近年政府大力推行智慧型運輸系統（Intelligent Information System, ITS）九大服務領域中之先進旅行者資訊系統（Advanced Traveler Information System, ATIS）的發展。為提供用路人準確的資訊，以做為路徑、運具選擇之依據，路徑旅行時間的推估是一項重要的議題，其作法可透過固定式偵測器與移動式探針車蒐集路段資料，如流量、佔有率，以及速度等，以推估路段之旅行時間。然而目前國內道路車輛偵測器佈設仍稀，堪用者亦寥寥可數，在資源及經費有限的情況下，廣佈偵測器並非易事，短期可考慮以增加探針車數量以彌補資訊獲取之不足。
    本研究擬自車流速率空間分佈之概念，探討探針車之數量規模以描述或推估路段上之旅行時間，以路段或路段含路口為範圍，依抽樣分佈的概念來反映母體特性。由於探針車可視為一瞬間固定式之偵測器，透過探針車之瞬時速度與位置，形成一抽樣之速率空間分佈，據以決定探針車數量，反映母體特性以推估瞬時旅行時間。並以此瞬間抽樣方式與偵測器資料進行資料融合測試，以探討此方式之可行性。
    本研究以真實路網資料校估並驗證模擬軟體，據以構建模擬路網，透過模擬方式蒐集車輛偵測器與探針車資料，進行資料融合以推估旅行時間。偵測器以流量與佔有率推估密度，並結合OH與Webster模式推估旅行時間，配合探針車之旅行時間資料進行資料融合。研究內容包括：(1)探針車數量演算法探討與測試；(2)資料融合之比較與適用情境；(3)資料融合推估旅行時間，以提供較精確之旅行資訊予用路人。
    研究結果顯示，本研究以瞬間速率空間分佈推估所需探針車數量較過去之研究為多，依路段長度與流量不同所需探針車數量比率各異，其分佈大致為1至6成，整體平均結果與Tetsuhiro (2005)所提40%可不停地蒐集交通資訊之結論相近。另以此瞬間抽樣方式進行資料融合，測試結果顯示一路段以加權平均法推估績效較佳；二路段(含路口)以類神經網路推估績效較佳，且透過資料融合可有效降低個別推估之誤差。在資料融合比較方面，結果顯示，加權平均法較適用於路段長度400公尺以下，探針車數量比率達10%以上，更新時間3分鐘較為即時之狀態；類神經網路則較適用於路段長度400公尺以上，探針車數量比率10%以下，且更新時間5分鐘相對較長時間。最後，提出兩者之優劣比較，以供相關應用參考。

In recent years, Government tries to carry out the development of Advanced Traveler Information System - among the nine service domains of Intelligent Information System. In order to provide accurate information for road users, to stand on the choices of routes and transportation, estimating the path travel time is an important issue. To estimate travel time, vehicle detectors and probe vehicles collecting information (e.g., flow, occupancy and speed, etc.) are being used. For the moment, there is quite few vehicle detectors can still be used. Under the insufficient resource and budget, it is uneasy to set up vehicle detectors widely, otherwise, to add probe vehicles in the short term to make up for the shortage of information gathering.
    This study applies the concept of vehicle speed distributes in space of roadway segment and intends to investigate how many probe vehicles are enough to describe or estimate travel time for a roadway segment. The aspect of investigation is a roadway segment or a roadway segment containing intersection, according to the concept of a sample distribution which reflects population characteristics. As a result, probe vehicle can be considered as an instantaneous fixed vehicle detector by using the instantaneous speed and position of probe vehicles and it sets up a speed distribution of samples, from the inside, explores the size of probe vehicles and reflects population to estimate instantaneous travel time. Furthermore, by using the instantaneous sample method and vehicle detector data to test the data fusion, the feasibility of this method will be determined.
    After conferring the size of probe vehicle, data collection through real network and establishment of the simulation network can be used when parameters are evaluated. To collect data from vehicle detectors and probe vehicles through simulation, and then carrying out data fusion to estimate travel time. Vehicle detector estimates density by using flow and occupancy rate, accords with OH and Webster model to estimate travel time, and matches up the travel time which probe vehicles drive end of the roadway segment. For this reason, this study contains: (1) Investigate and test the algorithm of probe vehicle size. (2) The comparison and suitable situation of data fusion. (3) Estimate travel time using data fusion, and hope to provide more accurate travel information for road user.
    The result of this study exhibits that sizes of the probe vehicle are more than other studies by using the instantaneous distribution of speed. According to different length and flow rate of roadway segment with different probe vehicle size, it distributes about ten to sixty percent, and the average is similar to Tetsuhiro (2005) who brought up that forty percent probe vehicles can collect traffic information nonstop. Besides, the test of data fusion uses instantaneous sampling method and the result exhibits that Weighted Average is better in the one roadway segment case, Artificial Neural Network is better in the two roadway segments case, and data fusion can reduce the travel time errors from each detector has estimated. 
    The result of data fusion exhibits that Weighted Average is suitable for the road length under 400 meters, probe vehicle rate upon 10 percent, and update in 3 minutes (i.e., real time); Artificial Neural Network is suitable for the road length upon 400 meters, probe vehicle rate under 10 percent, and update in 5 minutes (i.e., comparatively longer time). Finally, advantages and disadvantages of two methods are provided for the related applications.

目  錄	I
圖目錄	III
表目錄	V
第一章 緒論	1
1.1 研究背景與動機	1
1.2 研究目的	2
1.3 研究範圍與對象	3
1.4 課題界定	3
1.5 研究流程	9
第二章 文獻回顧	10
2.1 探針車數量(THE SIZE OF PROBE VEHICLE)	10
2.2 資料融合（DATA FUSION）	14
2.3旅行時間推估與預測(TRAVEL TIME ESTIMATION AND PREDICTION)	23
2.4 文獻回顧小結	31
第三章 模式構建	32
3.1 探針車數量理論基礎與流程	32
3.2 資料融合技術	38
3.2.1 加權平均法(Weighted Average)介紹	42
3.2.2 類神經網路(Artificial Neural Network)介紹	48
3.3 旅行時間推估方法	54
第四章 實驗設計與資料蒐集	58
4.1 資訊來源	58
4.2 資料形式與整合	58
4.3 車流模擬系統(PARAMICS)介紹	59
4.4 模擬路網構建	66
4.5 軟體程式介面開發(APPLICATION PROGRAM INTERFACE, API)	69
4.6 模擬實驗設計	75
4.6.1 路段組合設計	75
4.6.2 情境組合設計	76
4.7 模擬績效驗證	77
4.8 評估準則	78
第五章 模式評估與資料分析	79
5.1 探針車數量模式	79
5.2 瞬時抽樣測試	83
5.2.1 測試架構	83
5.2.2 探針車推估績效	84
5.2.3 加權平均法測試	85
5.2.4 類神經網路測試	86
5.2.5 綜合績效比較	87
5.3 資料融合技術比較	88
5.3.1 加權平均法(Weighted Average)	88
5.3.2 類神經網路(Artificial Neural Network)	92
5.3.3 資料融合技術績效比較	96
5.3.4 資料融合技術優缺	105
第六章 結論與建議	106
6.1 結論	106
6.2 建議	108
參考文獻	109
附  錄	114
附錄一	115
附錄二	130
附錄三	132

圖目錄
圖1-1 旅行時間推估與預測關係圖	6
圖1-2 探針車數量求解概念圖	7
圖1-3 求解流程圖	8
圖1-4 研究流程圖	9
圖2-1 事件資訊偵測平行處理示意圖	18
圖2-2 事件資訊偵測序列處理示意圖	19
圖2-3 事件資訊偵測序列/平行處理示意圖	19
圖2-4 專家系統架構	21
圖3-1 探針車數量求解示意圖	33
圖3-2 車輛軌跡：AA’為路點觀測；BB’為時點觀測	35
圖3-3 時點觀測與路點觀測示意圖	35
圖3-4 流量-密度、速度-流量、速度-密度圖	36
圖3-5 探針車篩選演算法	46
圖3-6 偵測器篩選演算法	47
圖3-7 人工類神經網路架構圖：以倒傳遞人工神經網路為例	49
圖3-8 倒傳遞人工神經網路建構流程	51
圖3-9 旅行時間推估與預測模式關係圖	55
圖4-1 連續路段之路網圖	68
圖4-2 單一路段之路網圖	68
圖4-3 API之介紹	69
圖4-4 PARAMICS與API之關係	70
圖4-5 API製作流程	71
圖4-6 本研究API架構過程	72
圖5-1 一路段車輛平均速度出現位置	80
圖5-2 本研究之探針車數量比率	82
圖5-3 探針車旅行時間績效	84
圖5-4 加權平均法績效測試	85
圖5-5 類神經網路績效測試	86
圖5-6 不同路段數下之資料融合績效	87
圖5-7 路段長度200M以下之資料融合績效	101
圖5-8 路段長度200M~400M之資料融合績效	101
圖5-9 路段長度400M~600M之資料融合績效	102
圖5-10 路段長度600M以上之資料融合績效	102
圖5-11 資料融合技術適用情境歸納	104
圖5-12 一路段與二路段之較適融合技術	104

表目錄
表1.1 研究範圍示意表	3
表1.2 探針車系統/技術比較表	3
表1.3 交通監視技術	4
表1.4 不同時間向度之旅行時間類型	4
表1.5 不同需求下之旅行時間類型	5
表1.6 不同性質之旅行時間類型	5
表1.7 各種預測技術與特性	6
表2.1 各層級資料融合內容功用彙整表	16
表2.2 資料融合技術分類	17
表3.1 時點觀測與路點觀測差異(ㄧ)	34
表3.2 時點觀測與路點觀測差異(二)	34
表3.3 瞬時與真實旅行時間差異	37
表3.4 資料融合技術分類	38
表3.5 資料要素	39
表3.6 資料融合技術彙整	40
表3.7 加權平均法參數值	45
表3.8 個別回報之篩選檢查標籤	46
表4.1 偵測器與探針車資料內容與形式	59
表4.2 資料更新時間之影響	59
表4.3 公路環境功能分類之模擬模式	60
表4.4 車流模擬軟體之相關功能比較	60
表4.5 PARAMICS微觀車流模擬軟體子模組	61
表4.6 PARAMICS與NETSIM模擬路網之限制	62
表4.7 PARAMICS模擬器駕駛者相關參數說明	63
表4.8 屬性變數分類與編碼	66
表4.9 模擬路段資訊	67
表4.10 道路路型分類	67
表4.11 本研究速度API之輸出格式	73
表4.12 處理後之車輛資料	74
表4.13 本研究旅行時間API之輸出格式	75
表4.14 PARAMICS模擬軟體較佳參數設定值組合	75
表4.15 路段組合編號	76
表4.16 資料融合之情境組合	77
表4.17 模擬環境與真實環境之旅行時間比較	77
表4.18 MAPE的評估標準	78
表5.1 平均速度推估旅行時間之MAPE值	79
表5.2 車輛平均速度出現之位置	80
表5.3 車輛平均速度出現之比率	81
表5.4 一般最小探針車數量比率	81
表5.5 本研究之最小探針車數量比率	82
表5.6 瞬時抽樣測試架構	83
表5.7 探針車旅行時間與真值比較(MAPE值)	84
表5.8 加權平均法測試	85
表5.9 類神經網路測試	86
表5.10 資料融合測試之績效比較	87
表5.11 加權平均法T1_S1各組合下之較佳調整因子與MAPE值	88
表5.12 加權平均法T1_S2各組合下之較佳調整因子與MAPE值	88
表5.13 加權平均法T1_S3各組合下之較佳調整因子與MAPE值	89
表5.14 加權平均法T1_S4各組合下之較佳調整因子與MAPE值	89
表5.15 加權平均法T1_S5各組合下之較佳調整因子與MAPE值	89
表5.16 加權平均法T2_S1各組合下之較佳調整因子與MAPE值	90
表5.17 加權平均法T2_S2各組合下之較佳調整因子與MAPE值	90
表5.18 加權平均法T2_S3各組合下之較佳調整因子與MAPE值	90
表5.19 加權平均法T2_S4各組合下之較佳調整因子與MAPE值	91
表5.20 加權平均法T2_S5各組合下之較佳調整因子與MAPE值	91
表5.21 加權平均法整體平均績效MAPE值(1)	92
表5.22 加權平均法整體平均績效MAPE值(2)	92
表5.23 類神經網路T1_S1各組合下之最佳隱藏層與處理單元	93
表5.24 類神經網路T1_S2各組合下之最佳隱藏層與處理單元	93
表5.25 類神經網路T1_S3各組合下之最佳隱藏層與處理單元	93
表5.26 類神經網路T1_S4各組合下之最佳隱藏層與處理單元	93
表5.27 類神經網路T1_S5各組合下之最佳隱藏層與處理單元	94
表5.28 類神經網路T2_S1各組合下之最佳隱藏層與處理單元	94
表5.29 類神經網路T2_S2各組合下之最佳隱藏層與處理單元	94
表5.30 類神經網路T2_S3各組合下之最佳隱藏層與處理單元	95
表5.31 類神經網路T2_S4各組合下之最佳隱藏層與處理單元	95
表5.32 類神經網路T2_S5各組合下之最佳隱藏層與處理單元	95
表5.33 類神經網路整體平均績效MAPE值(1)	96
表5.34 類神經網路整體平均績效MAPE值(2)	96
表5.35 各情境組合下最適資料融合技術	97
表5.36 組合T1_S1之資料融合績效MAPE值	97
表5.37 組合T1_S2之資料融合績效MAPE值	97
表5.38 組合T1_S3之資料融合績效MAPE值	98
表5.39 組合T1_S4之資料融合績效MAPE值	98
表5.40 組合T1_S5之資料融合績效MAPE值	98
表5.41 組合T2_S1之資料融合績效MAPE值	99
表5.42 組合T2_S2之資料融合績效MAPE值	99
表5.43 組合T2_S3之資料融合績效MAPE值	99
表5.44 組合T2_S4之資料融合績效MAPE值	100
表5.45 組合T2_S5之資料融合績效MAPE值	100
表5.46 更新時間3分鐘之整體績效	100
表5.47 更新時間5分鐘之整體績效	101
表5.48 更新時間3分鐘各路段組合之融合績效	103
表5.49 更新時間5分鐘各路段組合之融合績效	103
表5.50 綜整資料融合技術之有效推估率	103
表5.51 各路段組合下較適資料融合技術	104
表5.52 資料融合技術優劣比較	105

1.Takashi, Dynamic Estimation of Traffic States on Expressway for Advanced Traffic Surveillance Systems, 2000.
2.Turner, S. M., Eisele, W. L., Benz, R. J., and Holdener, D. J. “Travel Time Data Collection Handbook.” Texas Transportation Institute. FHWA. 1998.
3.L Yermack, M Gallagher, KR Marshall “ETTM - an early ITS winner” ITE Journal(Institute of Transportation Engineers), 1995.
4.交通部運輸研究所，公路行車時間資訊管理系統之規劃研究(1/4)－高速公路部分及模式先期研究，民國93年。
5.You, J. and Kim, T. J., “Toward Developing an Expert GIS-Based Travel Time Forecasting Model With Congestion Pattern Analysis”5th ITS World Congress, 1998.
6.Turner, S. M., and Holdener, D. j. “Probe Vehicle Sample Size for Real-Time Information: The Houston Experience.” Texas Transportation Institute Texas A&M University, 1995.
7.Karthik K. Srinivasan and Paul P. Jovanis, “Determination of Number of Probe Vehicles Required for Reliable Travel Time Measurement in Urban Network.” TRANSPORTATION RESEARCH RECORD 1537, 1996.
8.Quiroga, C.A. and Bullacok, D. “Determination of sample sizes for travel time studies”. ITE Journal 68(8), 1998, pp 92-98.
9.Helinga, B., Fu, L. “Assessing Expected Accuracy of Probe Vehicle Travel Time Reports.” Journal of transportation Engineering, 125(6), 524-530, 1999.
10.Chen,M, Chien, S.I.J. “Determining the number of probe vehicles for freeway travel time estimation using microscopic simulation.” Paper No.00-1334, Transportation Research Board 79th Annual Meeting, TRB, Washington.D.C. Jan., 2000.
11.Ruey Long Cheu, Chi Xie and Der -Horng Lee, “Probe Vehicle Population and Sample Size for Arterial Speed Estimation.” Computer-Aided Civil and Infrastructure Engineering 17 (2002) 53–60, 2002.
12.Cohen. S. “Probe Vehicle Sample Size for Travel Time Estimation on Equipped Motorways.” European Transport Conference, Cambridge(UK), 2002.
13.Shuo Li, Karen Zhu, B. H. W. Van Gelder, John Nagle, and Carl Tuttle,“Reconsideration of Sample Size Requirements for Field Traffic Data Collection with Global Positioning System Devices.” Transportation Research Record 1804, 2002.
14.WANG Li, WANG Chuanjiu, SHEN Xiaorong, FAN Yuezu, “Probe Vehicle Sampling for Real-Time Traffic Data Collection.” Manuscript received January 14, 2005.
15.Tetsuhiro Ishizaka, Atsuahi Fukuda and Sorawit Narupiti, “EVALUATION OF PROBE VEHICLE SYSTEM BY USING MICRO SIMULATION MODEL AND COST ANALYSIS”Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, pp. 2502 - 2514, 2005.
16.Harris, C.J. “Distributed Estimation, Inferencing and Multi-sensor Data Fusion for Real Time Supervisory Control.” Artificial Intelligence in Real-Time Control 1989. Proceedings of the IFAC Workshop. 19-21 Sept. 1989: Shen-yang, China.
17.Niehaus, A. and R.F. Stengel. “Probability-based Decision Making for Automated Highway Driving.” VNIS ‘91. Vehicle Navigation & Information Systems Conference Proceedings. 20-23 Oct. 1991: Dearborn, MI. Soc. Automotive Eng.: Warren dale, PA, 1991. Vol. 2: (1125-36).
18.Berka, S. , Tian, X., Changes in Paramics of Data Fusion Subcomponent, Memo, Urban Transportation Center, University of Illinois at Chicago, 1994.
19.Ivan, J. N. et al., “Real- Time Data Fusion for Arterial Street Incident Detection Using Neural Networks,” Transportation Research Record, No. 1497, pp. 27-35, 1995. 
20.劉國偉、許仲仁、黃惠隆，交通資料演算法之研究，中華民國運輸學會第十二屆學術論文研討會論文集，1164-1172頁，民國86年。
21.Ruey Long Cheu, Der-Horng, and Chi Xie “An Arterial Speed Estimation Model Fusing Data from Stationary and Mobile Sensors.” Department of Civil Engineering, National University of Singapore, 2001.
22.Klein, Lawrence A.“Sensor Technologies and Data Requirements for ITS.” Boston and London: Artech House, 2001.
23.李穎，類神經網路應用於國道客運班車旅行時間預測模式之研究，國立成功大學交通管理科學研究所，民國91年。
24.黃守琮，運用探針車與偵測器估計車輛旅行時間之研究，淡江大學運輸科學研究所，民國93年。
25.Park, D. et al., “Spectral Basis Neural Networks For Real-Time Travel Forecasting.” Journal of Transportation Engineering, pp.515-523, Nov/Dec, 1999.
26.Hoffman, C., and Janko, J., “Travel time as a basis of the LISB guidance strategy”, in Proc. of IEEE Road Traffic Control Conf., IEEE, New York, 6-10, 1990.
27.鄭志平，應用衝擊波理論在高速公路封閉部分車道時旅行時間推算之研究，成功大學交通管理研究所，民國81年。
28.M. Van Aerde, B. Hellinga, L. Yu, and H. Rakha, “Vehicle Probes as Real-Time ATMS Sources of Dynamic O-D and Travel Time Data.” Department of Civil Engineering Queen's University, Kingston, Canada, 1993.
29.Sen, Ashish, Thkuriah, Piyushimita, Zhu, Xia-Quon, and Karr, Alan, “Frequency of Probe Reports and Variance of Travel Time Estimates. ” Journal of Transportation Engineering, Vol.123, No.4,pp.290-297, 1997.
30.Oda, T., An Algorithm for Prediction of Travel Time Using Vehicle Sensor Data, Japan, 1998. 
31.Yoshikazu, “On line Learning Type of Traveling Time Prediction Model.” IEEE, 1998. 
32.李俊賢，在靜態模型中運用傅立葉轉換分析隨機性動態旅行時間之研究，國立台灣大學土木工程學研究所博士論文，民國85年。
33.Bae Sanghoon, “Probative Travel Time Predictions under Interrupted Flow Condition,” IEEE, 1997.
34.D. J. Dailey and H. Xu, Data Fusion for Multimodal Traveler Information in a Wireless Environment, University of Washington, 1996.
35.You, J. and Kim, T. J., “Toward Developing an Expert GIS-Based Travel Time Forecasting Model With Congestion Pattern Analysis” 5th ITS World Congress, 1998.
36.Karl F. Petty, “Accurate Estimation of Travel Times from Single-Loop Detectors”, 1998.
37.A. T. Vemuri and M. M. Polycarpou, “Short-Term Forecasting of Traffic Delays in Highway Construction Zones Using On-Line Approximators”, 1998.
38.Y Son, J Oh “Estimating Arterial Link Travel Times Using Loop Detector Output” 5th ITS World Congress, Seoul, 1998.
39.Rose, Geoff, Paterson, Darryn, “Dynamic Travel Time Estimation on Instrumented Freeways”, Presented at 6th World Congress on Intelligent Transport Systems 1999. Toronto, Canada.
40.Jasperse, Diana, van Toorenburg, Jaap, “Real-Time Estimation of Travel-Timeand Queue-Lengths - A Practice Study”, Presented at 6th World Congress on Intelligent Transport Systems 1999. Toronto, Canada.
41.Al-Deek, H. et al., “Travel Time Prediction for Freeway Corridors.” Prepared for Presentation at the 78th Transportation Research Board Annual Meeting, Washington, D. C., 1999.
42.曹麗，行駛時間估測及多點交通流數據融合，清華大學自動化系，民國89年。
43.Bruce Hellinga and Rajesh Gudapati, “Estimating Link Travel Time from Different Data Sources for Use in ATMS and ATIS.” Assistant Professor, Department of Civil Engineering, University of Waterloo 200 University Ave. West, Waterloo ON N2L, 2001.
44.Chen, M. and S. Chien “Dynamic Freeway Travel Time Prediction Using Probe Vehicle Data: Link-based vs. Path-based.” Transportation Research Board 80th Annual Meeting January 7-11, Washington, DC, 2001.
45.吳佳峰，有GPS資訊提供下之車輛旅行時間預估模式之研究，國立交通大學運輸工程與管理學系，民國90年。
46.B Coifman “Estimating travel times and vehicle trajectories on freeways using dual loop detectors.” Transportation Research Part A: Policy and Practice, 2002.
47.Yanying Li and Mike Mcdonald. “Link Travel Time Estimation Using single GPS Equipped Probe Vehicle.” The Transportation Research Group, Dept. of Civil and Environmental Engineering, University of Southampton, SO17 1BJ, UK, 2002.
48.張惠汶，利用公車GPS定位資料推估路段行車速率之研究，國立交通大學運輸科技與管理學系，民國91年。
49.黃惠隆，以車輛偵測器推估旅行時間之研究-以北二高為例，中華顧問工程司，民國91年。
50.Sutti Tantiyanugulchai and Robert L. Bertini. “Arterial Performance Measurement Using Transit Buses as Probe Vehicles.” Dept. of Civil & Environmental Eng., Portland State University, P.O. Box 751, Portland, OR 97207-0751 USA, 2003.
51.Alexandre Torday, “Link Travel Time Estimation with Probe Vehicles in Signalized Networks.” Laboratory of Traffic Facilities Swiss Federal Institute of Technology Lausanne, 2003.
52.邱華敏，高速公路事故路段動態旅行時間模式之研究，國立台灣大學土木工程學研究所，民國92年。
53.X Zhang, J Rice “Short-term travel time prediction” Transportation Research Part C: Emerging Technologies, 2003.
54.Oh, J. S., Jayakrishnan, R., and Recker, W., “Section Travel Time Estimation from Point Detection Data”, presented at the 82th Annual Meeting of Transportation Research Board, Washington, D. C., U.S.A., 2002.
55.Lin, W. H.,Kulkarni, A., and Michandani, P., “Short-Term Arterial Travel Time Prediction for Advanced Traveler Information Systems.”, ITE Journal, Vol.69, 1998, pp.203-223.
56.交通部運輸研究所，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，民國95年。
57.Daniel L. Gerlough and Matthew J. Huber, “Traffic Flow Theory” Transportation Research Board, National Research Council, Washington, D.C., 1975.
58.Wilhelm Leutzbach, “Introduction to the Theory of Traffic Flow.” Spring-Verlag Berlin Heidelberg New York London Paris Tokyo, Karlsruhe, September 1987.
59.Michael S. Bronzini, “Transportation Infrastructure Security: Innovative Technology for Vehicle, Operator and Cargo Identification.” CIPP Workshop I, August 2003.
60.Andrezj Tarko and Nagui Rouphail, Travel Time Data Fusion in ADVANCE, ADVANCE Working Paper #28, August 1993.
61.S. Berka, A. Tarko, N. Rouphail, V. Sisiopiku and D. Lee, Data Fusion Algorithm for ADVANCE Release 1.5, ADVANCE WORKING PAPER SERIES #37, February 1995.
62.葉怡成，類神經網路模式應用與實做，儒林圖書公司，民國89年4月。
63.邱顯鳴，結合車道變換率之事件偵測新演算法研究，台灣大學土木工程學研究所，民國84年6月。
64.林士傑，高速公路旅行時間預測模式之研究-類神經網路之應用，成功大學交通管理研究所，民國90年6月。
65.Peter Nelson and Prasad Palacharla, A Neural Network Model for Data Fusion in ADVANCE, Presented at the 1993 Transtech Pacific Rim Conference Seattle, Washington July 25, 1993.
66.魏健宏、林士傑，國道客運旅行時間預測模式之研究，中國土木水利工程學刊，民國92年。
67.交通部運輸研究所，先進式微觀車流模擬器—PARAMICS模擬軟體應用於高速公路與市區道路交控系統整合策略研究，民國90年。
68.Paramics online “PARAMICS使用手冊”, 2004, from the World Wide Web: http://www.paramics-online.com/tech_support/customer/custarea_software.htm
69.交通部運輸研究所，先進式微觀車流模擬器—PARAMICS模擬軟體應用台灣地區發展ITS模擬路網之模式校估測試研究，民國90年9月。
70.Henry Liu, Lianyu Chu & Will Recker “Customized Simulation Modeling Using PARAMICS Application Programming Interface”, 2002.
71.洪百賢 『Paramics API』成功大學交通管理學系助理研究員，民國95年。
72.Lewis, C. D. “Industrial and Business Forecasting Method” 華泰書局, pp.38-41, 1982.