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

　　基此，本研究提出一個預測型高速公路動態起迄矩陣推估方法，包括一個二階段交通量預測模式及一個整合型動態起迄矩陣推估演算法，交通量預測模式係以滾動式自我建構交通模型來預測中、長期交通特性，其中，包含以成長型階層式自我組織放射圖(GHSOM)將所有交通量樣本分成若干群，並針對每一群以基因規劃法(GP)建構相對應之非線性交通量預測模式去預測交通特性。而整合型動態起迄矩陣推估演算法係為了能在不同的交通情況下，有效率且準確的獲取車輛到達型態，藉由結合格位傳送模式(Cell Transmission Model，CTM)及卡門濾波 (Extended Kalman Filtering，EKF)，來建構遞迴式動態起迄矩陣推估演算法，由CTM模擬車輛運行行為，預測各依時起迄對之到達率，再以EKF推估動態起迄矩陣。

　　為驗證此演算法之績效及實用性，本文以所設計之6個起迄對之小型路網推估90分鐘的起迄矩陣作為驗證範例。同時為比較本模式於旅行時間預測之績效，以Greenshields巨觀模式假設在進入路網之車輛會於兩時階範圍內到達迄點之條件下，預測車輛旅行時間。結果顯示本模式推估結果之RMSE為0.069遠較Greenshields之0.145為優。在實例應用上，本文先以國道1號泰山收費站至楊梅交流道計6個交流道36公里長之3車道高速公路中型路網進行實驗驗證，結果顯示格位傳送模式在自由流至擁擠流等不同情境交通狀況下，有效模擬車輛到達率，而本模式並以相當低的RMSE績效，精確推估動態起迄矩陣。

　　最後，本研究再以國道1號頭份交流道至北斗交流道計15個交流道長110公里之3車道高速公路大型路網作為實例驗證，結果也證明本文所提二階段交通量預測模式的績效及整合型動態起迄矩陣推估演算法的實用性。另外，本文亦比較所提二階段交通量預測模式之績效優於傳統ARIMA模式。並進一步針對交通量樣本長度進行敏感度分析，發現5分鐘為一時階之交通量樣本長度在120個時階（10小時），即能達到相當之預測績效。