[[alternative]]A study on travel time estimation applications of data fusion techniques

碩士[[abstract]]近年政府大力推行智慧型運輸系統（Intelligent Information System, ITS）九大服務領域中之先進旅行者資訊系統（Advanced Traveler Information System, ATIS）的發展。為提供用路人準確的資訊，以做為路徑、運具選擇之依據，路徑旅行時間的推估是一項重要的議題，其作法可透過固定式偵測器與移動式探針車蒐集路段資料，如流量、佔有率，以及速度等，以推估路段之旅行時間。然而目前國內道路車輛偵測器佈設仍稀，堪用者亦寥寥可數，在資源及經費有限的情況下，廣佈偵測器並非易事，短期可考慮以增加探針車數量以彌補資訊獲取之不足。 本研究擬自車流速率空間分佈之概念，探討探針車之數量規模以描述或推估路段上之旅行時間，以路段或路段含路口為範圍，依抽樣分佈的概念來反映母體特性。由於探針車可視為一瞬間固定式之偵測器，透過探針車之瞬時速度與位置，形成一抽樣之速率空間分佈，據以決定探針車數量，反映母體特性以推估瞬時旅行時間。並以此瞬間抽樣方式與偵測器資料進行資料融合測試，以探討此方式之可行性。 本研究以真實路網資料校估並驗證模擬軟體，據以構建模擬路網，透過模擬方式蒐集車輛偵測器與探針車資料，進行資料融合以推估旅行時間。偵測器以流量與佔有率推估密度，並結合OH與Webster模式推估旅行時間，配合探針車之旅行時間資料進行資料融合。研究內容包括：(1)探針車數量演算法探討與測試；(2)資料融合之比較與適用情境；(3)資料融合推估旅行時間，以提供較精確之旅行資訊予用路人。 研究結果顯示，本研究以瞬間速率空間分佈推估所需探針車數量較過去之研究為多，依路段長度與流量不同所需探針車數量比率各異，其分佈大致為1至6成，整體平均結果與Tetsuhiro (2005)所提40%可不停地蒐集交通資訊之結論相近。另以此瞬間抽樣方式進行資料融合，測試結果顯示一路段以加權平均法推估績效較佳；二路段(含路口)以類神經網路推估績效較佳，且透過資料融合可有效降低個別推估之誤差。在資料融合比較方面，結果顯示，加權平均法較適用於路段長度400公尺以下，探針車數量比率達10%以上，更新時間3分鐘較為即時之狀態；類神經網路則較適用於路段長度400公尺以上，探針車數量比率10%以下，且更新時間5分鐘相對較長時間。最後，提出兩者之優劣比較，以供相關應用參考。[[abstract]]In recent years, Government tries to carry out the development of Advanced Traveler Information System - among the nine service domains of Intelligent Information System. In order to provide accurate information for road users, to stand on the choices of routes and transportation, estimating the path travel time is an important issue. To estimate travel time, vehicle detectors and probe vehicles collecting information (e.g., flow, occupancy and speed, etc.) are being used. For the moment, there is quite few vehicle detectors can still be used. Under the insufficient resource and budget, it is uneasy to set up vehicle detectors widely, otherwise, to add probe vehicles in the short term to make up for the shortage of information gathering. This study applies the concept of vehicle speed distributes in space of roadway segment and intends to investigate how many probe vehicles are enough to describe or estimate travel time for a roadway segment. The aspect of investigation is a roadway segment or a roadway segment containing intersection, according to the concept of a sample distribution which reflects population characteristics. As a result, probe vehicle can be considered as an instantaneous fixed vehicle detector by using the instantaneous speed and position of probe vehicles and it sets up a speed distribution of samples, from the inside, explores the size of probe vehicles and reflects population to estimate instantaneous travel time. Furthermore, by using the instantaneous sample method and vehicle detector data to test the data fusion, the feasibility of this method will be determined. After conferring the size of probe vehicle, data collection through real network and establishment of the simulation network can be used when parameters are evaluated. To collect data from vehicle detectors and probe vehicles through simulation, and then carrying out data fusion to estimate travel time. Vehicle detector estimates density by using flow and occupancy rate, accords with OH and Webster model to estimate travel time, and matches up the travel time which probe vehicles drive end of the roadway segment. For this reason, this study contains: (1) Investigate and test the algorithm of probe vehicle size. (2) The comparison and suitable situation of data fusion. (3) Estimate travel time using data fusion, and hope to provide more accurate travel information for road user. The result of this study exhibits that sizes of the probe vehicle are more than other studies by using the instantaneous distribution of speed. According to different length and flow rate of roadway segment with different probe vehicle size, it distributes about ten to sixty percent, and the average is similar to Tetsuhiro (2005) who brought up that forty percent probe vehicles can collect traffic information nonstop. Besides, the test of data fusion uses instantaneous sampling method and the result exhibits that Weighted Average is better in the one roadway segment case, Artificial Neural Network is better in the two roadway segments case, and data fusion can reduce the travel time errors from each detector has estimated. The result of data fusion exhibits that Weighted Average is suitable for the road length under 400 meters, probe vehicle rate upon 10 percent, and update in 3 minutes (i.e., real time); Artificial Neural Network is suitable for the road length upon 400 meters, probe vehicle rate under 10 percent, and update in 5 minutes (i.e., comparatively longer time). Finally, advantages and disadvantages of two methods are provided for the related applications.[[tableofcontents]]目 錄 I 圖目錄 III 表目錄 V 第一章 緒論 1 1.1 研究背景與動機 1 1.2 研究目的 2 1.3 研究範圍與對象 3 1.4 課題界定 3 1.5 研究流程 9 第二章 文獻回顧 10 2.1 探針車數量(THE SIZE OF PROBE VEHICLE) 10 2.2 資料融合（DATA FUSION） 14 2.3旅行時間推估與預測(TRAVEL TIME ESTIMATION AND PREDICTION) 23 2.4 文獻回顧小結 31 第三章 模式構建 32 3.1 探針車數量理論基礎與流程 32 3.2 資料融合技術 38 3.2.1 加權平均法(Weighted Average)介紹 42 3.2.2 類神經網路(Artificial Neural Network)介紹 48 3.3 旅行時間推估方法 54 第四章 實驗設計與資料蒐集 58 4.1 資訊來源 58 4.2 資料形式與整合 58 4.3 車流模擬系統(PARAMICS)介紹 59 4.4 模擬路網構建 66 4.5 軟體程式介面開發(APPLICATION PROGRAM INTERFACE, API) 69 4.6 模擬實驗設計 75 4.6.1 路段組合設計 75 4.6.2 情境組合設計 76 4.7 模擬績效驗證 77 4.8 評估準則 78 第五章 模式評估與資料分析 79 5.1 探針車數量模式 79 5.2 瞬時抽樣測試 83 5.2.1 測試架構 83 5.2.2 探針車推估績效 84 5.2.3 加權平均法測試 85 5.2.4 類神經網路測試 86 5.2.5 綜合績效比較 87 5.3 資料融合技術比較 88 5.3.1 加權平均法(Weighted Average) 88 5.3.2 類神經網路(Artificial Neural Network) 92 5.3.3 資料融合技術績效比較 96 5.3.4 資料融合技術優缺 105 第六章 結論與建議 106 6.1 結論 106 6.2 建議 108 參考文獻 109 附 錄 114 附錄一 115 附錄二 130 附錄三 132 圖目錄 圖1-1 旅行時間推估與預測關係圖 6 圖1-2 探針車數量求解概念圖 7 圖1-3 求解流程圖 8 圖1-4 研究流程圖 9 圖2-1 事件資訊偵測平行處理示意圖 18 圖2-2 事件資訊偵測序列處理示意圖 19 圖2-3 事件資訊偵測序列/平行處理示意圖 19 圖2-4 專家系統架構 21 圖3-1 探針車數量求解示意圖 33 圖3-2 車輛軌跡：AA’為路點觀測；BB’為時點觀測 35 圖3-3 時點觀測與路點觀測示意圖 35 圖3-4 流量-密度、速度-流量、速度-密度圖 36 圖3-5 探針車篩選演算法 46 圖3-6 偵測器篩選演算法 47 圖3-7 人工類神經網路架構圖：以倒傳遞人工神經網路為例 49 圖3-8 倒傳遞人工神經網路建構流程 51 圖3-9 旅行時間推估與預測模式關係圖 55 圖4-1 連續路段之路網圖 68 圖4-2 單一路段之路網圖 68 圖4-3 API之介紹 69 圖4-4 PARAMICS與API之關係 70 圖4-5 API製作流程 71 圖4-6 本研究API架構過程 72 圖5-1 一路段車輛平均速度出現位置 80 圖5-2 本研究之探針車數量比率 82 圖5-3 探針車旅行時間績效 84 圖5-4 加權平均法績效測試 85 圖5-5 類神經網路績效測試 86 圖5-6 不同路段數下之資料融合績效 87 圖5-7 路段長度200M以下之資料融合績效 101 圖5-8 路段長度200M~400M之資料融合績效 101 圖5-9 路段長度400M~600M之資料融合績效 102 圖5-10 路段長度600M以上之資料融合績效 102 圖5-11 資料融合技術適用情境歸納 104 圖5-12 一路段與二路段之較適融合技術 104 表目錄 表1.1 研究範圍示意表 3 表1.2 探針車系統/技術比較表 3 表1.3 交通監視技術 4 表1.4 不同時間向度之旅行時間類型 4 表1.5 不同需求下之旅行時間類型 5 表1.6 不同性質之旅行時間類型 5 表1.7 各種預測技術與特性 6 表2.1 各層級資料融合內容功用彙整表 16 表2.2 資料融合技術分類 17 表3.1 時點觀測與路點觀測差異(ㄧ) 34 表3.2 時點觀測與路點觀測差異(二) 34 表3.3 瞬時與真實旅行時間差異 37 表3.4 資料融合技術分類 38 表3.5 資料要素 39 表3.6 資料融合技術彙整 40 表3.7 加權平均法參數值 45 表3.8 個別回報之篩選檢查標籤 46 表4.1 偵測器與探針車資料內容與形式 59 表4.2 資料更新時間之影響 59 表4.3 公路環境功能分類之模擬模式 60 表4.4 車流模擬軟體之相關功能比較 60 表4.5 PARAMICS微觀車流模擬軟體子模組 61 表4.6 PARAMICS與NETSIM模擬路網之限制 62 表4.7 PARAMICS模擬器駕駛者相關參數說明 63 表4.8 屬性變數分類與編碼 66 表4.9 模擬路段資訊 67 表4.10 道路路型分類 67 表4.11 本研究速度API之輸出格式 73 表4.12 處理後之車輛資料 74 表4.13 本研究旅行時間API之輸出格式 75 表4.14 PARAMICS模擬軟體較佳參數設定值組合 75 表4.15 路段組合編號 76 表4.16 資料融合之情境組合 77 表4.17 模擬環境與真實環境之旅行時間比較 77 表4.18 MAPE的評估標準 78 表5.1 平均速度推估旅行時間之MAPE值 79 表5.2 車輛平均速度出現之位置 80 表5.3 車輛平均速度出現之比率 81 表5.4 一般最小探針車數量比率 81 表5.5 本研究之最小探針車數量比率 82 表5.6 瞬時抽樣測試架構 83 表5.7 探針車旅行時間與真值比較(MAPE值) 84 表5.8 加權平均法測試 85 表5.9 類神經網路測試 86 表5.10 資料融合測試之績效比較 87 表5.11 加權平均法T1_S1各組合下之較佳調整因子與MAPE值 88 表5.12 加權平均法T1_S2各組合下之較佳調整因子與MAPE值 88 表5.13 加權平均法T1_S3各組合下之較佳調整因子與MAPE值 89 表5.14 加權平均法T1_S4各組合下之較佳調整因子與MAPE值 89 表5.15 加權平均法T1_S5各組合下之較佳調整因子與MAPE值 89 表5.16 加權平均法T2_S1各組合下之較佳調整因子與MAPE值 90 表5.17 加權平均法T2_S2各組合下之較佳調整因子與MAPE值 90 表5.18 加權平均法T2_S3各組合下之較佳調整因子與MAPE值 90 表5.19 加權平均法T2_S4各組合下之較佳調整因子與MAPE值 91 表5.20 加權平均法T2_S5各組合下之較佳調整因子與MAPE值 91 表5.21 加權平均法整體平均績效MAPE值(1) 92 表5.22 加權平均法整體平均績效MAPE值(2) 92 表5.23 類神經網路T1_S1各組合下之最佳隱藏層與處理單元 93 表5.24 類神經網路T1_S2各組合下之最佳隱藏層與處理單元 93 表5.25 類神經網路T1_S3各組合下之最佳隱藏層與處理單元 93 表5.26 類神經網路T1_S4各組合下之最佳隱藏層與處理單元 93 表5.27 類神經網路T1_S5各組合下之最佳隱藏層與處理單元 94 表5.28 類神經網路T2_S1各組合下之最佳隱藏層與處理單元 94 表5.29 類神經網路T2_S2各組合下之最佳隱藏層與處理單元 94 表5.30 類神經網路T2_S3各組合下之最佳隱藏層與處理單元 95 表5.31 類神經網路T2_S4各組合下之最佳隱藏層與處理單元 95 表5.32 類神經網路T2_S5各組合下之最佳隱藏層與處理單元 95 表5.33 類神經網路整體平均績效MAPE值(1) 96 表5.34 類神經網路整體平均績效MAPE值(2) 96 表5.35 各情境組合下最適資料融合技術 97 表5.36 組合T1_S1之資料融合績效MAPE值 97 表5.37 組合T1_S2之資料融合績效MAPE值 97 表5.38 組合T1_S3之資料融合績效MAPE值 98 表5.39 組合T1_S4之資料融合績效MAPE值 98 表5.40 組合T1_S5之資料融合績效MAPE值 98 表5.41 組合T2_S1之資料融合績效MAPE值 99 表5.42 組合T2_S2之資料融合績效MAPE值 99 表5.43 組合T2_S3之資料融合績效MAPE值 99 表5.44 組合T2_S4之資料融合績效MAPE值 100 表5.45 組合T2_S5之資料融合績效MAPE值 100 表5.46 更新時間3分鐘之整體績效 100 表5.47 更新時間5分鐘之整體績效 101 表5.48 更新時間3分鐘各路段組合之融合績效 103 表5.49 更新時間5分鐘各路段組合之融合績效 103 表5.50 綜整資料融合技術之有效推估率 103 表5.51 各路段組合下較適資料融合技術 104 表5.52 資料融合技術優劣比較 105[[note]]學號: 693540287, 學年度: 9