博碩士論文
論文名稱 | 具非重現性擁擠特性之高速公路旅行時間預測 |
---|---|
年別 | 104 |
學位 | 博士 |
學校系所 | 交通大學運輸與物流管理學系 |
作者 | 李季森 |
指導教授 | 陳穆臻 |
論文摘要 | 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。 |
附件下載 | (電子檔於111-10-19後開放下載) |
檔案下載
- 具非重現性擁擠特性之高速公路旅行時間預測.pdf下載次數:67