今日道路運輸系統逐步運用ITS技術作為管理工具，現階段掌握路段即時狀態以固定式車輛偵測器資料為主。惟在實務運作中，偶有面臨車輛偵測器本身故障或傳輸過程失常所出現資料遺失情況，導致路網交通狀態的判定結果產生偏誤。因此，如何以即時、有效方式解決遺失值問題，提供更完整、可靠路段資料供交通管理者快速反應路網狀態，即是本研究建立資料遺失插補模式之研究重點。
回顧過去國內外文獻針對交通資料遺失插補研究，雖已提出相當多元處理方法，且伴隨其特定公式與推導理論為佐證，但具有不同之特性與限制，並無廣泛最佳模式之共識。本研究歸納分析值得重視之焦點在於 (1)甚多模式普遍基於複雜的理論，且推算過程相對耗時費力，或(2)運用近似黑盒子軟體作為運算輔助工具，對模式與參數的意義與掌握稍顯薄弱，(3)模式參數與運用之空間移轉性問題亦少深入探究，因此對於實務上追求模式簡便、快速、實用之運算特性仍有些許落差。
本研究將以符合車流理論之時空推移關係為基礎，以簡單、快速、易於操作為導向，透過能描述序列資料之間具時空相依關係的多元輸入轉換函數模式，作為建構具有穩定參數值和較廣泛適用之快速插補模型，在不同但相似道路類型下之任一不特定封閉線性路段，插補出於可接受範圍內之補值結果，因此，除了運用過去文獻常使用之鄰近偵測資料建構模式外，本研究並學習類比車流理論中構建跟車(Car-Following)行為之通用汽車模型(GM Model)發展過程建立階段模型，界定先以即時取得的鄰近速率為錨定值，對應於上下游間之即時速率變動量來反應中間待插捕速率變化之基本模式，另加入偵測器佈設間距調整參數和車道增縮調整參數來鬆綁插補模型，以求模式推估效果能依模式演進過程提升插補準確率。此外，本研究考量車輛偵測器資料可能有長期或短期遺失情況，分別構建長期和短期遺失值之最適插補模型。 
本研究選定國道一號北區和南區局部路段為範圍，並依其車流速率序列狀態歸類為不穩定和穩定車流速率資料分別構建與校估模式。經自我和交叉驗證程序後顯示模型插補估算表現大致皆可達高精準度之績效 (MAPE值<10%)，包括在高速公路非封閉線性路段或封閉公路環境之平常日的不同車流狀態下(含過渡與壅塞)之長期和短期遺失值插補與在特殊連續假期(如過年一週連假)之極端尖離峰車流狀態下之長期遺失值的插補估算等。整體而言，現階段模型插補表現確實達到本研究初始期望合乎實務訴求之簡單、快速、易於操作之運算特性，而模式應用範圍的彈性也符合達成廣泛運用之目的，亦可提供趨向發展標準化模式(unified model)之參考(基石)。

Technologies of Intelligent Transportation System (ITS) have been adopted gradually in road traffic management system, where data collected through vehicle detectors (VD) deployed widely in roadway network are the main resources for the management authorities to recognize real time traffic condition along road segments. However, judgment of traffic link performance has been seriously compromised by missing data issues encountered from either functional impairment of detector devices and/or data transmission process. As such, missing data interpolation is the targeted issue for this study to establish an effective approach to generate complete and reliable link performance data.
Various techniques have been developed for missing traffic data interpolations based on different theories and formula with certain level of success but been subjected to some sorts of limitations. As such, there was no one technique or method regarded as the best model. The concerns of this thesis focused on the following issues for practical applications: (1) many techniques employ very complex procedure (2) some rely on black-box type of operations, which may be lack of tractability (3) stability and transfer ability of model parameters were seldom fulfilled. It is therefore the major perspective of this study to develop a practical method with relatively simple and easy operations.
Based on spatial-temporal characteristic of traffic flow, transfer function technique was selected to develop the so-called “quick response” missing speed data interpolation model applicable to varieties of road segments. Model specifications and development were inspired by the generations of General Models on the car-following traffic flow theory. Either the most adjacent up-stream or down-stream attainable VD data associated with the missing segment were used as anchored values in junction with the differences values between them accounted as major exploratory variables to establish the missing values in-between. Adjusted factors were further specified to account for changes in number of lanes and relative distance of missing data VD to the anchored VD.
Data from the selected regions of National Freeways and highways were employed for model estimations and validations. Self-validation and cross validation were implemented. The results have shown that highly accurate estimates were obtained for missing values of speed (with   MAPE values being less than 10%) in most cases on both short-term and long-term periods. The findings from this study may provide a foundation towards development of the unified model in missing traffic data interpolation operation.

目錄
第一章 緒論	1
1.1 研究背景	1
1.2 研究動機	2
1.3 研究目的	3
1.4 研究範圍	5
1.5問題界定	6
1.5.1蒐集之交通資料特性	6
1.5.2遺失值問題處理準則	13
1.6研究流程	16
第二章 文獻回顧	18
2.1遺失值之定義與分類	18
2.1.1遺失可忽略(Missing Ignorable)	19
2.1.2遺失不可忽略(Missing Non-Ignorable)	19
2.2資料遺失特性與型態	20
2.2.1 車輛偵測器資料遺失原因	20
2.2.2 資料遺失定義與分類	22
2.3偵測器資料填補相關文獻	24
2.3.1國外文獻	24
2.3.2國內文獻	35
2.4彙整科學領域之資料遺失插補方法	45
2.5文獻小結	47
第三章 研究方法	50
3.1 轉換函數模式(Transfer Function Models)	52
3.1.1轉換函數模式-基本定義	53
3.1.2基本轉換函數模型的形式	54
3.1.3 干擾模式	55
3.2轉換函數模型-構建基本原則	57
3.2.1 轉換函數模型的識別準則	58
3.2.2 轉換函數模型-識別基本程序	61
3.2.3 轉換函數模型的估計與檢驗	65
3.2.4 模式驗證	66
3.2.5 模式整體構建之流程	68
第四章 資料處理與分析	70
4.1模式標的變數選取準則	70
4.2模式分析路段對象	70
4.3資料蒐集	71
4.3.1資料蒐集地點與範圍	72
4.3.2資料基本分析-國道北區路段	74
4.3.3資料基本分析-國道南區路段	87
第五章　模式構建與分析	101
5.1 構建基於轉換函數之長期遺失值插補模型(階段一)	108
5.1.1 步驟一-蒐集不同速率特性資料校估模式	109
5.1.2 步驟二-資料前置處理作業	110
5.1.3 步驟三-車輛偵測器間距調整參數	113
5.1.4 步驟四-設計投入變數形式	115
5.1.5 步驟五-以轉換函數建構長期遺失值標準插補模型	119
5.1.6 步驟六 - 長期性遺失值插補模型之校估與檢定	150
5.1.7插補模型之選取準則	160
5.1.8模式自我驗證	162
5.1.9模式交叉驗證	174
5.1.10模式比較	178
5.2構建基於轉換函數之短期遺失值插補模型(階段二)	185
5.2.1構建短期遺失值插補模型	187
5.2.2資料短期遺失情境驗證	193
5.3 構建應用於車道變化之進階遺失值插補模型(模式三)	197
5.3.1 車道增減對路段速率影響性	197
5.3.2建構車道增減調整參數	197
5.3.3 加入車道增減調整參數校估模式	203
5.3.4 加入車道增減調整參數驗證模式	206
第六章 結論與建議	210
6.1結論	210
6.2研究貢獻	213
6.3建議	214
參考文獻	216
附錄A、轉換函數基本意涵	222
附錄B、國道一號南北區路段基本資料分析	230

 
圖目錄
圖1.1 時間平均速率與空間平均速率觀測差異示意圖	9
圖1.2 研究流程圖	16
圖2.1 車輛偵測資料長期性遺失狀態示意圖	22
圖2.2 車輛偵測資料短期性遺失狀態示意圖	23
圖3.1 動態系統轉換模式圖	53
圖3.2 二元轉換函數模式之理論形式	53
圖3.3 多元轉換函數模式之理論形式	54
圖3.4 轉換函數模式構建程序	57
圖3.5 轉換函數模式構建流程	69
圖4.1兩匝道之間三支鄰近偵測器相對位置示意圖	71
圖4.2國道一號南區新營至永康路段示意圖	73
圖4.3國道一號北區基隆至頭份路段示意圖	73
圖4.4省道台21線日月潭(60.811K)－頭社橋(69.020K)路段	74
圖4.5湖口-竹北南下上游VD四天速率趨勢-建校資料	76
圖4.6湖口-竹北南下中間VD四天速率趨勢-建校資料	76
圖4.7湖口-竹北南下下游VD四天速率趨勢-建校資料	77
圖4.8南下林口-桃園上游VD四天速率趨勢-驗證資料1	77
圖4.9南下林口-桃園中間VD四天速率趨勢-驗證資料1	78
圖4.10南下林口-桃園下游VD四天速率趨勢-驗證資料1	78
圖4.11北上林口-泰山上游VD四天速率趨勢-驗證資料2	79
圖4.12北上林口-泰山中間VD四天速率趨勢-驗證資料2	79
圖4.13北上林口-泰山下游VD四天速率趨勢-驗證資料2	79
圖4.14南下楊梅-湖口上游VD七天速率趨勢-驗證資料3	80
圖4.15國南下楊梅-湖口中間VD七天速率趨勢-驗證資料3	80
圖4.16南下楊梅-湖口下游VD七天速率趨勢-驗證資料3	80
圖4.17北上竹北-湖口上游VD七天速率趨勢-驗證資料4	81
圖4.18北上竹北-湖口中間VD七天速率趨勢-驗證資料4	81
圖4.19北上竹北-湖口下游VD七天速率趨勢-驗證資料4	82
圖4.20北上機場系統-桃園上游3車道VD速率趨勢(北增道-建校)	82
圖4.21北上機場系統-桃園中間4車道VD速率趨勢(北增道-建校)	83
圖4.22北上機場系統-桃園下游4車道VD速率趨勢(北增道-建校)	83
圖4.23北上機場系統-桃園上游3車道VD速率趨勢(北增道-驗)	84
圖4.24北上機場系統-桃園中間4車道VD速率趨勢(北增道-驗)	84
圖4.25北上機場系統-桃園下游4車道VD速率趨勢(北增道-驗)	84
圖4.26北上汐五高架-汐止系統上游4車道VD速率趨勢(北縮道-建校)	85
圖4.27北上汐五高架-汐止系統中間4車道VD速率趨勢(北縮道-建校)	85
圖4.28北上汐五高架-汐止系統下游3車道VD速率趨勢(北縮道-建校)	86
圖4.29北上汐五高架-汐止系統上游4車道VD速率趨勢(北縮道-驗)	86
圖4.30北上汐五高架-汐止系統中間4車道VD速率趨勢(北縮道-驗)	87
圖4.31北上汐五高架-汐止系統下游3車道VD速率趨勢(北縮道-驗)	87
圖4.32日月潭台21線-VD65.5K至VD68.8K偵測器路段車道數示意圖	88
圖4.33新營-下營南下上游VD四天速率趨勢-建校資料	90
圖4.34新營-下營南下中間VD四天速率趨勢-建校資料	90
圖4.35新營-下營南下下游VD四天速率趨勢-建校資料	90
圖4.36南下麻豆-安定上游VD四天速率趨勢-驗證資料1	91
圖4.37南下麻豆-安定中間VD四天速率趨勢-驗證資料1	91
圖4.38南下麻豆-安定下游VD四天速率趨勢-驗證資料1	92
圖4.39北上下營-新營上游VD四天速率趨勢-驗證資料2	92
圖4.40北上下營-新營中間VD四天速率趨勢-驗證資料2	93
圖4.41北上下營-新營下游VD四天速率趨勢-驗證資料2	93
圖4.42南下下營-新營上游VD三天假日尖峰-驗證資料3	94
圖4.43南下下營-新營中間VD三天假日尖峰-驗證資料3	94
圖4.44南下下營-新營下游VD三天假日尖峰-驗證資料3	94
圖4.45南下埔里-日月潭上游VD假日尖峰12小時-驗證資料4	95
圖4.46南下埔里-日月潭人工調查假日尖峰12小時-驗證資料4	95
圖4.47南下埔里-日月潭下游VD假日尖峰12小時-驗證資料4	95
圖4.48北上永康-台南系統上游3車道VD速率趨勢(南增道-建校)	96
圖4.49北上永康-台南系統中間4車道VD速率趨勢(南增道-建校)	97
圖4.50北上永康-台南系統下游4車道VD速率趨勢(南增道-建校)	97
圖4.51南下台南系統-永康上游3車道VD速率趨勢(南增道-建校)	97
圖4.52南下台南系統-永康中間4車道VD速率趨勢(南增道-建校)	98
圖4.53南下台南系統-永康下游4車道VD速率趨勢(南增道-建校)	98
圖4.54北上永康-台南系統上游4車道VD速率趨勢(南縮道-建校)	99
圖4.55北上永康-台南系統中間4車道VD速率趨勢(南縮道-建校)	99
圖4.56北上永康-台南系統下游3車道VD速率趨勢(南縮道-建校)	99
圖4.57南下台南系統-永康上游4車道VD速率趨勢(南縮道-建校)	100
圖4.58南下台南系統-永康中間4車道VD速率趨勢(南縮道-建校)	100
圖4.59南下台南系統-永康下游3車道VD速率趨勢(南縮道-建校)	100
圖5.1 建構以轉換函數為基礎之子插補模式架構	107
圖5.2 構建遺失值插補模型三階段流程圖	108
圖5.3 構建長期性遺失值之快速插補模型流程圖(第一階段)	109
圖5.4 原始序列資料存有極端值示意圖	111
圖5.5 正負3倍標準差範圍以外示意圖	112
圖5.6 上游單一偵測器插補中間遺失值	116
圖5.7 下游單一偵測器插補中間遺失值	117
圖5.8 上游及下游單一偵測器插補中間遺失值	117
圖5.9 南區S-MODEL2-UD的ΑT與ΒT之CCF圖 (A)	141
圖5.10 南區S-MODEL3-D的ΑT與ΒT之CCF圖 (B)	141
圖5.11 國一北區插補模式N-MODEL4-UD自我驗證路段1	165
圖5.12 國一北區插補模式N-MODEL5-D自我驗證路段2	166
圖5.13 國一北區插補模式N-MODEL6-D自我驗證路段1	166
圖5.14 南區最適插補模式驗證南區路段1趨勢圖(MAPE=3.63)	170
圖5.15 南區最適插補模式驗證南區路段2趨勢圖(MAPE=7.17)	170
圖5.16 南區最適插補模式驗證南區路段3趨勢圖(MAPE=9.21)	171
圖5.17 南區最適插補模式驗證南區路段4趨勢圖(MAPE=8.52)	171
圖5.18 北區最適插補模式驗證北區路段1趨勢圖(MAPE=5.57)	172
圖5.20 北區最適插補模式驗證北區路段3趨勢圖(MAPE=14.76)	173
圖5.21 北區最適插補模式驗證北區路段4趨勢圖(MAPE=7.08)	173
圖5.22 北區最適插補模式驗證南區路段1(MAPE=13.67)	175
圖5.23 北區最適插補模式驗證南區路段2(MAPE=3.81)	175
圖5.24 北區最適插補模式驗證南區路段3(MAPE=26.84)	175
圖5.25 北區最適插補模式驗證南區路段4(MAPE=27.06)	176
圖5.26 南區最適插補模式驗證北區路段1(MAPE=8.93)	176
圖5.27 南區最適插補模式驗證北區路段2(MAPE=9.30)	177
圖5.28 南區最適插補模式驗證北區路段3(MAPE=9.77)	177
圖5.29 南區最適插補模式驗證北區路段4(MAPE=8.20)	177
圖5.30 南區最適模式與迴歸模式驗證北區路段1	182
圖5.31 南區最適模式與迴歸模式驗證南區路段3	182
圖5.32 短期性遺失值之插補模型建構流程 (階段二)	187
圖5.33 單筆遺失值受上游、下游及自我前一時階值影響	189
圖5.34回溯自我前一時階插補單筆遺失值模式之南區驗證2趨勢	190
圖5.35回溯自我前一時階插補單筆遺失值模式之北區驗證3趨勢	190
圖5.36單筆遺失值受上游、下游及自我前二時階值影響	191
圖5.37回溯自我前二時階插補單筆遺失值模式之南區驗證2趨勢	192
圖5.38回溯自我前二時階插補單筆遺失值模式之北區驗證4趨勢	192
圖5.40 路段4車道縮減為3車道示意圖	201

 
表目錄
表1-1 彙整過去文獻選取之時階單位與偵測單元	13
表2-1 國外交通資訊預估之相關文獻彙整	27
表2-2 國外插補技術研究之相關文獻彙整	33
表2-2A國外插補技術研究之相關文獻彙整(續1)	34
表2-3國內結合插補技術進行旅行時間預測之相關文獻	37
表2-3A國內結合插補技術進行旅行時間預測之相關文獻(續1)	38
表2-4國內結合插補技術進行交通資訊預估之相關文獻	41
表2-4A國內結合插補技術進行交通資訊預估之相關文獻(續1)	42
表2-5國內提出交通資料遺失之相關插補技術文獻彙整表	44
表2-6常見插補模式之優缺點說明	45
表2-6A常見插補模式之優缺點說明(續1)	46
表2-6B常見插補模式之優缺點說明(續2)	47
表3-1投入不同自變數形式建構插補模式	51
表3-2 應用轉換函數模式之相關研究彙整表	52
表3-3 ARIMA模型與階數ACF、PACF圖判斷特性	61
表3-4模式預測能力評估準則	67
表4-1國道一號北區校估與驗證路段資料分佈狀態彙整表	75
表4-2 國道一號南區校估與驗證路段資料分佈狀態彙整表	89
表5-1 本研究與過去研究提出之構建插補模式差異性	102
表5-2 車道數增縮調整參數應用狀態	104
表5-3 校估模式之南北區基本速率資料	110
表5-4 南區上游速率( )差分前後ACF、PACF與白噪音檢定(A)	121
表5-5 南區下游速率( )差分前後ACF、PACF與白噪音檢定(A)	122
表5-6南區上下游速率差( )差分前後ACF、PACF與白噪音(A)	123
表5-7 南區待插補速率( )差分前後ACF、PACF與白噪音(A)	124
表5-8 南區未刪極值資料建立子插補模式群(A)	128
表5-9 南區已刪極值資料建立子插補模式群(B)	129
表5-10 ESACF表-南區未刪極值之差分1次投入變數(A)	130
表5-11 ESACF表-南區已刪極值之差分1次投入變數 (B)	130
表5-12南區未刪極值之差分一次投入變數比較表(A)	131
表5-13南區已刪極值之差分一次投入變數比較表(B)	131
表5-14 重新修正-南區未刪極值之差分一次投入變數比較表(A)	132
表5-15 重新修正-南區已刪極值之差分一次投入變數比較表(B)	132
表5-16 最佳(P,D,Q)模式-南區未刪極值之差分一次投入變數(A)	133
表5-17最佳(P,D,Q)模式-南區已刪極值之差分一次投入變數(B)	133
表5-18 南區未刪極值之各變數白干擾化模式(A)	134
表5-19 南區已刪極值之各變數白干擾化模式(B)	134
表5-20 南區模式-投入與產出變數間之相關性 (VD間距參數為獨立變數)	135
表5-21 南區模式-投入與產出變數間之相關性 (VD間距參數調整於鄰近值中)	136
表5-22重新判定ESACF-南區已刪極值未差分投入變數(B)	137
表5-23重新判定-南區已刪極值未差分投入變數比較表(B)	137
表5-24再重新修正-南區已刪極值未差分投入變數比較表(B)	138
表5-25重新選取-南區已刪極值之最佳未差分投入變數(B)	138
表5-26重新判定-南區已刪極值之未差分變數白干擾化模式(B)	139
表5-27 重新檢視-南區已刪極值之投入與產出變數相關性 (B)	140
表5-28南區未刪極值子模式群之衝擊反應函數 (A)	142
表5-29 南區已刪極值子模式群之衝擊反應函數 (B)	143
表5-30南區未刪極值子模式群之基礎轉換函數暫定模式 (A)	144
表5-31南區已刪極值子模式群之基礎轉換函數暫定模式 (B)	144
表5-32 南區未刪極值子插補模型之干擾項模式比較表 (A)	145
表5-33 南區已刪極值子插補模型之干擾項模式比較表 (B)	146
表5-34 南區未刪極值子插補模型之最佳干擾項模式 (A)	146
表5-35 南區已刪極值子插補模型之最佳干擾項模式 (B)	147
表5-36 南區未刪極值子插補模式群之完整多元轉換函數模型 (A)	148
表5-37 南區已刪極值子插補模式群之完整多元轉換函數模型 (B)	149
表5-38 南區未刪極值資料-差分一次之多元轉換函數校估模型(A)	152
表5-39 南區未刪極值資料-差分一次之多元轉換函數校估模型(A)-續	153
表5-40 南區已刪極值資料-未差分之多元轉換函數校估模型(B)	154
表5-41 南區已刪極值資料-未差分之多元轉換函數校估模型(B)-續	155
表5-42 北區未刪極值資料-多元轉換函數校估模型(A)	156
表5-43 北區未刪極值資料-多元轉換函數校估模型(A)-續	157
表5-44 北區已刪極值資料-未差分之多元轉換函數校估模型(B)	158
表5-45 北區已刪極值資料-未差分之多元轉換函數校估模型(B)-續	159
表5-46模式係數正負號有違模式解釋合理性	160
表5-47 南區候選插補模型之校估MAPE值	161
表5-48 北區候選插補模型之校估MAPE值	162
表5-49 南區線性公路驗證路段基本資料	163
表5-49A 北區線性公路驗證路段基本資料(續)	163
表5-50 南區候選模式之自我驗證彙整表	164
表5-51 北區候選模式之自我驗證彙整表	164
表5-52 ANOVA分析表	167
表5-53 南區插補模式之變異數同質性檢定速率	168
表5-54 南區插補模型之ROBUST檢定速率	168
表5-55 北區插補模型之變異數同質性檢定	169
表5-56 北區插補模型之ANOVA變異數分析	169
表5-57 南北區最適插補模型之交叉驗證表	174
表5-58 資料長期遺失插補模型比較	181
表5-58國一南區新營到永康路段VD速率實際遺失情況計次表	193
表5-59長期遺失標準插補模型推估北區路段短期遺失值(第一筆為真值)	194
表5-60 長期遺失標準插補模型推估南區路段短期遺失值(第一筆為真值)	195
表5-61路段車流狀態與平均速率對照表	198
表5-62 車道增加調整參數對應表	199
表5-63 校估路段車道數增加原始資料	200
表5-64  國一北區-路段三車道增為四車道之車道調整係數	201
表5-65 國一南區-路段三車道增為四車道之車道調整係數	201
表5-66 車道縮減調整參數對應表	202
表5-67 校估路段車道數縮減原始資料	203
表5-68 國一北區-路段四車道減為三車道之車道調整係數	203
表5-69國一南區-路段四車道減為三車道之車道調整係數	203
表5-70 國一北區汐五高架交流道至汐止系統交流道-校估(增道)	204
表5-71 國一南區永康交流道至台南系統交流道-校估(增道)	204
表5-72 國一南區台南系統交流道至永康交流道-校估(增道)	204
表5-73國一北區汐五高架交流道至汐止系統交流道-校估(減道)	205
表5-74 國一南區永康交流道至台南系統交流道-校估(減道)	205
表5-75 國一南區台南系統交流道至永康交流道-校估(減道)	205
表5-76 驗證路段車道數增加原始資料	206
表5-77 國一北區汐五高架交流道至汐止系統交流道-驗證(增道)	206
表5-78 國一南區永康交流道至台南系統交流道-驗證(增道)	206
表5-79 國一南區台南系統交流道至永康交流道-驗證(增道)	207
表5-80 驗證路段車道數縮減原始資料	207
表5-81 國一北區汐五高架交流道至汐止系統交流道-驗證(減道)	207
表5-82 國一南區永康交流道至台南系統交流道-驗證(減道)	208
表5-83 國一南區台南系統交流道至永康交流道-驗證(減道)	208

中文部分
1.	吳健生、廖梓淋、林鈺翔，「兩步驟類神經網路車輛偵測器遺漏資料之填補及其應用」，運輸計劃季刊，第四十卷第一期，頁 1-30，民國100年。
2.	李易儒，「於資料漏失下之旅行時間預估」，台灣大學土木工程學研究所碩士論文，民國98年6月。
3.	林鈺翔，「利用時空資料插補車輛偵測器遺漏值之研究」，國立中央大學土木工程學系碩士論文，民國99年6月。
4.	邱孟佑，「以交通狀態為基礎之旅行時間預測」，國立交通大學交通運輸研究所博士論文，民國99年12月。
5.	邱孟佑、汪進財，「以交通狀態為基礎之遺漏值補正策略」，中華民國運輸學會第二十四屆學術論文研討會論文集，頁 239-270，民國98年。
6.	范俊海、賴淑芳，「高速公路車道縮減路段速度-流量-密度關係之實證研究」，中華民國運輸學會第七屆學術論文研討會論文集第一冊，頁27-40，民國81年。
7.	唐婉玲，「利用回饋式類神經插補探討路段車輛偵測器佈設間距」，國立中央大學土木工程學系碩士論文，民國100年6月。
8.	許程詠，「利用灰色理論於偵測器遺失資料插補之研究」，國立交通大學運輸科技與管理學系碩士班碩士論文，民國100年6月。
9.	許雅惠，「以模擬分析法探討轉換函數在預測旅行時間之運用」，淡江大學運輸科學研究所碩士論文，民國95年6月。
10.	陳世倫，「利用基因規劃法進行車輛偵測器資料填補」，國立中央大學土木工程學系碩士論文，民國102年1月。
11.	陳首源， 「結合移動式與固定式偵測器資料以轉換函數推估旅行時間」，淡江大學運輸科學研究所碩士論文，民國97年6月。
12.	黃宏仁，「車輛偵測器數據補償與正規化研究」，臺灣大學土木工程研究所博士論文，民國98年6月。
13.	黃智建，車輛偵測器不完整資訊推估旅行時間之研究，逢甲大學交通工程與管理學系碩士班碩士論文，民國96年7月。
14.	董啟崇、胡大瀛、鄭妍妍，「初探轉換函數於模擬旅行時間與實際旅行時間之轉換校估」，中華民國運輸學會第二十五屆學術論文研討會論文集，民國99年。
15.	董啟崇、陳宛靜，「固定車輛偵測器遺失值之快速插補模式」，中華民國運輸學會第二十八屆學術論文研討會論文集，民國102年。
16.	廖梓淋，「利用資料填補概念探討車輛偵測器佈設間距」，國立中央大學土木工程學系碩士論文，民國98年6月。
17.	廖翊斐，「結構狀態空間模型與高速公路即時交通狀態預測之研究」，國立台北科技大學資訊與運籌管理研究所碩士學位論文，民國100年6月。
18.	蔡美蓉，「格位轉換模式(CTM)之實證-以中山高速公路為例」，逢甲大學交通工程暨管理學系碩士班碩士論文，民國97年6月。
19.	交通部臺灣區國道高速公路局，網址：http://www.freeway.gov.tw/，擷取日期：民國103年11月20日。
20.	吳柏林，時間數列分析導論，華泰書局，1995 年9 月初版。
21.	肖枝洪、郭明月，時間序列分析與SAS應用，武漢大學出版社，2009年1月第1版第1次印刷。
22.	林茂文，「時間序列分析與預測-管理與財經之應用」，臺北市：華泰文化出版，2006年三版。
23.	葉小蓁，時間數列分析與應用，台北市，1998 年初版。
24.	William W.S. Wei，時間序列分析-單變量與多變量方法(繆震宇譯)，智勝文化，2012年再版。(原著再版於2005年4月)
 
英文部分
1.	Abolfazli, H., Asadzadeh, S. M., Salman, N. S., Asadzadh, S. M., and Rezaie, K., “Forecasting Rail Transport Petroleum Consumption Using an Integrated Model of Autocorrelation Functions-Artificial Neural Network”, Acta Polytechnica Hungarica, Vol. 11, No. 2, pp. 203-214, 2014.
2.	Celikoglu, H. B., and Cigizoglu, H. K., “Modelling public transport trips by radial basis function neural networks”, Mathematical and Computer Modelling, Vol. 45, pp. 480-489, 2007.
3.	Chen, C., Kwon, J., Rice, J., Skabardonis, A. and Varaiya, P., “Detecting Errors and Imputing Missing Data for Single Loop Surveillance Systems”, Transportation Research Board, Washington, D.C., 2002.
4.	Chen, D., Muller S. G., Mussone, L., and Montgomey, F., “A Study of Hybrid Neural Network Approaches and the Effects of Missing Data on Traffic Forecasting”, Neural Computing and Applications, pp. 277-286, 2001.
5.	Chen, M., Xia, J. X., and Liu, R. F., “Developing a Strategy for Imputing Missing Traffic Volume Data”, Journal of Transportation Research Forum, Vol.45, No.3, pp. 57-75, 2006.
6.	Gold, D., Turner, S., Gajewski, B., and Spiegelman, C., “Imputing Missing Values In ITS Data Archives For Intervals Under 5 Minutes”, Transportation Research Board 80th Annual Meeting January 7-11, Washington, D.C., 2001.
7.	Hong, W. C., “Traffic flow forecasting by seasonal SVR with chaotic simulated annealing algorithm”, Neurocomputing, Vol. 74, pp. 2096-2107, 2011.
8.	Huang, C. and Lee, H., “A Grey-based Nearest Neighbor Approach for Missing Attribute Value Prediction”, Applied Intelligent, Vol. 20, No. 3, pp.239-252, 2004.
9.	Huang, X. and Zhu, Q., “A Pseudo-nearest-neighbor Approach for Missing Data Recovery on Gaussian Random Data Sets”, Pattern Recognition Letters, Vol. 23, No. 13, pp. 1613-1622., 2002.
10.	Hwaorth, J., and Cheng T., “Non-parametric regression for space-time forecasting under missing data”, Computers, Environment and Urban Systems, Vol.36, pp.538-550, 2012.
11.	Hyafile, L. and Rivest, R., “Constructing optimal binary decision trees is np-complete”, Information Processing Letters number 5, pp. 15-17, 1976.
12.	Li, Q., Li, L., Zhang, Y., and Hu, J., “PPCA-Based Missing Data Imputation for Traffic Flow Volume: A Systematical Approach”, IEEE Transaction on Intelligent Transportation Systems, Vol. 10, No. 3, pp. 512-522, 2009
13.	Ligthill, M. J., and Whitham, G. B., “On Kinematic Waves. II. A Theory of Traffic Flow on Long Crowded Roads”, Proceeding Royal Society of London Part A, Vol.229, No.1178, pp.317-345, 1955.
14.	Little R. and Rubin D., “Statistical Analysis with Missing Data” Wiley, New York, 1987.
15.	Liu, Z. B., Sharma, S., and Datla, S., “Imputation of Missing Traffic Data during Holiday Periods”, Transportation Planning and Technology, Vol. 31, No. 5, pp. 525-544, 2008.
16.	Manoel, C., Jeong, Y. S., Jeong, M. K. and Han, L. D., “Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions”, Expert Systems with Applications, Vol. 36, No. 3, Part 2, pp. 6164-6173, 2009.
17.	Ni, D., Leonard, J., Guin, A. and Feng, C., “Multiple Imputation Scheme for Overcoming the Missing Values and Variability”, Journal of Transportation Engineering, Vol. 131, No. 12, pp. 931-938, 2005.
18.	Oh, J.S., Jayakrishnan, R., and Recker, W., “Section Travel Time Estimation from Point Detection Data”, Proceedings of the 82th Transportation Research Board Annual Meeting, Washington, D. C., 2002.
19.	Park, D. J., Rilett, L. R., and Han, G. H., “Spectral Basis Neural Networks for Real-time Travel Time Forecasting”, Journal of Transportation Engineering, Vol. 125, No. 6, pp. 515-523, 1999.
20.	Raut. R. D., and Goyal, V. K., “Public Transport Bus Arrival Time Prediction with Seasonal and Special Emphasis on Weather Compensation Changes Using RNN”, International Journal of Advanced Research in Computer and Communication Engineering, Vol. 1, No. 6, pp. 378-382, 2012.
21.	Richards, P. I., “Shock Waves on The Highway”, Operation Research, Vol.4, No.1, pp.42-51, 1956.
22.	Rubin, D. B., “Inference and missing data”, Biometrika 63, pp.581-592., 1976.
23.	Schafer, J. and Graham, W., “Missing Data: Our View of the State of the Art”, Psychological Methods, Vol. 7, No.2, pp. 147-177, 2002.
24.	Sharma, S., Lingras, P., and Zhong, M., “Effect of missing values estimations on traffic parameters”, Transportation Planning and Technology, Vol.27, pp. 119-144, 2004.
25.	Shawn M. Turner, William L. Eisele, Robert J. Benz, and Douglas J. Holdener, “TRAVEL TIME DATA COLLECTION HANDBOOK”, Texas Transportation Institute The Texas A&M University System, No. FHWA-PL-98-035, Office of Highway Information Management Federal Highway Administration U.S. Department of Transportation, March 1998.
26.	Smith, B. L., Scherer, W. T., and Conklin, J. H., “Exploring Imputation Techniques for Missing Data in Transportation Management Systems”, Transportation Research Board, 2002.
27.	Soriguera, F. and Robuste, F., “Requiem for Freeway Travel Time Estimation Methods Based on Blind Speed Interpolations Between Point Measurements”, IEEE Transactions on Intelligent Transportation Systems, vol. 12, No. 1, pp. 291-297, 2011.
28.	Tavana, H. and Mahmassani, H. S., “Estimation and Application of Dynamic Speed-Density Relations by using Transfer Function Models”, Transportation Research Record 1710, pp. 47-57, 2000.
29.	Van Lint, J.W.C., Hoogendorn, S.P and Van Zuylen, H.J., “Toward a robust framework for freeway travel time prediction: experiments with simple imputation and state-space neural networks”, Proc. 82nd Transportation Research Board Annual Meeting, Washington, D.C., 2003.
30.	Vansteelandt, S., Bekaert, M. and Lange, T., “Imputation Strategies for the Estimation of Natural Direct and Indirect Effects”, Epidemiologic Methods, Vol. 1, No. 1, pp. 131-158, 2012.
31.	Wang, J., Zou, N. and Chang, G., “Empirical analysis of missing data issues for ATIS applications: travel time prediction”, In Transportation Research Record 2049, TRB, pp. 81-91, 2007.
32.	Wardrop J. G., Some Theoretical Aspects of Road Traffic Research, Proc. Inst. Civil Eng., PartⅡ, 1(2), pp.325~362, 1952.
33.	Wei, C. H. and Lee, Y., “Development of Freeway Travel Time Forecasting Models by Integrating Different Sources of Traffic Data”, IEEE Transactions on Vehicular Technology, Vol. 56, No. 6, pp. 3682-3694, 2007.
34.	Wen, Y. H., Lee, T. T., and Cho H. T., “Missing Data Treatment and Data Fusion toward Travel Time Estimation for ATIS”, Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, pp. 2546-2560, 2005.
35.	Zhang, X. and Rice, J. A., “Short-term travel time prediction”, Transportation Research Part C, Vol. 11, pp. 187-21, 2003.
36.	Zhang, Y., and Liu, Y., “Missing Traffic Flow Data Prediction using Least Squares Support Vector Machines in Urban Arterial Streets”, IEEE Symposium on Computational Intelligence and Data Mining, pp. 76-83, 2009.
37.	Zhong, M., Lingras, P. and Sharma, S., “Estimation of missing traffic counts using factor, genetic, neural, and regression techniques”, Transportation Research Part C, No.12, pp. 139-166, 2003.