近年來，知名之觀光遊憩區於周休及連續假期時常湧入大量人潮造成壅塞；政府為了提升景區交通服務水準，因此擬導入先進的智慧型運輸系統(Intelligent Transportation System, ITS) 科技，使景區之交通壅塞能事前預警，防範於未然。本研究以日月潭國家風景區為例，利用現有車輛偵測器資訊提前預測景點壅塞狀況，並嘗試比較路網中不同之路段(節線)或景點(節點)資訊於景區壅塞預測之準確與可靠度績效，做為未來評估與選擇交通管制之參考。
以路段速率透過加權平滑推估進行預測，並以卡門濾波法演算進行停車場流量動態推估，並嘗試以時空數列方法對日月潭路網進行時空分析，最後以VISSIM軟體模擬日月潭交通路網。
結果顯示，以近景區之停車場評估景區壅塞較週邊路段更具優勢，且根據壅塞門檻以預測壅塞預警，可以提早60分鐘準備應便，準確率約為80%。

Due to the overwhelming tourists, congestion in some scenic area became a dead lock recently, especially in long vocation.  To improve the quality of well-known scenic spot, authority introduces some advanced technologies of Intelligent Transport System (ITS) into this area, and hope that it could response the incident in advance before it gets worse. Sun Moon Lake National Scenic Area is on the top list of well-known spots cross the Taiwan Strait to be the first choice of this study area.  With density layout vehicle detector (VD) data, we compare with types of link and node information in order to provide the effective performance index for traffic control in the near future.
This study applies weighted average method and extended Kalman Filter for link and node performance assessments separately.  Furthermore, to explore the spatial relationships of traffic congestion of upstream and downstream, STARIMA is also included based on a full data by a traffic simulation software, VISSIM.
After discussion in details, the congestion of parking lot near major scenic spot is best for traffic control than those from links in surrounded area.  Based on the standard threshold of congestion index, the warning call could make one hour in advance with accuracy of 80%.

致謝	i
中文摘要	iii
英文摘要	iv
目錄	I
圖目錄	III
表目錄	V
第一章	緒論	1
1.1	研究背景	1
1.2	研究目的	1
1.3	研究範圍	2
1.4	研究流程	3
1.5	研究內容	5
第二章	文獻回顧	6
2.1	景區ITS應用現況	6
2.2	路段交通壅塞指標	12
2.3	動態短期交通資訊推估方法	12
2.4	資訊時間與空間關聯	14
2.5	小結	15
第三章	研究方法與模式建構	16
3.1	簡單加權趨勢平滑推估法	16
3.2	時間數列	18
3.3	卡門濾波演算法及路段與停車場關聯模式建構	20
3.4	時空數列與空間權重設置	27
第四章	案例分析與討論	36
4.1	交通現況調查	36
4.2	VISSIM微觀車流模擬	42
4.3	模式推估	48
4.4	分析與討論	73
第五章	結論與建議	78
5.1	結論	78
5.2	建議	79
參考文獻	80
附錄 A	86
附錄 B	89
附錄 C	91
附錄 D	113


圖 1.3.1 研究範圍簡圖	3
圖 1.4.1 研究流程圖	4
圖 3.2.1 簡易ARIMA模式建構流程	20
圖 3.3.1 卡門濾波演算流程圖	22
圖 3.3.2 路外停車場與路段關係圖	25
圖 3.3.3 簡化後路外停車場與路段關係圖	25
圖 3.4.1 空間權重示意圖	28
圖 3.4.2 時空數列簡化路網範例	29
圖 3.4.3 時空數列範例權重設置	30
圖 4.1.1 日月潭周邊車輛偵測器	36
圖 4.1.2　VD06 2010年南下車流	40
圖 4.1.3　VD06 2010年北上車流	41
圖 4.2.1 日月潭交通模擬路網範圍	43
圖 4.2.2 日月潭VISSIM交通模擬路網	44
圖 4.2.3 模擬輸出- VD06 流量與速率	45
圖 4.2.4 模擬輸出- VD07流量與速率	45
圖 4.2.5 模擬輸出- VD22 流量與速率	46
圖 4.2.6 日月潭中興停車場所在位置簡圖	47
圖 4.2.7 模擬輸出-水社停車場停車數量	47
圖 4.2.8 模擬輸出-VD07南下平均速率	48
圖 4.3.1 加權平滑模式權重比較圖	49
圖 4.3.2 以加權平滑預測之路段速率推估	50
圖 4.3.3 路段速率差分後ACF	55
圖 4.3.4 路段速率差分後PACF	55
圖 4.3.5 路段速率時間數列推估值	57
圖 4.3.6 時間數列模式殘差之ACF	57
圖 4.3.7 時間數列模式殘差之PACF	58
圖 4.3.8 停車數量卡門濾波推估	62
圖 4.3.9 簡化後日月潭交通路網	67
圖 4.3.10 時空數列殘差STACF	71
圖 4.3.11 時空數列殘差STPACF	71
圖 4.3.12 VD07流量時空數列模式推估值	72


表 2.1 1 阿卡迪亞國家公園旅行及交通管理系統組成	7
表 2.1 2 國內各景區交通管理措施比較表	10
表 2.2 1 擁擠指標分群交通特性	12
表 3.1 1 加權平滑權重值	17
表 3.3 1 時間數列模式認定方法	24
表 3.4 1 時空數列階次認定方法	33
表 4.1 1 日月潭周遭車輛偵測器特色	37
表 4.3 1 加權平滑模式權重比較表(MAPE)	49
表 4.3 2 以加權平滑預測之路段速率推估值	50
表 4.3 3 以簡單加權法之路段速率1小時內加權平滑推估結果	51
表 4.3 4 路段速率ADF檢定	53
表 4.3 5 差分後路段速率ADF檢定	54
表 4.3 6 路段速率ARI(1,1)參數校估	55
表 4.3 7 路段速率時間數列推估值	56
表 4.3 8 以時間數列預測之路段速率1小時內加權平滑推估結果	58
表 4.3 9 停車場車數ADF檢定	59
表 4.3 10 差分後停車場車數ADF檢定	60
表 4.3 11 停車數量ARI(1,1)參數校估	60
表 4.3 12 停車數量卡門濾波推估值	61
表 4.3 13 以卡門濾波預測之停車數量1小時內平滑推估結果	62
表 4.3 14 壅塞狀況判斷定義	63
表 4.3 15 以加權平滑預測之路段速率1小時內壅塞狀況判斷準確度	64
表 4.3 16以加權平滑預測之路段速率1小時內壅塞狀況判斷準確度(續)	65
表 4.3 17 以時間數列預測之路段速率壅塞狀況判斷準確度	65
表 4.3 18 以時間數列預測之路段速率壅塞狀況判斷準確度(續)	65
表 4.3 19 以卡門濾波預測之停車場資料未來壅塞狀況判斷準確度	66
表 4.3 20 以卡門濾波預測之停車場資料未來壅塞狀況判斷準確度(續)	66
表 4.3 21 一階時空數列空間權重	67
表 4.3 22 二階時空數列空間權重	67
表 4.3 23 VD07南下流量ADF檢定	68
表 4.3 24 時空數列模式STACF	69
表 4.3 25 時空數列模式STPACF	69
表 4.3 26 時空數列模式參數校估	70
表 4.3 27 VD07流量時空數列模式推估值	72
表 4.3 28 路段流量長期平滑推估結果	73
表 4.4 1 景點壅塞狀況方法推估綜合比較	76

中文：
吳淑順(1999)，「應用模糊類神經網路於動態路徑選擇之研究」，淡江大學運輸科學研究所碩士論文。
邱妍菁(2006)，「高速公路短期交通資訊之灰預測模型」，逢甲大學交通工程與管理學系碩士論文。
邱佩諄、蘇振維(2006)，「觀光遊憩地區實施交通管理計畫特性分析及建議處理原則」，交通部運輸研究所。
林茂文(1992)，「時間數列分析與預測：管理與財經之應用」，華泰書局。
林聰明，吳水丕(2004)，「指數平滑法之選擇與應用」，華泰書局。
陳齊邦(2004)，「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。
陳雅玫(1992)，「台灣地區失業率的時空數列分析」，政治大學統計研究所碩士論文。
黃泰林(1997)，「電腦化交通號誌控制系統中流量預測模式之比較及其實證研究」，成功大學交通管理研究所碩士論文。
葉昱宏(2010)，「以電子收費系統資訊推估高速公路動態旅次起迄之研究」，淡江大學運輸科學研究所碩士論文。
廖敏治(1992)，「大台北都會區空氣汙染指標之時空數列分析」，政治大學統計研究所碩士論文。
賴長偉(2006)，「用路人動態擁擠感知行為分析」，淡江大學運輸管理科學系碩士論文。
譚光榮(1993)，「時空數列分析在蔬菜價格變動與產銷策略之研究」，政治大學統計研究所碩士論文。
日月潭國家風景管理處(2010)，「觀光遊樂地區停車供需狀況調查」。
交通部運輸研究所(2010)，「動態交通資訊之技術開發與應用研究(四)-觀光遊憩區導入ITS策略之先期評估研究」。
中華電信(2011)，「觀光遊憩區導入智慧型運輸系統計畫－i3 Travel 愛上旅遊」，交通部運輸研究所委託計畫。
觀光局網站，http://admin.taiwan.net.tw/statistics/release.asp?relno=21。
日月潭國家風景區管理處網，http://www.sunmoonlake.gov.tw/TW/02001565.aspx。
日月潭國家風景區網頁，http://www.sunmoonlake.gov.tw/TW/02000109.aspx。


英文：
Arem, B. V., Kirby, H. R., Van Der Vlist, M. J. M. & Whittaker, J. C. (1997), Recent advances and applications in the field of short-term traffic forecasting, International Journal of Forecasting, 13(1), 1–12.
Chen, H. B. & Grant-Muller, S. (2001), Use of sequential learning for short-term traffic flow forecasting, Transportation Research Part C, 9(5), 319–36.
Dickey, D. A. & Fuller, W. A. (1979) Distribution of the Estimators for Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association, 74, 427-431.
Dougherty, M. S., Kirby, H. R. and Boyle, R. D. (1994). Using neural networks to recognise, predict and model traffic. In: Bielli, M., Ambrosino, G. and Boero, M. (eds). Artificial Intelligence Applications to Traffic Engineering Applications. VSP, Zeist, The Netherlands, pp 233-250.
Gazis D. C. and Knapp C. H. (1971) On-line estimation of traffic densities from time-series of flow and speed data. Transpn Sci. 5, 283-301.
Haykin, S. (2001), Kalman Filtering and Neural Networks, John Wiley and Sons, Inc., New York.
Hsieh, Y. C. (2010) Short-term traffic flow forecasting for urban roads. National Chiao Tung University.
Kalman R. E. (1960) A new approach to linear filtering and prediction problems, J. Basic Engng 82D (I), 35-45.
Kamariankis, Y. and Prastacos, P. & Kotzinos D. (2004) Bivariate traffic relations: A space time modelling approach. AGILE proceedings, 465-474.
Kamarianakis, Y., and Prastacos, P., 2003 Forecasting Traffic flow conditions in an urban network: A comparison of univariate and multivariate procedures. Transportation Research Record: Journal of the Transportation Research Board, No. 1857, TRB National Research Council, Washington, D.C., 74-84. 
Kamariankis, Y. and Prastacos, P. (2005) Space-time modeling of traffic flow. Computer & Geosciences 31, no.2, 119-133. 
Kamariankis, Y. and Prastacos, P. (2006) Spatial Time-Series Modelling: A review of the proposed methodologies. In Toppen, F. and Painho, M., (eds) Proceedings of the 8th AGILE Conference on Geographic Information Science, Universidade Nova de Lisboa, Lisboa, Portugal, 167-176.
Kotler, P. (1991), Marketing Management: Analysis, Planning, Implementation, and Control, 7th ed., New Jersey: Prentice-Hall.
Lee, D. H., Zheng,W. Z. & Shi, Q. X. (2004), Short-term freeway traffic flow prediction using a combined neural network model, Paper No. 04-3269, in Proceedings of the 83rd Annual Meeting of the Transportation Research Board, Washington DC, January 11–15 on CD-ROM.
Lin, S. L., Huang, H. Q., Zhu, D. Q., Wang, T. Z. (2009) The application of space-time ARIMA model on traffic flow forecasting. Machine Learning and Cybernetics, 2009 International Conference.
Lin, W. H. (2001), A Gaussian maximum likelihood formulation for short-term forecasting of traffic flow, in IEEE Intelligent Transportation Systems Conference Proceedings, Oakland, California, August 25–29, 150–55.
Mills, T., C. (1990). Time Series Techniques for Economists, Cambridge University Press.
Okutani, I. & Stephanedes, Y. J. (1984), Dynamic prediction of traffic volume through Kalman filtering theory, Transportation Research Part B, 18(1), 1–11.
Okutani, I. & Stephanedes, Y. J. (1984), Dynamic prediction of traffic volume through Kalman filtering theory, Transportation Research Part B, 18(1), 1–11.
Park, B. (2002), Hybrid neuro-fuzzy application in short-term freeway traffic volume forecasting, in Transportation Research Record: Journal of the Transportation Research Board, No. 1802, TRB, National Research Council, Washington, DC, pp. 190–96.
Park, B., Messer, C. J. & Urbanik II, T. (1998), Short-term freeway traffic volume forecasting using radial basis function neural network, in Transportation Research Record: Journal of the Transportation Research Board, No. 1651, TRB, National Research Council, Washington, DC, pp. 39–47.
Pfeifer, P. E. & Deutsch, S. J. (1980) A Three-Stage Iterative Procedure for Space-Time Modeling. Technometrics, 22, 35-47. 
Smith, B. L. & Demetsky, M. J. (1994), Short-term traffic flow prediction: neural network approach, in Transportation Research Record: Journal of the Transportation Research Board, No. 1453, TRB, National Research Council, Washington, DC, pp. 98–104.
Smith, B. L. & Demetsky, M. J. (1997), Traffic flow forecasting: comparison of modeling approaches, Journal of Transportation Engineering, 123(4), 261–66. 
Smith, B. L., Williams, B. M. & Oswald, R. K. (2002), Comparison of parametric and nonparametric models for traffic flow forecasting, Transportation Research Part C, 10(4), 303–21.
Stathopoulos, A.&Karlaftis, M.G. (2003), Amultivariate state space approach for urban traffic flow modeling and prediction, Transportation Research Part C, 11(2), 121–35.
Stephanedes, Y. J., Michalopoulos, P. G. & Plum, R. A. (1981), Improved estimation of traffic flow for real-time control, in Transportation Research Record: Journal of the Transportation Research Board, No. 795, TRB, National Research Council, Washington, DC, pp. 28–38.
Vythoulkas P. C. (1993), Alternative approaches to short term traffic forecasting for use in driver information system. Proceeding of the 12th International Symposium on the Theory of Traffic Flow and Transportation. Berkeley, USA, Amsterdam, Netherland: Elsevier Science Publishers, 485-505.
Williams, B. M., Durvasula, P. K. & Brown, D. E. (1998), Urban freeway traffic flow prediction: application of seasonal autoregressive integrated moving average and exponential smoothing models, in Transportation Research Record: Journal of the Transportation Research Board, No. 1644, TRB, National Research Council, Washington, DC, pp. 132–41.
Yin, H. B., Wong, S. C., Xu, J. M. & Wong, C. K. (2002), Urban traffic flow prediction using a fuzzy-neural approach, Transportation Research Part C, 10(2), 85–98.
Yin, H. B., Wong, S. C., Xu, J. M. & Wong, C. K. (2002), Urban traffic flow prediction using a fuzzy-neural approach, Transportation Research Part C, 10(2), 85–98.
Yue, Y. (2006) Spatial-Temporal Dependency of Traffic Flow and its Implications for Short-term Traffic Forecasting. PhD Thesis, Department of Urban Planning & Environmental Management University of Hong Kong.