交通部運輸研究所Institute of Transportation, MOTC

        旅行時間資訊之提供一直為促使智慧型運輸系統(Intelligent Transportation System, ITS)更為成功之重要因素。以往研究更指出非重現性擁擠(non-recurrent congestion)為造成高速公路延滯之主因。因此，如何提高含非重現性擁擠下之旅行時間預測能力，為旅行時間預測領域之重要且必須克服議題。本研究透過類神經 (Artificial Neural Network, ANN)建構台灣中山高速公路36.1公里長路段(包含8個交流道)之旅行時間預測模型，並且為提高模式於含非重現性擁擠之預測能力，本研究除蒐集雨量與時間特徵等資料外，更包含車輛偵測器(Vehicle Detector, VD)所蒐集到之平均線點速度(average spot speed)與大型車流量等資料，並且進一步整合電子收費系統(Electronic Toll Collection, ETC)原始資料所推得之歷史旅行時間(Historical Travel Time, HTT)，並以ETC所推得之真實旅行時間(Actual Travel Time, ATT)做為訓練目標(target)，以建立一穩健型之預測模式。 　　本研究整合分群(K-means)、分類迴歸樹(Classification and Regression Tree, CART)與類神經網路(Artificial Neural Network, ANN)等三種資料探勘技術，透過創造虛擬變數(dummy variable)與萃取關鍵變數(critical variables extraction)方式，不僅可於不增加設備投資情況下提高預測能力，亦同時獲得關鍵地點之關鍵變數資訊，以有效協助管理單位進行系統維護。本研究所發展之混合專家概念為基之預測方法(Mixture of Experts Based Method, MEBM)與整合分群分類為基之預測方法(Integrated Clustering-Classification Method, ICCM)，不論是否採用ETC系統所產生之資料，相較於直接預測而言，皆能提高模式預測能力，且同時降低MAPE值大於20%之樣本百分比。再者，本研究以決策樹成功萃取出三個關鍵變數，分別為星期(day of week)，時間(Time)，51.6公里車輛偵測器(VD)所蒐集之現點速度(即speed5160)。最後，本研究構建之類神經為基之預測方法(Neural Network Based Method, NNBM)、混合專家概念為基之預測方法(Mixture of Experts Based Method, MEBM)、整合分群分類為基之預測方法(Integrated Clustering-Classification Method, ICCM)等三個預測架構，其MAPE值介於6%~9%之間，皆屬於Highly accurate prediction之模式。