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 U0002-2409201921484400
中文論文名稱 大數據為基礎之高乘載車道績效評估與預測—以國1五楊高架段為例
英文論文名稱 Performance assessment and prediction of high-occupancy vehicle lanes based on big data: A case of the Wugu-Yangmei viaduct
校院名稱 淡江大學
系所名稱(中) 運輸管理學系運輸科學碩士班
系所名稱(英) Department of Transportation Management
學年度 107
學期 2
出版年 108
研究生中文姓名 潘嘉宜
研究生英文姓名 Chia-Yi Pan
學號 606660057
學位類別 碩士
語文別 中文
口試日期 2019-06-27
論文頁數 88頁
口試委員 指導教授-鍾智林
委員-黃家耀
委員-許聿廷
中文關鍵字 高乘載車道  五楊高架  ETL  車道管理熱點  多層感知器模式  深度學習 
英文關鍵字 High Occupancy Vehicle Lanes  Wugu-Yangmei Viaduct  ETL Data  Lane Management Hot Spots  Multilayer Perceptron  Deep Learning 
學科別分類
中文摘要 國內之國道道路容量有限,於平日尖峰時段或連續假期發生道路擁擠已是常態。為了提供永續之公路運輸服務以減少溫室氣體排放對環境之影響,降低用路人對於道路的需求以及分散或轉移道路流量,交通部高速公路局針對國道疏運措施進行交通管制手段,包含匝道儀控管制、差別費率管制及高乘載車輛管制。政府為紓解國道1號行經桃園地區之壅塞路段,解決五股至楊梅段之道路服務水準下降,拓寬國道1號五楊高架段並同時劃設第一條高乘載車輛專用車道,提供服務予大眾運輸或具共乘行為之使用者,但目前無相關文獻或研究探討該高架段實施高乘載管制之績效。
鑒於我國為發展大數據之相關技術,積極釋出大量開放資料供各界人士下載以加值應用並賦予數據價值與意義,因此本研究根據研究需求並比較各項資料集之項目後,利用網路爬蟲之技術自高公局交通歷史資料庫抓取2018年1月至2018年9月之VD五分鐘動態資訊、VD靜態資訊及路段靜態資訊等三種資料集,以利於區分高乘載車道與一般車道進行分析。而所獲取之資料存儲格式為半結構化資料格式,不利於直接應用於資料分析,須另行將之轉換成結構化資料集,並利用ETL之技術進行資料萃取、轉置與合併資料集,最後解析車輛偵測器編號所提供之資訊,如該一偵測器之設置位置或所偵測之車道是否為高乘載車道,擴充資料集之欄位並將三種資料進行資料關聯。
本研究藉車道管制熱點分析將車道壅塞路段與時段資料視覺化,五楊高架段之現行車道管制措施於平、假日皆彰顯其管制成效之優勢,HOV車道與一般車道之服務水準皆良好,僅於連續假期時,南北向車道在車輛進入管制區域後、離開管制區域前以及匯入或匯出至機場系統交流道等區間,HOV車道之服務水準雖維持於A至C級,但一般車道之服務水準已落在E級或F級,鑒於連續假期較平日及一般假日易發生壅塞熱點,本研究欲利用深度學習預測五楊高架HOV管制區域於連續假期期間之壅塞路段與時段,故整合2018年連續假期之歷史交通資料與氣象資料,將資料集隨機分為80%的訓練資料集與20%的驗證資料集,建立多層感知器模式對訓練資料集進行學習,訓練學習完成後使之輸出2019年端午連續假期之流量、佔有率與速率,將之利用車道管制熱點分析時可知若無事故或道路維修,則將未有壅塞熱點發生。而為使模式訓練的更加理想,本研究建議得加入是否發生事故或道路維修等變數,同時指向性明確地訓練數個年度的連續假期之車輛偵測器所蒐集之歷史交通資料,以此提升預測水準,應能給予規劃交通政策者或相關交通單位更為具體之預測數據參考,使之調整管制策略使道路流量得以轉移,減少壅塞熱點發生。
英文摘要 As the capacity of National Freeway is limited, it is normal to get traffic congestion during peak hours or long weekend. For providing sustainable transportation services in order to prevent greenhouse effect and achieve the purpose of transferring or dispersing traffic conditions, Traffic controls is initiated by National Freeway Bureau to avoid gridlock, including ramp metering, different tolls and HOV (high occupancy vehicle) lane. The government decided to broaden an overpass between Jhong-Li and Tai-Shan to provide an auxiliary lane for high-occupancy vehicles. With the opening of the 1st HOV lane, the network between Wu-Gu and Yang-Mei will reroute some of its lines to ease traffic and cut the travel time. However, there is no research to explore the performance of this case.
In order to develop technologies for big data, the government has released data to people for downloading and giving these data value and meaning. Therefore, according to the research needs and compare the items of each data set, we choose three data sets and use web crawler to gather these data from history traffic database for 9 months in 2018. After extracting, transforming and loading data sets, we can analyze the information provided by the vehicle detectors’ ID number and increase the fields to correlate these sets of data.
The study is used lane management hot spots to visualize the traffic congestion during the intersections and time slot. These plots show the overpass’s LOS is comfortable to the users except long weekend. Based on this reason, we combine traffic data and weather data for using deep learning technologies which is MLP (multilayer perceptron) to predict the congestion-prone intersections and time on long weekend. After the training is completed, it will output the volume, occupancy rate and speed. Then we can use lane management hot spots to analyze congestion-prone intersections and time slot. The result is the overpass’s LOS is comfortable to passengers on Dragon Boat Festival long weekend. For improving the model and make it train data better, we suggest to improve forecasting by adding accidents variables, road maintenance variables and gathering several years traffic data for MLP to train data. It will be the reference for transportation planners to adjust the traffic control strategy to transfer traffic flow and reduce the occurrence of gridlock.
論文目次 目錄
第一章 緒論 1
1.1 研究動機與研究背景 1
1.2 研究目的 3
1.3 研究範圍 4
1.4 研究流程 7
第二章 文獻回顧 8
2.1 高乘載車輛專用車道之管制實施概況 8
2.2 高乘載車輛專用車道與一般車道之關係 10
2.3 車流理論之基本指標 12
2.3.1 流量、流率與需求流率 13
2.3.2 佔有率與密度 13
2.3.3 服務水準指標 14
2.4 大數據與深度學習 16
第三章 資料架構與研究方法 21
3.1 資料蒐集 21
3.2 資訊萃取 25
3.2.1 VD五分鐘動態資訊 25
3.2.2 VD靜態資訊 28
3.2.3 路段靜態資訊 30
3.2.4 ETL Data 32
3.3 資料探勘 34
第四章 實證分析 41
4.1 現況分析 41
4.1.1 交通量基本統計 41
4.1.2 HOV車道與一般車道之密度分佈 54
4.2 高乘載管制區域之車道管理熱點分析 66
4.3 預測管制區域壅塞路段與時間 74
4.3.1 多層感測器網路 74
4.3.2 建立預測管制區域壅塞路段與時間模式 76
4.3.3 模式變數說明 79
4.3.4 模式評估準則與預測績效 81
第五章 結論與建議 84
5.1 結論 84
5.2 建議 85
參考文獻 86

圖目錄
圖1.1 1 2016年運輸部門能源消費情形 2
圖1.1 2 2016年公路運輸二氧化碳排放佔比環圈圖 2
圖1.1 3台灣人口密度及汽車數量成長趨勢圖 3
圖1.3 1 五股─楊梅高架位置圖 5
圖1.3 2 國道1號五楊高架高乘載專用車道示意圖 5
圖1.4 1 研究流程圖 7
圖2.2 1 設置HOV車道之影響 10
圖2.4 1 人工智慧、機器學習、深度學習關係圖 17
圖2.4 2 類神經網路處理單元之程序 18
圖2.4 3 基本之倒傳遞網路架構圖 20
圖3.1 1 路側設施即時交通資訊發佈XML標準格式架構示意圖 21
圖3.1 2 資料接收處理流程圖 23
圖3.1 3 資料傳輸失真檢核處理流程圖 24
圖3.2 1 VD五分鐘動態資訊輸出之XML格式 25
圖3.2 2 VD五分鐘動態資訊結構表 26
圖3.2 3 VD靜態資訊輸出之XML格式 28
圖3.2 4 VD靜態資訊結構表 29
圖3.2 5 路段靜態資訊輸出之XML格式 31
圖3.2 6 路段靜態資訊結構表 31
圖3.2 7 VD五分鐘動態資訊資料集結構化示意圖 34
圖3.2 8 VD靜態資訊資料集結構化示意圖 34
圖3.2 9 路段靜態資訊資料集結構化示意圖 35
圖3.3 1 VD五分鐘動態資訊資料清理與合併流程圖 36
圖3.3 2 VD靜態資訊資料清理與合併流程圖 37
圖3.3 3 路段靜態資訊資料清理與合併流程圖 38
圖3.3 4 資料集關聯圖 40
圖4.1 1 五楊高架高乘載管制範圍之VD偵測器座標圖 42
圖4.1 2 南下各月之里程──流量折線圖 46
圖4.1 3 北上各月之里程──流量折線圖 46
圖4.1 4 南下各星期之里程──流量折線圖 49
圖4.1 5 北上各星期之里程──流量折線圖 49
圖4.1 6 南向車道各月時段之流量折線圖 50
圖4.1 7 南向車道各週天時段之流量折線圖 50
圖4.1 8 北向車道各月時段之流量折線圖 51
圖4.1 9 北向車道各週天時段之流量折線圖 51
圖4.1 10 南向HOV車道與一般車道之密度─速率關係圖 55
圖4.1 11 北向HOV車道與一般車道之密度─速率關係圖 56
圖4.1 12 南向HOV車道與一般車道之最大與最小密度折線圖 58
圖4.1 13 北向HOV車道與一般車道之密度折線圖 62
圖4.2 1 清明連續假期南向HOV管制區域之車道管理熱點(中位數) 67
圖4.2 2 中秋連續假期南向HOV管制區域之車道管理熱點(中位數) 68
圖4.3 1 建立預測管制區域壅塞位置與時間之多層感知器模型流程圖 77
圖4.3 2 模型訓練過程示意圖 78
圖4.3 3 多層感知器模型架構 79
圖4.3 4 機器學習模型評估指標 81
圖4.3 5模型訓練結果輸出示意圖 83

表目錄
表1.3-1 2018年連續假期表 6
表2.3-1 依據密度之服務水準等級劃分標準 15
表2.3-2 依據V/C值之服務水準等級劃分標準 15
表2.4-3 國內類神經網路應用於運輸之網路架構 19
表3.1-1 資料集類別 22
表3.2-2 VD五分鐘動態資訊文件資訊集輸出欄位表 26
表3.2-3 VD五分鐘動態資訊輸出欄位表 26
表3.2-4 VD靜態資訊文件資訊輸出欄位表 29
表3.2-5 VD靜態資訊輸出欄位表 29
表3.2-6 路段靜態資訊文件資訊輸出欄位表 32
表3.2-7 路段靜態資訊輸出欄位表 32
表3.3-8 資料集之新增欄位或量值 39
表3.3-9 篩選之偵測器編碼 39
表3.3-10 各資料集之資料列數統計 41
表4.1-1 南下各月之里程──流量統計表 43
表4.1-2 北上各月之里程──流量統計表 44
表4.1-3 南下各星期之里程──流量統計表 47
表4.1-4 北上各星期之里程──流量統計表 48
表4.1-5 各月份之各車種所佔比例分布表 52
表4.1-6 各星期之各車種所佔比例分布表 53
表4.1-7 各車道於各車種之佔比 55
表4.1-8 南向HOV車道與一般車道之里程──密度分佈 57
表4.1-9 南向高乘載管制區域各車道之里程──密度分佈表 60
表4.1-10 北向HOV車道與一般車道之里程──密度分佈 62
表4.1-11 北向高乘載管制區域各車道之里程──密度分佈 65
表4.2-12 HOV車道與一般車道之服務水準等級關係 66
表4.2-13 南向車道之車道管理熱點評估指標佔比 69
表4.2-14 北向車道之車道管理熱點評估指標佔比 70
表4.2-15 南向車道之LM-1指標於各週天佔比 71
表4.2-16 北向車道之LM-1指標於各週天佔比 72
表4.3-17 預測管制區域壅塞位置與時間之多層感知器模型摘要 78
表4.3-18 預測管制區域壅塞位置與時間模式之變數設定 80
表4.3-19 混淆矩陣 82
表4.3-20 MAPE評估指標 82
表4.3-21 模型預測績效 83

參考文獻 英文文獻
1. Cassidy, M. J., Daganzo, C. F., Jang, K. & Chung, K. (2006). Empirical reassessment of traffic operations: Freeway bottlenecks and the case for HOV lanes.
2. Cassidy, M. J., Jang, K., & Daganzo, C. F. (2010). The smoothing effect of carpool lanes on freeway bottlenecks. Transportation research part A: policy and practice, 44(2), 65-75.
3. Chen, C, Varaiya, P. & Kwon, J. (2005). An empirical assessment of traffic operations. In : Mahmassani, H.S. editor, Transpn and Traffic Theory, Procs of 16th International Symp on Transpn and Traffic Theory.
4. Chu, C. P. & Chu, C. I. (2016). High-Occupancy Regulation Policy: Case of National Freeway NO. 1 in Northern Taiwan. 都市交通, 31(1), 43-69.
5. Chung, C. L. (2015). Operational Assessment of Speed Priority for High-Occupancy Vehicle Lanes over General-Purpose Lanes. Journal of the Eastern Asia Society for Transportation Studies, 11, 16-29.
6. Chung, C. L. & Recker, W. W. (2009). An approach to assessing freeway lane management hot spots. Transportation research record, 2099(1), 141-150.
7. Chung, C. L. & Recker, W. W. (2011). Evaluation of operational effects of joint managed lane policies. Journal of Transportation Engineering, 138(7), 882-892.
8. Cothey, V. (2004). Web‐crawling reliability. Journal of the American Society for Information Science and Technology, 55(14), 1228-1238.
9. Daganzo, C. F. & Cassidy, M. J. (2008). Effects of high occupancy vehicle lanes on freeway congestion. Transportation Research Part B: Methodological, 42(10), 861-872.
10. Daganzo, C. F., Laval, J. & Muñoz, J. C. (2002). Ten strategies for freeway congestion mitigation with advanced technologies.
11. Daganzo, C. F. & Cassidy, M. J. (2007). Deploying lanes for high occupancy vehicles in urban areas. University of California, Berkeley, 94720.
12. Dahlgren, J. (1998). High occupancy vehicle lanes: Not always more effective than general purpose lanes. Transportation Research Part A: Policy and Practice, 32(2), 99-114.
13. Dahlgren, J. (2002). High-occupancy/toll lanes: where should they be implemented ?. Transportation Research Part A: Policy and Practice, 36(3), 239-255.
14. He, K., Zhang, X., Ren, S. & Sun, J. (2015). Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. In Proceedings of the IEEE international conference on computer vision, 1026-1034.
15. Kwon, J. & Varaiya, P. (2008). Effectiveness of California’s high occupancy vehicle (HOV) system. Transportation Research Part C: Emerging Technologies, 16(1), 98-115.
16. Laval, J. A. & Daganzo, C. F. (2006). Lane-changing in traffic streams. Transportation Research Part B: Methodological, 40(3), 251-264.
17. Menendez, M. & Daganzo, C. F. (2007). Effects of HOV lanes on freeway bottlenecks. Transportation Research Part B: Methodological, 41(8), 809-822.
18. Mott MacDonald. (2008). ATM Monitoring and Evaluation, Highways Agency Report DOC/1807/V3.
19. Princeton, J. & Cohen, S. (2011). Impact of a dedicated lane on the capacity and the level of service of an urban motorway. Procedia-Social and Behavioral Sciences, 16, 196-206.
20. Slimani, I., El Farissi, I. & Achchab, S. (2015). Artificial neural networks for demand forecasting: application using Moroccan supermarket data. In 2015 15th International Conference on Intelligent Systems Design and Applications (ISDA), IEEE, 266-271. IEEE.
21. Slimani, N., Slimani, I., Sbiti, N. & Amghar, M. (2019). Traffic forecasting in Morocco using artificial neural networks. Procedia Computer Science, 151, 471-476.
22. Vechione, M., Balal, E. & Cheu, R. L. (2018). Comparisons of mandatory and discretionary lane changing behavior on freeways. International Journal of Transportation Science and Technology, 7(2), 124-136.
中文文獻
1. 交通部,2011,交通部路側設施資料(CCTV、CMS、VD、道路速率)介接文件,交通部。
2. 交通部,2011,路側設施即時交通資訊發佈標準格式,交通部。
3. 交通部,2015,交通工程規範,交通部。
4. 交通部,2017,能源轉型白皮書運輸部門節能計畫,交通部。
5. 交通部,2018,【即時路況資料標準】XML標準格式說明文件,交通部。
6. 交通部,2018,交通資訊基礎路段編碼規範V1.0,交通部。
7. 交通部運輸研究所,1997,高速公路高乘載管制策略之研究,交通部運輸研究所。
8. 交通部運輸研究所,2001,台灣公路容量手冊,交通部。
9. 交通部運輸研究所,2011,台灣公路容量手冊,交通部。
10. 交通部運輸研究所,2012,101年運輸政策白皮書,交通部。
11. 朱志杰、黃家耀,2013,使用車輛偵測器和自動車輛辨識之資料預測高速公路旅行時間,國立交通大學運輸科技與管理學系碩士班,碩士論文。
12. 曾平毅,2009,以車輛偵測器資料探討高速公路流率與速率特性之研究,98年道路交通安全與執法研討會。
13. 黃士騰、黃台生,2008,高速公路動態車流動向推估模式之研究—以國道五號為例,國立交通大學運輸科技與管理學系碩士班,碩士論文。
14. 經濟部能源局,2017,經濟部能源局106年年報,經濟部。
15. 董啟崇,2004,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(一),交通部委託研究計畫,淡江大學執行。
16. 劉至剛、卓訓榮,2006,雷達微波偵測器交通參數校估演算法,國立交通大學運輸科技與管理學系碩士班,碩士論文。
17. 鍾智林,2008,臺灣高乘載車輛專用車道推動之關鍵課題初探,都市交通,23(1),15-33。
18. 魏健宏、陳奕志,2001,類神經網路模式在國內交通運輸研究之成果評析,運輸計劃季刊,30(2),323-347。
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2019-09-26公開。
  • 同意授權瀏覽/列印電子全文服務,於2019-09-26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 2486 或 來信