跳到主要內容

臺灣博碩士論文加值系統

(3.235.120.150) 您好!臺灣時間:2021/07/31 15:08
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

我願授權國圖
: 
twitterline
研究生:蕭聖怡
研究生(外文):Sheng-YiHsuao
論文名稱:通訊異常情況下公車預估到站時間之研究
論文名稱(外文):The Study of Bus Arrival Time Prediction under Link Malfunction
指導教授:林佐鼎林佐鼎引用關係
指導教授(外文):Tzuoo-Ding Lin
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:2012
畢業學年度:100
語文別:中文
論文頁數:82
中文關鍵詞:回饋式類神經網路時間稽延回饋式類神經網路一般影響指標公車預估到站時間
外文關鍵詞:Recurrent Neural Networks (RNN)Time-delay Recurrent Neural Networks(TDRNN)General Influencethe prediction of bus arrival time
相關次數:
  • 被引用被引用:0
  • 點閱點閱:385
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
為提供民眾即時資訊,現今公車動態系統資訊利用3G無線通訊技術進行定位、車況與行駛狀況等等之資料傳輸,並提供民眾一便利的大眾運輸環境。然而目前受限於通訊技術之頻寬、訊號覆蓋範圍、天候以及發送與接收點之間障礙物等因素,造成定位系統發生異常,資訊無法即時傳送,導致智慧型站牌與其他相關設備無法提供正確即將到站之公車資訊,候車民眾之權益與心理也受到負面影響。因此,若能根據現有相關資料推估出可能到站之時間,將提能提高公車之服務品質。
目前國內針對此狀況,系統採取之方式為自動抓取下一輛到站之公車資訊,其相關公車動態資訊顯示之設備(例如電子站牌、手機APP程式與公車動態資訊網站等)即顯示下一輛到站之公車預估到站時間,而非真實即將到站之公車資訊,導致等候時間顯示呈現錯誤資訊。
有鑑於此,本研究欲插補這些遺失之公車資訊,並即時提供與民眾。以台中市中港路一段與二段為主要研究區域,其為台中市最為壅塞之主要幹道之一,並以83路公車到站顯示時間為主要研究目標。而變數資料來源主要來自於台中市公車動態資訊系統、台中市交通管理系統與中央氣象局。
本研究為利用類神經網路分析模式之回饋式類神經網路(Recurrent Neural Networks,RNN)與時間稽延回饋式類神經網路(Time-delay Recurrent Neural Networks,TDRNN)作為公車預估到站時間之推估,最後利用平均誤差百分比絕對值 (Mean Absolute Percent Error,MAPE)最後之推估結果評估。另外,本研究利用一般影響指標(General Influence,GI)探討研究中所設定變數之影響力,其中影響力最高為公車位置-經度變數(GI=0.314)、第二為中港大墩VD車流量(GI=0.2483)、第三為中港河南VD車流量(GI=0.22431)、第四為83路進離站時間變數(GI=0.21126)、第五為中港河南VD車速度(GI=0.17021)…,並且依照影響力的大小放入不同變數個數於模式中(本研究採取前7名、前12名與前18名),於最後與完整放入本研究設定之變數作誤差值比較。結果顯示公車位置為最重要之影響變數,各型態放入回饋式類神經網路與時間稽延回饋式類神經網路之誤差百分比介於6.8%~30%之間,通訊異常持續時間越長,則誤差越大,且不同問題型態與不同模型所產生之結果差異亦甚大。

The Dynamic Bus Information System is one of the most important urban transportation systems. It provides a convenient transportation environment for the passenger. However, the link malfunction will cause the system fail, and the passenger will get the wrong bus information. The 3G communication system is the signal transmission way of the bus and the central system. For the reason, many factors will make interrupt, like the thunder, the obstacles and the range of the signal. When the Bus Dynamic Information System malfunction occurs, the system will not only show wrong bus information, but also detect the next arrival bus, not the upcoming arrival bus as the bus prediction arrival time, then the electronic stop, the APP program and the website will show the wrong information.
This study tried to fill up the missing data of bus information. The Taichung Port Road (from Liming Road to Wuquan Road) which is the busiest road of Taichung City would be our study area. The route 83’s prediction arrival time is our study object. Moreover, the historical data of the Bus Dynamic Information System, Transportation Information system and Central Weather Bureau is the study information source.
Time-delay Recurrent Neural Networks (TDRNN) and Recurrent Neural Networks (RNN) are our main research methods to explore the problem. The input variables include the bus operating data, the stop and the vehicle detector collection information. In addition, the General Influence (GI) is used to measure the influence of the output variables by the input variables. At last, we compared the MAPE for the different numbers of the input variables. (7, 12, 18 and all).
According to the value of GI, the top five effective input variables are the longitude of bus (GI=0.314), the flow of the VD- Taichung Port Rd. /Dadun St. (GI=0.2483), the flow of the VD- Taichung Port Rd./Henan Rd.(GI=0.22431), the arrival/departure time of the rout 83(GI=0.22431) and the speed of the VD- Taichung Port Rd./Henan Rd. (GI=0.17021). The result shows that the bus location is the most important variable, and the MAPEs are between 6.8%~30% in the different model and different issue. The longer time of the communication system malfunction occurs, the error is greater.

第一章  緒論 1
1.1 研究背景與動機 1
1.2 研究目的 7
1.3 研究對象與限制 8
1.3.1 研究範圍 8
1.3.2 對象採取 10
1.3.3 時間範圍 10
1.3.4 研究限制 10
1.4 研究內容 11
1.5 研究流程 13
第二章  文獻回顧 16
2.1 遺漏值插補 16
2.1.1 相關文獻 16
2.1.2 小結 21
2.2 旅行時間相關之研究方法 21
2.2.1 相關文獻 21
2.2.2小結 24
2.3 時空資料與變數之探討 26
2.3.1 相關文獻 26
2.3.2 小結 27
2.4 綜合分析 28
第三章  研究方法 29
3.1 類神經網路分析 29
3.1.1類神經網路分析之分類 31
3.1.2探討旅行時間之類神經網路模式 36
3.2 一般影響指標(General Influence,GI)39
3.3 平均誤差百分比絕對值 (Mean Absolute Percent Error, MAPE) 40
第四章  研究設計 41
4.1 問題設計 42
4.2 資料處理 48
4.2.1資料來源與型態 48
4.2.2變數項目與處理 49
4.3 類神經網路模型參數 54
4.4 類神經網路軟體-NeuroSolutions.5 55
第五章  研究結果分析 57
5.1 道路幾何統計資料 57
5.2 模式參數之設定 58
5.3 RNN與TDRNN之預估模式結果 60
5.4 一般影響指標(General Influence)之計算 63
5.5 調整後之RNN與TDRNN之誤差 68
5.6 小結 74
第六章  結論與建議 77
6.1 結論 77
6.2 建議 78
參考文獻 80
中文部分:
1.王國河(2002),「整合叢集與迴歸技術以處理大型資料庫遺失值問題之新方法」,國立成功大學交通管理研究所碩士論文。
2.方守潔(2004),「兩車碰撞事故之肇事鑑定專家系統」,逢甲大學交通工程與管理研究所碩士論文。
3.李穎(2002),「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」,國立成功大學交通管理研究所碩士論文。
4.李典晏(2005),「以站間準點為目標之公車到站時間預估與號誌優先控制整合開發研究」,國立成功大學交通管理研究所碩士論文。
5.李鈺雯(2005),「都市幹道動態旅行時間推估與交通偵測設施佈設準則之研究」,淡江大學運輸管理學系碩士班碩士論文。
6.吳佳峰(2001),「有GPS資訊提供下之車輛旅行時間預估模式之研究」,國立交通大學運輸工程與管理學系碩士班碩士論文。
7.吳盟分(2011),公路公共運輸現況及展望,國立成功大學專題演講。
8.林鈺翔(2010),「利用時空資料插補車輛偵測器遺漏值之研究」,國立中央大學土木工程學研究所碩士論文。
9.周建良(2007),「校車位置與到站時間預估語音查詢系統之研究」,國立中央大學土木工程學系碩士學位論文。
10.胡守任、陳齊邦、鄭正元、張碧琴、吳忠榮、莊龍文(2002),「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,頁125-149。
11.郭中天(2003),「公車到站時間暨複合路線旅行時間預估模式之研究」,國立台灣大學土木工程學研究所交通工程組碩士論文。
12.陳信木、林佳瑩(1996),「調查資料之遺漏值的處置—以熱卡插補法為例」,中央研究院人文社會科學研究中心調查研究專題中心研究論文。
13.陳建名(2004),「有GPS資訊提供下之公車旅行時間之研究」,國立交通大學運輸工程與管理學系碩士班碩士論文。
14.陳一昌、黃運貴、楊智凱、張芳旭、朱珮芸、陳賓權、張益城、蔣敏玲(2004),「智慧型運輸系統(ITS)應用技術現況(2002~2003)及最新發展趨勢」,交通部運輸研究所。
15.陳曉涵(2007),「以時空資料探勘技術找出都會區交通路網瓶頸點的模式」,國立交通大學資訊科學與工程研究所碩士論文。
16.翁慈宗(2009),「資料探勘的發展與挑戰」,科學發展月刊,第442期,頁32-39。
17.張惠汶(2002),「利用公車GPS 定位資料推估路段行車速率之研究」,國立交通大學運輸工程與管理學系碩士班碩士論文。
18.張斐章、張麗秋、黃浩倫(2003),類神經網路:理論與實務,東華出版社。
19.張晉瑞、薛憲文(2006),探討資料採礦技術應用於時空資料分析之研究, EC2006電子商務與數位生活研討會。
20.張靖志(2007),「運用探針車與空間分析方法於市區道路服務水準評估之研究 -以桃園縣蘆竹鄉中正路至南崁路路段為例」,國立台灣大學地理環境資源學研究所碩士論文。
21.黃雅芳(2003),「應用資料採礦技術於資料庫加值中的插補方法比較」,國立政治大學統計學研究所碩士論文。
22.葉怡成(1990),類神經網路模式應用與實作,第七版,儒林圖書公司。
23.廖梓淋(2009),「利用資料填補概念探討車輛偵測器佈設間距」,國立中央大學土木工程學研究所碩士論文。
24.歐俊輝(2007),「旅行時間預測模式之建構-以市區公車為例」,清雲科技大學經營管理研究所碩士論文。
25.蘇芷凡(2004),「資料採礦之實務—心血管疾病之交互作用與用藥分析」,國立政治大學統計學研究所碩士論文。
英文部分:
1.Chien, I. J., and Wei, C. H. (2002), “Dynamic bus arrival time prediction with artificial neural networks, Journal of Transportation Engineering, Sep/Oct, Vol. 128, issue: 5, pp.429-438.
2.Delurgio, S. A. (1998), “Forecasting principles and applications, McGraw-Hill.
3.Ding, Y., Chien, S. I., and Wei, C. H. (1999), Dynamic Transit Arrival Time Prediction Using Link-Based and Stop-Based Artificial Neural Networks (Revised Version), Submit to Transportation Research, October.
4.EI-Geresy, B and Jones, C. (2000), “Models and Queries in a spatio-temporal GIS, In GIS and Geocomputation, , pp.27-39.
5.Howes, P. and Crook N.(1999),“Using input parameter influences to support the decision of feedforward neural networks, Neurocomputing 24, pp.191-206.
6.Jarjees, F. G. (2002), “Prediction of vehicle travel times and traffic conditions, a doctoral dissertation of technology of Sydney, pp. 199-230.
7.Thomas, G.B. (1999), “The Relationship between Detector Location and Travel Characteristics on Arterial Streets, ITE Journal, Vol.69, pp.36-42.
8.Warner, B. and Manavendra, M. (1996), “Understanding Neural Networks as Statistical Tools, The American Statistician, Vol. 50, No. 4, pp. 284-293, .
9.Wen, Y. H., Lee, T. T. and Cho, H. T. (2005), “Missing Data Treatment and Data Fusion Toward Travel Time Estimation For ATIS, Journal of the Eastern Asia Society for Transportation Studies, Vol.6, pp. 2546-2560.

電子全文 電子全文(網際網路公開日期:20221231)
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