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

　　綜觀過去對交通時間序列的分析，不外乎著重於線性型態的研究，當然，也有為數不少相當有貢獻的研究係著重於探討車輛軌跡在時間-空間上的交互作用；然而這些研究的資料仍僅限於使用模擬模型所產生，其實驗結果缺乏實證交通資料的驗證。因此，本研究利用Takens 法則，以多維空間方法進行分析，佐以最大里亞帕諾夫指數（the largest Lyapunov exponent）以及吸引子維度（Correlation dimension），在多維空間中仔細觀察交通流量、速率及佔有率，隨時間演進之軌跡，並藉此發展出一套檢驗動態交通在時間狀態特性的準則。

　　此外，在本研究中，採用輻狀基底函數類神經網路（Radial Basis Function Neural Network, RBFNN）以及即時回饋學習演算法（Real-time recurrent learning algorithm, RTRL），探討在不同量測尺度、時間稽延、空間維度以及不同時段的情況下，對短期動態交通預測的影響程度；同時在不同預測方法中，利用一階自我迴歸隨機時間序列（First-order autoregressive stochastic time series）與確定性一階微分方程式（Deterministic first-order differential-delay equation），成對比較了[線性-即時回饋學習演算法]與[簡單非線性法-即時回饋學習演算法]在預測能力方面的差異特性。

　　最後，經由中山高速公路實測資料，進行時間狀態特性的實證研究與短期交通預測的敏感度分析，其結果顯示：隨著量測尺度、歷史資料、觀察時段不同，交通流量、速率及佔有率在多維空間中呈現不同非線性時間形態；而藉由流量-速率-佔有率，三者成對觀察中發現透過時間順序的遞進，多維空間不啻提供更多有效訊息。另外，使用輻狀基底函數類神經網路以及即時回饋學習演算法在短期交通預測方面，具有令人滿意的結果；但是預測準確度也同時會受到量測尺度、時間稽延以及不同時段的影響。本研究的實證成果可做為未來發展交通管理的架構參考，特別是在動態的交通控制方面。