淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-1501200716593300
中文論文名稱 偵測器資訊不完整下之幹道動態路徑旅行時間預測
英文論文名稱 Dynamic Travel Time Forecasting on Arterials with Incomplete Detector Data
校院名稱 淡江大學
系所名稱(中) 運輸管理學系碩士班
系所名稱(英) Department of Transportation Management
學年度 95
學期 1
出版年 96
研究生中文姓名 陳盈呈
研究生英文姓名 Ying-Cheng Chen
學號 693540162
學位類別 碩士
語文別 中文
口試日期 2007-01-05
論文頁數 303頁
口試委員 指導教授-劉士仙
委員-胡守任
委員-胡大瀛
中文關鍵字 適應性卡門濾波  資訊不完整  動態路徑旅行時間預測  偵測器佈設密度 
英文關鍵字 Adaptive Kalman Filter  Incomplete Data  Dynamic Travel Time Forecasting  Layout Density of Vehicle Detector Installation 
學科別分類 學科別社會科學管理學
中文摘要 路徑旅行時間為駕駛者路徑選擇之重要資訊,國內業務主管單位受預算經費之限制,替代道路上無法全面佈設偵測器;目前國內外應用偵測器資料對旅行時間推估,多以高速公路為研究對象,主要因為高速公路的車流行為較為單純;在號誌幹道系統上,車流另外受號誌之干擾而停等,產生延滯的情況與高速公路環境顯著不同;因此過去研究以偵測器資料為主之高速公路理論模式,並無法適用於號誌化之幹道系統,需要大幅的修正。
本研究有鑑於此,在偵測器佈設不足之前題下,以倒推起迄車流量之概念,架構路徑上各路段之相互關係,並利用遞迴演算的卡門濾波(Kalman Filter)模式作為基礎,以即時偵測器蒐集之資料為檢核點之限制,嘗試建立出在資訊不完全(Incomplete)條件下之路徑旅行時間預測模式,並以省道台1線及台15線為範例路網進行分析,同時討論偵測器密度、飽和度、事件與資料融合等不同情境下動態路徑旅行時間的預測績效。
英文摘要 Dynamic travel time forecast on an alternate path is recognized as valuable information for drivers to switch routes. However, insufficient installment of detectors especially on arterials is usually suggested by local government due to the limited budget. Therefore, model that can solve problems of dynamic travel time forecasting on alternate paths with only incomplete detector data is asked with great attention.
This paper suggests dynamic origin-destination matrices estimation approach to construct the link flow dynamic relationships, and applies adaptive Kalman filter process to adjust the error. Finally, a case study of alternate path travel time information is provided with deliberating experimental design to illustrate the performance of suggested approach under different levels of the layout density of vehicle detector installation, saturation flow and with/without the incident and data fusion.
論文目次 目錄
目錄 I
圖目錄 III
表目錄 VI
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究對象及範圍 4
1.4 內容與流程 5
1.5 研究方法 7
第二章 文獻回顧 8
2.1旅行時間推估模式回顧 8
2.2資訊不完整之交通參數推估 11
2.3狀態空間理論 12
2.3.1線性狀態空間 12
2.3.2非線性狀態空間 12
2.4小結 14
第三章 研究方法與模式構建 15
3.1系統架構與定義說明 15
3.2全路段旅行時間模式 16
3.2.1路段旅行時間推估模式 16
3.2.2路口延滯模式 18
3.3卡門濾波模式 22
3.3.1適應性卡門濾波 23
3.3.2 模式求解過程 27
3.4模式構建 31
3.4.1 未知路段交通參數求解模式 31
3.4.2 最陡坡降法 35
3.4.3 動態路徑旅行時間演算法 37
3.5實驗設計 41
3.5.1路徑旅行時間預測誤差影響因子 42
3.5.2資料融合 43
3.5.3評估架構與方法 44
第四章 資料蒐集 48
4.1實測計畫 48
4.1.1實測地點選擇 49
4.1.2偵測器之選擇 53
4.1.3交通參數蒐集 54
4.2資料整理 56
4.2.1偵測器輸出資料整理 56
4.2.2錄影輸出資料整理 57
4.3實驗因子之資料蒐集 59
第五章 模式驗證與資料分析 60
5.1路徑旅行時間分析 60
5.1.1路徑旅行時間預測計算 60
5.1.2路徑旅行時間預測績效評估 62
5.2偵測器佈設情境分析 78
5.2.1模擬情境之影響因子評估 79
5.2.2資料融合之模擬情境影響因子評估 85
5.3不同時階長度之路徑旅行時間績效差異評估 93
5.3.1動態估計之旅行時間預測績效(時階長度2分鐘) 93
5.3.2瞬時估計之旅行時間預測績效(時階長度5分鐘) 94
5.3.3不同時階長度下之綜合績效評析 95
5.4綜合評析 99
第六章 結論與建議 104
6.1結論 104
6.2建議 105
參考文獻 106
附錄A 109
附錄B 111
附錄C 131
附錄D 201
附錄E 226
附錄F 243
附錄G 282
圖目錄
圖1.3.1研究對象示意圖 4
圖1.3.2市區道路之路徑示意圖 5
圖1.4.1研究內容流程圖 6
圖3.1.1路徑分段頭尾佈設偵測器示意圖 15
圖3.2.1 Webster與Akcelik之飽和度變化趨勢(以路段A為例) 20
圖3.3.1卡門濾波模式示意圖 23
圖3.3.2依時變動線性迴歸示意圖 24
圖3.3.3系統狀態係數矩陣線之性迴歸示意 26
圖3.3.4流量觀測值係數矩陣之線性迴歸示意 27
圖3.4.1偵測器資訊不完全示意圖 31
圖3.4.2預測參數示意圖 32
圖3.4.3推估及預測參數處理過程示意圖 33
圖3.4.4路段旅行時間Time Lag示意圖 35
圖3.4.5最陡坡降搜尋最佳解示意圖 36
圖3.4.5最陡坡降法搜尋過程平面示意圖 36
圖3.4.6路段參數Time Lag示意圖 38
圖3.4.7演算法流程示意圖 40
圖3.5.1偵測器佈設密度示意圖 45
圖4.1.1台1線實驗範圍路徑圖 49
圖4.1.2台15線實驗範圍路徑圖 51
圖4.1.3台15線實驗範圍路徑圖 52
圖4.2.1人工比對錄影真值示意圖 58
圖5.1.1實測之路徑旅行時間預測值與錄影真值MAPE(94/10/07/1,5) 64
圖5.1.2實測之路徑旅行時間預測值與錄影真值MAPE(94/10/07/1,4) 65
圖5.1.3實測之路徑旅行時間預測值與錄影真值MAPE(94/10/07/2,5) 65
圖5.1.4實測之路徑旅行時間預測值與錄影真值MAPE(94/10/07/1,3) 66
圖5.1.5實測之路徑旅行時間預測值與錄影真值MAPE(94/10/07/2,4) 66
圖5.1.6實測之路徑旅行時間預測值與錄影真值MAPE(94/10/07/3,5) 67
圖5.1.7實測之路徑旅行時間預測值與錄影真值MAPE(95/07/05/1,5) 67
圖5.1.8實測之路徑旅行時間預測值與錄影真值MAPE(95/07/05/1,4) 68
圖5.1.9實測之路徑旅行時間預測值與錄影真值MAPE(95/07/05/2,5) 68
圖5.1.10實測之路徑旅行時間預測值與錄影真值MAPE(95/07/05/1,3) 69
圖5.1.11實測之路徑旅行時間預測值與錄影真值MAPE(95/07/05/2,4) 69
圖5.1.12實測之路徑旅行時間預測值與錄影真值MAPE(95/07/05/3,5) 70
圖5.1.13實測之路徑旅行時間預測值與錄影真值MAPE(95/07/06/1,5) 70
圖5.1.14實測之路徑旅行時間預測值與錄影真值MAPE(95/07/06/1,4) 71
圖5.1.15實測之路徑旅行時間預測值與錄影真值MAPE(95/07/06/2,5) 71
圖5.1.16實測之路徑旅行時間預測值與錄影真值MAPE(95/07/06/1,3) 72
圖5.1.17實測之路徑旅行時間預測值與錄影真值MAPE(95/07/06/2,4) 72
圖5.1.18實測之路徑旅行時間預測值與錄影真值MAPE(95/07/06/3,5) 73
圖5.1.19實測之路徑旅行時間預測值與錄影真值MAPE(95/09/29/1,5) 73
圖5.1.20實測之路徑旅行時間預測值與錄影真值MAPE(95/09/29/1,4) 74
圖5.1.21實測之路徑旅行時間預測值與錄影真值MAPE(95/09/29/2,5) 74
圖5.1.22實測之路徑旅行時間預測值與錄影真值MAPE(95/09/29/1,3) 75
圖5.1.23實測之路徑旅行時間預測值與錄影真值MAPE(95/09/29/2,4) 75
圖5.1.24實測之路徑旅行時間預測值與錄影真值MAPE(95/09/29/3,5) 76
圖5.2.1模擬情境之路徑旅行時間預測(未飽和、無事件、Level 1∕密) 80
圖5.2.2模擬情境之路徑旅行時間預測(未飽和、無事件、Level 2∕中) 80
圖5.2.3模擬情境之路徑旅行時間預測(未飽和、無事件、Level 3∕疏) 80
圖5.2.4模擬情境之路徑旅行時間預測(過飽和、無事件、Level 1∕密) 80
圖5.2.5模擬情境之路徑旅行時間預測(過飽和、無事件、Level 2∕中) 81
圖5.2.6模擬情境之路徑旅行時間預測(過飽和、無事件、Level 3∕疏) 81
圖5.2.7模擬情境之路徑旅行時間預測(未飽和、有事件、Level 1∕密) 81
圖5.2.8模擬情境之路徑旅行時間預測(未飽和、有事件、Level 2∕中) 81
圖5.2.9模擬情境之路徑旅行時間預測(未飽和、有事件、Level 3∕疏) 82
圖5.2.10模擬情境之路徑旅行時間預測(過飽和、有事件、Level 1∕密) 82
圖5.2.11模擬情境之路徑旅行時間預測(過飽和、有事件、Level 2∕中) 82
圖5.2.12模擬情境之路徑旅行時間預測(過飽和、有事件、Level 3∕疏) 82
圖5.2.13模擬情境之路徑旅行時間預測(融合、未飽和、無事件、Level 1∕密) 86
圖5.2.14模擬情境之路徑旅行時間預測(融合、未飽和、無事件、Level 2∕中) 86
圖5.2.15模擬情境之路徑旅行時間預測(融合、未飽和、無事件、Level 3∕疏) 86
圖5.2.16模擬情境之路徑旅行時間預測(融合、過飽和、無事件、Level 1∕密) 86
圖5.2.17模擬情境之路徑旅行時間預測(融合、過飽和、無事件、Level 2∕中) 87
圖5.2.18模擬情境之路徑旅行時間預測(融合、過飽和、無事件、Level 3∕疏) 87
圖5.2.19模擬情境之路徑旅行時間預測(融合、未飽和、有事件、Level 1∕密) 87
圖5.2.20模擬情境之路徑旅行時間預測(融合、未飽和、有事件、Level 2∕中) 88
圖5.2.21模擬情境之路徑旅行時間預測(融合、未飽和、有事件、Level 3∕疏) 88
圖5.2.22模擬情境之路徑旅行時間預測(融合、過飽和、有事件、Level 1∕密) 88
圖5.2.23模擬情境之路徑旅行時間預測(融合、過飽和、有事件、Level 2∕中) 88
圖5.2.24模擬情境之路徑旅行時間預測(融合、過飽和、有事件、Level 3∕疏) 89
圖5.3.1各時階長度預測績效MAPE與PE(95/07/05) 96
圖5.3.2各時階長度預測績效MAPE與PE(95/07/06) 97
圖5.3.3各時階長度預測績效MAPE與PE(95/09/29) 98
圖5.4.1各情境資料融合前後之預測誤差對照圖 101
圖5.4.2各情境事件影響之預測誤差對照圖 102
表目錄
表2.1.1號誌化交叉路口之車輛延滯模式分類 10
表3.2.1 Webster與Akcelik之飽和度趨勢測試(以路段A為例) 20
表3.2.2 Webster與Akcelik績效評估 21
表3.2.3延滯公式績效比較 21
表3.5.1 EMS評估 46
表3.5.2變異數分析 47
表4.1.1台1線實驗範圍基本屬性資料 50
表4.1.2台15線實驗範圍基本屬性資料 51
表4.1.3台15線實驗範圍基本屬性資料 52
表4.1.4偵測器輸出參數定義 54
表4.1.5偵測器輸出(Time Base) 55
表4.1.6偵測器輸出(Vehicle Base) 55
表4.2.1偵測器資料輸出整理 56
表4.3.1情境因子模擬 59
表4.3.1模擬路網設定資料 59
表5.1.1資料更新前之路段資訊 61
表5.1.2資料更新後之路段資訊 62
表5.1.3絕對誤差百分比評估標準 63
表5.1.4路徑旅行時間預測 63
表5.1.5綜合預測績效整理(台1線,94/10/07) 76
表5.1.6綜合預測績效整理(台15線,95/07/05) 77
表5.1.7綜合預測績效整理(台15線,95/07/06) 77
表5.1.8綜合預測績效整理(台15線,95/09/29) 77
表5.1.9系統目標式之流量推估績效 78
表5.2.1各情境因子平均誤差整理 82
表5.2.2情境因子組合 83
表5.2.3無資料融合下影響因子EMS評估 84
表5.2.4無資料融合下變異數分析 84
表5.2.5無資料融合下VD密度分析 85
表5.2.6各情境資料融合之平均誤差整理 89
表5.2.7情境因子組合 89
表5.2.8資料融合下影響因子EMS評估 90
表5.2.9資料融合下變異數分析 91
表5.2.10資料融合下VD密度分析 91
表5.2.11資料融合前與融合後之T檢定分析 92
表5.3.1綜合預測績效整理(台15線,95/07/05,TC=120) 94
表5.3.2綜合預測績效整理(台15線,95/07/06,TC=120) 94
表5.3.3綜合預測績效整理(台15線,95/09/29,TC=120) 94
表5.3.4綜合預測績效整理(台15線,95/07/05,TC=300) 95
表5.3.5綜合預測績效整理(台15線,95/07/06,TC=300) 95
表5.3.6綜合預測績效整理(台15線,95/09/29,TC=300) 95
表5.3.7各時階長度預測績效綜合整理(台15線,95/07/05) 96
表5.3.8各時階長度預測績效綜合整理(台15線,95/07/06) 97
表5.3.9各時階長度預測績效綜合整理(台15線,95/09/29) 98
表5.3.10動態與瞬時估計之變異數分析 99
表5.4.1各情境資料融合之平均誤差整理 100
表5.4.2各情境資料融合之平均誤差整理 100
表5.4.3各情境以事件歸類之平均誤差整理 101
參考文獻 參考文獻
1. Akcelik, R. (1980), “Time-Dependent Expressions for Delay,Stop Rate Queue Length at Traffic Signals,” Australian Road Research Board ,Internal Report ,Air 367-1.
2. Bajwa, S.I. (2003), “Short-Term Traveltime Prediction Using Traffic Detector Data,” A dissertation submitted to Department of Civil Engineering of University of Tokyo in partial fulfillment of the requirement for the degree of Master of Engineering in Civil Engineering (Transportation).
3. Bajwa, S.I., Chung, E., and Kuwahara, M. (2005), “Performance Evaluation of An Adaptive Travel Time Prediction Model,” IEEE, Conference on Intelligent Transportation Systems, 1000-1005.
4. Chien, S.I.J., Liu, X., and Ozbay K. (2003), “Predicting travel times for the South Jersey real-time motorist information system,” Transportation Research Record, No.1855, 32-40.
5. Choi, D.B., Ko, H.S., and Ahn, B.H. (1998), “On Multisensor Data Fusion using Attribute Association for Intelligent Traffic Congestion Information Inference,” 5th ITS World Congress.
6. Chu, L., Oh, J.S., and Recker, W. (2005), “Adaptive Kalman Filter Based Freeway Travel time Estimation,”Annual Meeting of Transportation Research Board.
7. Dailey, D.J. (1997), “Travel Time Estimates Using a Series of Single Loop Volume and Occupancy Measurements,” presentation at the 76th Annual Meeting of Transportation Research Board, Washington, D.C., U.S.A.
8. Guo, D., Chen, H., and Dai, Y. (1990), “A Novel Adaptive Kalman Filtering Algorithm For Arma Signal,” IEEE, Conference on Computer and Communication Systems Vol.1, 197-201.
9. Huisken, G. and Berkum, V. (2002), “Short-Term Travel Time Prediction Using Data from Induction Loops,” Proc. Of the 10th World Conference on Transport Research.
10. Jasperse, D. and Toorenburg, J. V. (1999), “Real-Time Estimation of Travel-Times and Queue-Lengths A Practical Study,” 6th ITS World Congress.
11. Li, B. and Moor, B.D. (1999), “Recursive Estimation Based on the Equality-Constrained Optimization for Intersection Origin-Destination Matrices,” Transportation Research Part B 33(3), 203-214.
12. Li, B. and Moor, B.D. (2002), “Dynamic Identification of Origin-Destination Matrices in the Presence of Incomplete Observations,” Transportation Research Part B 36(1), 37-57.
13. Lin, W.H., Kulkarni, A., and Mirchandani, P. (2004), “Short-Term Arterial Travel Time Prediction for Advanced Traveler Information Systems,” Presented at the 11th World Congress on Intelligent Transportation Systems, 8:143-145.
14. Ma, B. (2001), “Parametric and Nonparametric Approaches for Multisensor Data Fusion,” A dissertation submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy (Electrical Engineering: Systems) in The University of Michigan.
15. Oh, S., Ran, B., and Choi, K. (2003), “Optimal Detector Location for Estimating Link Travel Speed in Urban Arterial Roads,” presentation at 83th Annual Meeting of Transportation Research Board, Washington, D. C., U.S.A.
16. Okutani, I., and Stephanedes, Y. J. (1984), “Dynamic Prediction of Traffic Volume Through Kalman Filtering Theory,” Transportation Research Part B 18(1), 1-11.
17. Otokita, T., Oda, T., and Hashiba, K. (1998), “Travel Time Prediction Based on Pattern Extraction from Database,” 5th ITS World Congress.
18. Son, Y. T. (1998), “Estimating Arterial Link Travel Times Using Loop Detector Output,” Presented at the 5th World Congress on Intelligent Transport System.
19. Suzuki, H. et al. (2000), “A Neural-Kalman Filter for Dynamic Estimation of Origin-Destination(O-D) Travel Time and Flow on a Long Freeway Corridor,” Prepared for Presentation at the 79th Transportation Research Board Annual Meeting, Washington, D. C.
20. 王晉元、林國顯、陳彥佑(民94年),應用偵測器推估公路車流量之研究,中華民國第二十屆運輸學會研討會論文集,pp.811-832。
21. 何美瑩(民89年),號誌化交叉路口車輛延滯模式之研究,交通大學交通運輸研究所碩士論文。
22. 李豪業(民89年),非線性不穩定程序之多重線性模式預測控制,長庚大學化學工程研究所碩士論文。
23. 林良泰(民76年),綠燈帶寬最大及負效用最小動態幹道號誌時制之研究,成功大學交通管理研究所碩士論文。
24. 亞聯工程顧問(民94年),「公路行車時間資訊管理系統之規劃研究(2/4)-重要省道部分」,交通部委託研究。
25. 胡守任等人(民93年),「智慧型交通資訊蒐集、處理、傳播與旅行者行為系列之研究-號誌化道路路況資訊偵測方法與格式訂定」,交通部委託研究。
26. 陳齊邦(民93年),高速公路動態旅行時間與旅次起迄推估之研究,淡江大學運輸管理研究所碩士論文。
27. 黃厚淳(民93年),設置行人專用時相對車輛與行人延滯影響之研究,交通大學交通運輸研究所碩士論文。
28. 黃國禎(民93年),利用低空飛行器GPS羅盤定位和CCD攝影機技術對地面目標物方位估算,國立中山大學電機工程研究所碩士論文。
29. 黃榮輝(民90年),定時號誌時段劃分之研究,台灣大學土木工程學研究所碩士論文。
30. 溫裕弘、卓訓榮、李祖添(民92年),旅行時間預估之不完整資料處理與資料融合研究,中華民國第十八屆運輸學會研討會論文集。
31. 廖永淦(民94年),應用適應性卡曼濾波器演算法偵測空載光達點雲資料中隱含於地表覆蓋面上的異常點,成功大學測量及空間資訊研究所碩士論文。
32. 劉士仙等人(民94年),「智慧型交通資訊蒐集、處理、傳播與旅行者行為之系列研究─號誌化道路路況資訊偵測方法與省道路段固定式偵測器佈設規劃」,交通部委託研究。
33. 劉士仙、申瑋琦(2005),車隊路口流入率二元隨機模式於號誌化路段旅行時間估計分析,2005海峽兩岸智慧型運輸系統學術研討會暨第二屆中國上海.同濟交通論壇,pp.755-766。
34. 劉士仙、申瑋琦(民94年),時空圖理論應用於號誌化幹道即時旅行時間估計-以固定式偵測器資料為基礎,中華民國第二十屆運輸學會研討會論文集,pp.811-832。
35. 劉家良(民92年),適應性卡爾曼濾波器於低轉速控制之應用,成功大學電機工程學系碩士論文。
36. 羅孝賢等人(民95年),「智慧型交通資訊蒐集、處理、傳播與旅行者行為之系列研究─號誌化道路路況資訊偵測方法與路況資訊展示」,交通部委託研究。
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2008-01-17公開。
  • 同意授權瀏覽/列印電子全文服務,於2008-01-17起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信