依時性的動態旅次起迄表係指在某時階下，由起點交通分區至迄點交通分區所產生之旅次量，為交通營運管理與分析之基礎輸入資料，目前高速公路之交通參數蒐集，僅能蒐集與辨識上交流道流量，對於動態旅次起迄表中迄點之交通量，目前仍無法由路側設備資料推估；近年來隨著高速公路電子收費系統(ETC)的實施，可由車上機(On Board Unit, OBU)所記錄的車輛起、迄與時間資訊，彙整成ETC動態旅次起迄表，但仍無法進行高速公路所有車輛動態起迄表之推估。

本研究視ETC動態旅次起迄表與上交流道車流量為觀測資料，視動態旅次起迄資訊為狀態推估變項；則可以建構全新之推估動態旅次起迄表之系統模式，透過適應性之卡門濾波(Klman filter)演算法，以動態線性推估方式，推估出高速公路動態旅次起迄表。最後以PARAMICS軟體模擬高速公路路網，以模擬輸出之部分觀測數據進行動態旅次起迄模式估計，並以模擬輸出之旅次起迄真值作為驗證依據，進行模式估計分析與績效評估。

Dynamic origin-destination (O-D) is defined by the trips production from the origin to  the destination in certain time interval. It is essential and compulsory raw data for transportation planning and traffic management.  With the traffic parameters collected from vehicle detector(VD), only information of the production ends can be recorded, but the trip attraction of the dynamic O-D matrices however can not be identified simultaneously. Recently, with the helps of the Electronic Toll Collection(ETC) system operation, we could obtain the ETC dynamic O-D by integrating information of origin and destination from the on board unit(OBU). However, the overall dynamic O-D matrix of the toll way remains unsolved with this limited information.
   
This research regards the volume of trip production and the ETC O-D matrix as observation information, and unknown O-D trip table as the state variables. Then we can develop brand new system model to solve this problem. Employing adaptuve Kalman filter algorithm, the dynamic O-D matrix can be estimated. Finally, the simulation simple case will illustrate the whole algorithm process.

目錄
中文摘要 I
英文摘要 II
目錄 III
圖目錄 V
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 研究流程 4

第二章	文獻回顧 6
2.1 國內外ETC實施現況 6
2.2 旅次起迄推估的發展 12
2.2.1 靜態O-D推估模式 13
2.2.2 動態O-D推估模式 14
2.3 狀態空間模式 16
2.4 小節 18

第三章 研究方法 20
3.1 卡門濾波演算法 20
3.2 EM-KF演算法 26
3.2.1 EM演算法 26
3.2.2 EM與KF演算法的結合 28

第四章	高速公路動態O-D推估之模式構建 31
4.1 各變數在交通上的意義 34
4.2 高速公路動態O-D推估模式之狀態方程式 34
4.3 高速公路動態O-D推估模式之觀測方程式 35
4.4 高速公路動態O-D模式之矩陣化簡 38
4.4.1 狀態方程式之矩陣形式化簡 38
4.4.2 觀測方程式之矩陣形式化簡 39

第五章	高速公路路網模擬及動態O-D推估 41
5.1分析樣本案例模擬 41
5.1.1 高速公路之交流道VD流量偵測遺失值處理 42
5.2 高速公路車流模擬系統(PARAMICS)介紹 47
5.3 路網模擬範圍界定 48
5.4模擬樣本之時間數列分析 51
5.4.1 階次認定 52
5.4.2 參數估計與模式診斷 55
5.5 系統觀測資訊分析 58
5.6 動態O-D之模式推估58
5.7 結果分析 61
5.8 模式評估指標 64

第六章	結論與建議 69
6.1 結論 69
6.2 建議 70

參考文獻 71

附錄 75
附錄1 - PARAMICS模擬輸入之高速公路局各交通分區旅次吸引量資料 76
附錄2 - PARAMICS模擬輸入之遠通ETC 動態O-D彙整資 77
附錄3 - PARAMICS輸出與高速公路動態O-D之模式估計結果彙整 79
附錄4 - 模擬樣本之ETC迄端旅次吸引量之時間數列分析 83
附錄5 - EM-KF之對數概似函數之條件期望式推導 97
附錄6 - EM-KF演算法簡例操作示範 99
附錄7 - 動態旅次迄點吸引量與動態終點流量間之差異說明 105
========

圖目錄
圖1.3 研究內容流程圖 5
圖2.1-1 美國E-Z Pass電子收費系統施行區域地圖 6
圖2.1-2 馬來西亞EPS收費站與人工收費站 8
圖2.1-3 挪威AutoPass電子收費站與人工收費站 9
圖3.1 卡門濾波遞迴估計架構圖 20
圖4.1 ETC與高速公路之O-D表之卡門濾波模型關係 31
圖5.1-1 高速公路動態O-D估計與績效評估流程 41
圖5.1-2 新店交流道VD全日含遺失值流量紀錄及完整之歷史資訊 42
圖5.1-3 新店交流道VD流量之遺失值暫定為零取代處理 43
圖5.1-4 EM-KF演算之X0參數估計斂過程 44
圖5.1-5 EM-KF演算之P0參數估計斂過程 44
圖5.1-6 EM-KF演算之Φ0參數估計斂過程 44
圖5.1-7 EM-KF演算之Q0參數估計斂過程 45
圖5.1-8 EM-KF演算之R0參數估計斂過程 45
圖5.1-9 VD流量含遺失值之時間數列插補 46
圖5.3-1 模擬路網各交通分區、節點與節線關係圖 49
圖5.3-2 PARAMICS路網模擬操作過程 50
圖5.4 時間數列的參數估計與最適模式決定流程 51
圖5.5 高速公路動態O-D推估模式之觀測資訊 59
圖5.6 高速公路動態O-D矩陣表估計結果 60
圖5.7-1 O-D(1,3)估計與觀測序列之時間趨勢並列比較圖 61
圖5.7-2 交通分區5 -旅次吸引量估計與觀測序列並列比較圖 62
圖5.7-3 EM-KF起始參數收斂對整體O-D狀態估計結果的影響 63
========

表目錄
表2.1-1 ETC系統資訊報表分類與屬性 11
表2.1-2 各國ETC系統分析表 12
表5.2 PARAMICS微觀車流模擬軟體子模式說明表 47
表5.3 高速公路單向南下旅次起迄矩陣表 49
表5.4.1-1 ACF及PACF與時間數列模式之特徵關係 54
表5.4.1-2 各交通分區吸引量之時間數列分析與候選模式 54
表5.4.2-1 各交通分區旅次吸引時間數列之候選模式診斷 56
表5.4.2-2 各交通分區旅次吸引時間數列分析結果 57
表5.7 狀態變數的時間趨勢與流量修正機制 63
表5.8-1 MAPE值評估標準 64
表5.8-2 成對t檢定結果 65
表5.8-3 各O-D估計在24時階下流量分配檢定 68

中文部分：
交通部運輸研究所（民96）。都市交通壅擠收費技術之研究。台北市。
李宗憶（民87）。考慮動態O-D 推估之適應性整體匝道儀控模式研究。淡江大學運輸科學研究所碩士論文，台北縣。
李俊龍（民92）。多源不完整時間數列分析。臺北大學統計學系統計研究所碩士論文，台北縣。
卓訓榮、周幼珍、游正雄、施世欽、史習平、李霞等人（民85）。公路車輛起迄調查方法之研究。台北市：交通部運輸研究所。
卓訓榮、曾國雄、周幼珍、江勁毅 （民86 ）。動態流量推估動態O-D 方法之研究。運輸計劃季刊，26（4），618-638。
胡守任（民90）。智慧型運輸系統基礎理論系列研究（一）濾波理論應用於流量倒推旅次起迄量及車流密度之推估。台北市：交通部運輸研究所。
徐碧君（民98）。常態K-S檢定量之近似極限分佈函數。靜宜大學應用數學研究所碩士論文，台中縣。
張琪玉（民96）。一般路網下之動態旅次起迄推估與預測之研究。成功大學交通管理研究所碩士論文，台南市。
張惠汶（民91）。利用公車GPS 定位資料推估路段行車速率之研究。交通大學運輸研究所碩士論文，新竹市。
陳齊邦（民93）。高速公路動態旅行時間與旅次起迄推估之研究。淡江大學運輸科學研究所碩士論文，台北縣。
黃國禎（民93）。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。中山大學電機工程研究所碩士論文，高雄市。
劉士仙、陳盈呈（民95）。偵測器資訊不完整之路徑動態旅行時間推估之研究。中華民國運輸學會第21屆論文研討會，中華大學，新竹市。
鄭光漢（民97）。里程計費高速公路電子收費系統前端系統最適數量之研究。臺灣大學土木工程研究所碩士論文，台北市。
蘇煌順（民76）。卡門濾波應用於洪水流量預報之研究。臺灣大學土木工程學研究所碩士論文，台北市。
 
英文部分：
Akaike, H. (1974). Markovian Representation of Stochastic Processes and Its Application to the Analysis of Autoregressive Moving Average Processes. Ann. Inst. Statist. Math., 26, 363-387.
Ashok, K. (1996). Estimation and Prediction of Time-Dependent Original-Destination Flows. Ph. D. dissertation, Center of Transportation Studies, Massachusetts Institute of Technology, Cambridge, MA.
Ashok, K. and Ben-Akiva, M. E. (1993). Dynamic Origin-Destination Matrix Estimation for Real-time Traffic Management Systems. In Daganzo, C. F., editor, Transportation and Traffic Theory, 465-484.
Bartlett, M. S. (1946). On the Theoretical Specification of Sampling Properties of Autocorrelated Time Series. Journal of the Royal Statistical Society, Ser. B. Statistical Methodology, 8, 27-41. 
Bell, M. G. H. (1991). The Real Time Estimation of Origin-Destination Flows in The Presence of Platoon Dispersion. Transportation Research, Part B, 25(2), 115-125.
Box, G. E. P. & Jenkins, G.M. (1970). Time Series Analysis, Forecasting, and Control. San Francisco: Holden Day, CA, 575.
Castillo, E., Menendez, J.M., Jimenez, P. (2008). Trip Matrix and Path Flow Reconstruction and Estimation Base on Plate Scanning and Link Observations. Transportation Research, Part B, 42, 455-481.
Chang, G. L. & Wu, J. (1994). Recursive Estimation of Time-Varying Origin-Destination Flows From Traffic Counts in Freeway Corridors.  Transportation Research, Part B, 28(2), 141-160.
Chang, G. L. & Wu, J. (1996). Estimation of Time-Varying Origin-Destination Distributions with Dynamic Screenline Flows. Transportation Research, Part B, 34, 277-290.
Chen, M. & Chien, S.I.J. (2001). Dynamic Freeway Travel Time Prediction Using Probe Vehicle Data: Link-Based vs. Path-Based. 80th Annual Meeting of Transportation Research Board.
Cremer, M. & Keller, H. (1981). A New Class of Dynamic Methods for the Identification of Origin-Destination Flows. Transportation Research, Part B, 21, 117-132.
Dallal, G. E. & Wilkinson, L. (1986). An analytic approximation to the distribution of Lilliefors’s test statistic for normality. The American Statistician, 40, 294-296.
Dempster, A. P., Laird, N. M. & Rubin, D. B. (1977). Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society, Ser. B. Statistical Methodology, 39, 1-38.
Dial, R. B. (1971). A Probabilistic Multi-path Traffic Assignment Model which Obviates the Need for Path Enumeration. Transportation Research, Part B, 5, 83-111.
Kalman, R.E. (1960). A New Approach to Linear Filtering and Prediction Problems. Trans. ASME J. of Basic Eng, 82, 5- 45.
Kalman, R.E. and Bucy, R. S. (1961). New Results in Filtering and Prediction Theory. Trans. ASME J. of Basic Eng, 83, 95-108.
Kirby, H.R. (1979). Partial Matrix Techniques. Traffic Engineering & Control, 20, 422-428.
Lewis, E. B. (1982). Control of Body Segment Differentiation in Drosophila by the Bithorax Gene Complex. Embryonic Development, Part A: Genetics Aspects, Edited by Burger, M. M. and R. Weber. Alan R. Liss. New York, 269-288.
Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov Test for Normality with Mean and Variance Unknown. Journal of the American Statistical Association, 62(318), 399-402.
Nguyen, S. (1977). Estimating an O-D Matrix from Network Data: A Network Equilibrium Approach. University of Montreal Publication, 60.
Nihan, N. L. & Davis, G. A.(1987). Recursive Estimation of Origin-Destination Matrices from Input / Output Counts. Transportation Research, Part B, 21(2), 149-163.
Nihan, N. L. & Davis, G. A. (1989), Application of Prediction-Error Minimization and Maximum Likelihood to Estimate Intersection O-D Matrices from Traffic Counts. Transportation Research, Part B, 23(2), 77-90.
Quenouille, M. H. (1949). Approximate Test of Correlation in Time-Series. Journal of the Royal Statistical Society, Ser. B. Statistical Methodology, 11, 68-84.
Schwartz, G. (1978). Estimating the Dimension of a Model. Annals of Statistics, 6, 461-464.
Shumway, R. H. & Stoffer, D. S. (1982). An Approach to Time Series Smoothing and Forecasting Using the EM Algorithm. Journal of Time Series Analysis, 3(4), 253-264. 
Shumway, R. H. & Stoffer, D. S. (2000). Time Series Analysis and Its Applications. Springer Text in Statistics, New York: Springer.
Van Zuylen, H. J. & Willumsen, L.G. (1980). The most likely trip matrix estimated from traffic counts. Transportation Research, Part B, 14, 281-293.