Adaptive Strategy for Dynamic Route Guidance Systems Under Incident Conditions,” 5th ITS World Congress, 1998.
26.Ivan, J. N. et al., “Real-Time Data Fusion for Arterial Street Incident Detection Using Neural Networks,” Transportation Research Record, No. 1497, pp. 27-35, 1995.
27.Ivan, J. N., “Neural Network Representations for Arterial Street Incident Detection Data Fusion,” Transportation Research, Part C, Vol. 5, No. 34, pp. 245-254, 1997.
28.Iwasaki, M. and Satto, K., “Short-term prediction of speed fluctuations on a motorway historical patterns,” 6th ITS World Congress, 1999.
29.Jasperse, D. and Toorenburg, J. V., “Real-Time Estimation of Travel-Times and Queue-Lengths A Practical Study,” 6th ITS World Congress, 1999.
30.Jung, H. Y., Bae, S. and Shim, Y., “Development of A Dynamic Model for ATIS Application,” 5th ITS World Congress, 1998.
31.Keechoo, C., “Travel time estimation algorithm using GPS probe and loop detector data fusion,” 80th Annual Meeting of the Transportation Research Board, 2001.
32.Kim, H., Cohi, K. and Ahn, B., “Evaluation of Estimated Shortest Travel Time in Dynamic Traffic Network Using TRAF-NETSIM,” 6th ITS World Congress, 1999.
33.Kloot, G., “Melbourne’s Arterial Travel Time System,,” 5th ITS World Congress, 1998.
34.Lee, Y. I. And Choi, C. Y., “Development of a Link Travel Time Prediction Algorithm for Urban Expressway,” 5th ITS World Congress, 1998.
35.Lee, Y. I., “Prototype of Traffic Information Center for Seoul,” 5th ITS World Congress, 1998.
36.Lewis, C. D. Industrial and Business Forecasting Method, 華泰書局, pp.38-41, 1982.
37.Matsumura, S., Yamashita, H., Iwaki, S. and Sugimura, H., “Experimental verification of travel-time prediction method,” 5th ITS World Congress, 1998.
38.Otokita, T., Oda, T., and Hashiba, K., “Travel Time Prediction Based on Pattern Extraction from Database,” 5th ITS World Congress, 1998.
39.Palacharla, P. V. and Nelson, P. C., “On-Line Travel Time Estimation using Fuzzy Neural Network,” 2nd ITS World Congress, 1995.
40.Park, D. et al., “Spectral Basis Neural Networks For Real-Time Travel Forecasting,” Journal of Transportation Engineering, pp. 515-523, Nov/Dec, 1999.
41.Paterson, D. and Rose, G., “Dynamic travel time estimation on instrumented freeway,” 6th ITS World Congress, 1999.
42.Shin, C. H. and Kim, S. H., “Development of Low-cost AVI System and a Travel Time Estimation Algorithm for the Olympic Expressway Traffic Management System in Seoul,” 5th ITS World Congress, 1998.
43.Suzuki, H. et al., ”A Neural-Kalman Filter for Dynamic Estimation of Origin-Destination (O-D) Travel Time and Flow on a Long Freeway Corridor,” Prepared for Presentation at the 79th Transportation Research Board Annual Meeting, Washington, D. C., 2000.
44.TransGuide Expands its Traveler Information: A Discussion with TxDOT’s Brian Friello, Newsletter of the ITS Cooperative Deployment Network, http://www.nawgits.com/icdn/tgupdate.html.
45.You, J. and Kim, T. J., “Toward Developing an Expert GIS-Based Travel Time Forecasting Model With Congestion Pattern Analysis,” 5th ITS World Congress, 1998.
46.Zietsman, J. and Rilett, L. R., ”A Comparison of Aggregate and Disaggregate Based Travel Time Estimation for Sustainability and ATIS Systems Applications,” Prepared for Presentation at the 79th Transportation Research Board Annual Meeting, Washington, D. C., 2000.
47.www.jartic.or.jp/traffic/roadtrafficinfo.html
48.www.transguide.dot.state.tx.us/index.php
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top