| 论文名称 | 具非重现性拥挤特性之高速公路旅行时间预测 |
| 年别 | 104 |
| 学位 | 博士 |
| 学校系所 | 交通大学运输与物流管理学系 |
| 作者 | 李季森 |
| 指导教授 | 陈穆臻 |
| 论文摘要 | 旅行时间资讯之提供一直为促使智慧型运输系统(Intelligent Transportation System, ITS)更为成功之重要因素。以往研究更指出非重现性拥挤(non-recurrent congestion)为造成高速公路延滞之主因。因此,如何提高含非重现性拥挤下之旅行时间预测能力,为旅行时间预测领域之重要且必须克服议题。本研究透过类神经 (Artificial Neural Network, ANN)建构台湾中山高速公路36.1公里长路段(包含8个交流道)之旅行时间预测模型,并且为提高模式于含非重现性拥挤之预测能力,本研究除蒐集雨量与时间特征等资料外,更包含车辆侦测器(Vehicle Detector, VD)所蒐集到之平均线点速度(average spot speed)与大型车流量等资料,并且进一步整合电子收费系统(Electronic Toll Collection, ETC)原始资料所推得之历史旅行时间(Historical Travel Time, HTT),并以ETC所推得之真实旅行时间(Actual Travel Time, ATT)做为训练目标(target),以建立一稳健型之预测模式。 本研究整合分群(K-means)、分类回归树(Classification and Regression Tree, CART)与类神经网络(Artificial Neural Network, ANN)等三种资料探勘技术,透过创造虚拟变量(dummy variable)与萃取关键变量(critical variables extraction)方式,不仅可于不增加设备投资情况下提高预测能力,亦同时获得关键地点之关键变量资讯,以有效协助管理单位进行系统维护。本研究所发展之混合专家概念为基之预测方法(Mixture of Experts Based Method, MEBM)与整合分群分类为基之预测方法(Integrated Clustering-Classification Method, ICCM),不论是否采用ETC系统所产生之资料,相较于直接预测而言,皆能提高模式预测能力,且同时降低MAPE值大于20%之样本百分比。再者,本研究以决策树成功萃取出三个关键变量,分别为星期(day of week),时间(Time),51.6公里车辆侦测器(VD)所蒐集之现点速度(即speed5160)。最后,本研究构建之类神经为基之预测方法(Neural Network Based Method, NNBM)、混合专家概念为基之预测方法(Mixture of Experts Based Method, MEBM)、整合分群分类为基之预测方法(Integrated Clustering-Classification Method, ICCM)等三个预测架构,其MAPE值介于6%~9%之间,皆属于Highly accurate prediction之模式。 |
| 附件下载 | (电子档于111-10-19后开放下载) 具非重现性拥挤特性之高速公路旅行时间预测.pdf |
| 张贴日 | 2015/09/24 |
| Hashtags |
查看次数:
5