臺灣博碩士論文加值系統

　　隨著車輛數的快速成長，以及在高速公路上經常發生的壅塞情況和交通事故等，已造成相當嚴重的時間延滯與社會成本損失。利用即時交通資料以預測未來高速公路的旅行時間，是智慧型運輸系統先進旅行者資訊系統中不可或缺之交通資訊。準確交通資訊之提供可協助高速公路用路人選擇適當之路徑與出發時間，避開擁擠車流，同時可選擇最短之旅行時間到達目的地，發揮高速公路之整體績效。
　　本研究融合國道客運班車GPS資料、車輛偵測器資料、事故發生資料等真實數據，透過類神經網路構建事故延時預測模式。再結合事故延時預測構建高速公路路段旅行時間預測模式，以期提供精準之旅行時間預測，藉此作為用路人路徑選擇或是出發時間決策判斷之依據。
　　經由反覆的測試與校估之結果可知，本研究所構建事故延時預測模式績效為10.70%，屬於「優良預測」等級；事故影響下旅行時間預測模式績效為5.79%-28.16%，均屬於「合理預測」等級；一般狀況下旅行時間預測模式績效為8.27%-14.72%，均屬於「優良預測」等級。因此本研究於高速公路旅行時間之提供方面，可做為交通相關單位參考。

　　With the rapid increase of motor vehicles, freeway has incline to capacity. Once the traffic congestion and accidents occur on freeway, it will cause huge time delay and social cost. When we use real time traffic information to forecast future travel time on freeway, it is the desriable information for Advanced Traveler Information System (ATIS) of the Intelligent Transportation Systems (ITS). Providing the appropriate traffic information would allow drivers to make a decision on appropriate routes and departure time to avoid congestion. This traffic information can help drivers to select the shortest travel time and elaborate the whole effects for freeway network.
　　This research fuses the real time traffic data which involve the GPS data of bus, the data of vehicle detector and the data of accident to build an accident delay forecasting model using artificial neural networks. This accident delay model is thus applied to build the travel time forecasting models of the links of the freeway.
　　After repeatedly testing and revising, the MAPE value of accident delay forecasting model constructed in the research is 10.70%, belonging to “good forecasting” level. The MAPE values of travel time forecasting models with accidents are 5.79% to 28.16%, belonging to “reasonable forecasting” level. The MAPE values of ordinary travel time forecasting models are 8.27% to 14.72%, belonging to “good forecasting” level. Based on the resulting performance, this research can be applied to real-time freeway travel time estimation.

摘要I
誌謝III
目錄IV
圖目錄VI
表目錄VII
第一章　緒論－1
1.1　研究動機－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－6
1.5　研究流程－8
第二章　文獻回顧－9
2.1　資料融合相關文獻－9
2.1.1　資料融合介紹－9
2.1.2　資料融合技術應用－10
2.2　旅行時間相關文獻－13
2.2.1　統計分析方式之相關文獻－13
2.2.2　理論分析方式之相關文獻－15
2.3　事件延時預測相關文獻－17
第三章　資料融合－19
3.1　資料融合技術－19
3.2　路況資訊整合概述－29
3.2.1　交通資訊中心與路況資訊之整合－30
3.2.2　路況資訊整合之問題－31
3.2.3　不同資訊來源路況資訊整合之研究內容－32
3.3　事故延時預測模式架構－33
3.4　旅行時間預測模式架構－35
第四章　資料蒐集與分析－37
4.1　資料來源與處理－37
4.1.1　車輛偵測器資料－37
4.1.2　事故資料－43
4.1.3　客運車輛GPS資料－46
4.2　資料特性分析－48
4.2.1　車輛偵測器資料分析－48
4.2.2　事故資料分析－54
4.2.3　和欣客運車輛GPS資料分析－60
4.3小結－66
第五章　模式構建與績效評估－68
5.1　模式構建－68
5.1.1　模式建構準備－68
5.1.2　模式應用工具－70
5.1.3　類神經網路績效評估準則－71
5.2　事故延時預測模式－73
5.2.1　模式變數說明－73
5.2.2　事故延時預測模式建構－74
5.3　旅行時間預測模式－78
5.3.1　模式變數說明－78
5.3.2　事故下旅行時間預測模式建構－79
5.3.3　一般狀況下旅行時間預測模式建構－82
5.4　小結 －85
第六章　結論與建議－87
6.1　結論－87
6.2　建議－88
參考文獻－90

1.沈良珍，「高速公路事故發生對車流衝擊之即時預測」，台灣大學土木工程研究所，碩士論文，民國88 年6 月。
2.李穎，「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」，成功大學交通管理研究所，碩士論文，民國91 年6 月。
3.吳金杰，「融合偵測器與探測車資料預測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93 年6 月。
4.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。
5.周文賢著，多變量統計分析SAS/STAT使用方法，智勝文化事業有限公司，民國91 年。
6.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。
7.林良泰、張修榕、黃宏仁，「以衝擊波分析道路施工影響之研究」，第五屆運輸安全研討會，民國87 年11 月。
8.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」，成功大學交通管理科學系，博士論文，民國86 年。
9.高速公路局，高速公路統計年報，民國94 年。
10.張學孔、吳英立、廖兆奎，「公車專用道公車旅行時間與延滯特性之分析」，運輸學刊，第9 卷，第1 期，第23-40 頁，民國85 年3 月。
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.陳順宇，多變量分析，華泰書局，民國87 年。
13.陳順宇，廻歸分析，華泰書局，民國86 年。
14.曾莉莉，「高速公路動態路段旅行時間函數之研究」，中央大學土木工程學研究所，碩士論文，民國84 年7 月。
15.黃守琮，「運用探針車與偵測器資料融合估計車輛旅行時間之研究」，淡江大學運輸管理學系，碩士論文，民國93 年6 月。
16.黃志偉，「高速公路肇事處理時間預測之研究-應用類神經網路分析」，中央大學土木工程研究所，碩士論文，民國91 年6 月。
17.葉怡成，應用類神經網路，儒林圖書公司，民國89 年。
18.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82 年7 月。
19.魏健宏、林士傑、李穎，「高速公路客運車輛旅行時間預測之實證評析」，運輸計劃季刊，第32 卷，第4 期，第651-680 頁，民國92 年12 月。
20.魏健宏、汪志忠、黃文鑑、鄭子玔，「台北市公車專用道旅行時間預測之初步研究」，TAIWAN’S International Conference and Exhibition on ITS 2000，民國89 年5 月。
21.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」，運輸計劃季刊，第30 卷，第2 期，第323-348 頁，民國90 年。
22.Anderson, J. A., An introduction to neural networks, MIT Press, Cambridge, 1995.
23.Antony, R. T., Principle of data fusion automation, Artech House, Boston, 1995.
24.Coifman, B., “Vehicle Re-Identification and Travel Time Measurement in Real-Time on Freeways Using Existing Loop Detector Infrastructure,” Transportation Research Record, No. 1643, pp. 181-191, 1998.
25.Chen, M. and Chien, S. I. J. “Dynamic Freeway Travel Time Prediction Using Probe Vehicle Data: Link-based vs. Path-based,” Transportation Research Record, No. 1768, pp. 157-161, 2001.
26.Chen, T. Y., Lin, C. T. and Fang, M. W., “Application of Grey Relational Analysis to Evaluate Shopping Mall Projects in Taiwan,” The Journal of Grey Systems, Vol. 13, No. 4, pp. 327-338, 2001.
27.Choi, K. and Han, W., “KORTIC: An Implementation of a Korea Traffic Information Center over Metropolitan Seoul Region,” 4th ITS World Congress Proceedings, Berlin, Germany, 1997.
28.Dai, X. and Khorram, S., “Data fusion using artificial neural networks: a case study on multitemporal change analysis,” Computers, Environment and Urban Systems, Vol. 23, No. 1, pp. 19-31, 1999.
29.Dailey, D. J., Harn, P. and Lin, P. J., ITS DATA FUSION, Washington State Department of Transportation, 1996.
30.Hall, D. L., Mathematical techniques in Multisensor data fusion, Artech House, Boston, 1992.
31.Hellinga, B. and Fu, L., “Assessing Expected Accuracy of Probe Vehicle Travel Time Reports,” Journal of Transportation Engineering, Vol. 125, No. 6, pp. 524-530, 1999.
32.Lo, H. K., Luo, X. W. and Siu, B. W. Y., “Degradable transport network: Travel time budget of travelers with heterogeneous risk aversion,” Transportation Research, Part B, Vol. 40, No. 9, pp. 792-806, 2006.
33.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.
34.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.
35.D’Angelo, M. P., Al-Deek, H. M. and Wang, M. C., “Travel-time Prediction for Freeway Corridors,” Transportation Research Record, No. 1676, pp. 184-191, 1999.
36.Messer, C. J. , Dudek, C. L. and Friebele, J. D., “Method For Predicting Travel Time and other Operational Measures in Real Time During Freeway Incident Conditions,” HRR461, pp. 1-16, 1973.
37.Michalewicz, Z., Genetic algorithms + data structures = evolution programs, Springer, Berlin, 1992.
38.Nelson, P. C., Application of neural networks to data fusion: a feasibility study, Transportation research board, 1996.
39.Ricardo, G. R. , Maria, L. L. G. , Alejandro, N. A. and Doroteo, V. R., “A continuous whole-link travel time model with occupancy constraint,” European Journal of Operational Research, Vol. 175, No. 3, pp. 1455-1471, 2006.
40.Saporta, G., “Data fusion and data grafting,” Computational statistics & data analysis, Vol. 38, No. 4, pp. 465-473, 2002.
41.See, L. and Abrahart, R. J., “Multi-model data fusion for hydrological forecasting,” Computer geosciences, Vol. 27, No. 8, pp. 987-994, 2001.
42.Sohn, S. Y. and Lee, S. H., “Data fusion, ensemble and clustering to improve the classication accuracy for the severity of road traffic accidents in Korea,” Safety Science, Vol. 41, No. 1, pp. 1-14, 2003.
43.Wei, C. H. and Lee, Y., “Travel time forecasting model development using data fusion,” Proceedings of the sixth Asia Pacific-ITS Forum (CD-ROM), Taipei, Taiwan, 2003.
44.Yang, Z. S., Jian, F. and Bao, L., “Study on the Data Fusion Technology in Advanced Public Transportation System,” 9th ITS World Congress Proceedings, Chicago, USA, 2002.
45.Zurada, J. M., Introduction to Artificial Neural Systems, PWS publishing company, 1995.