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 U0002-3007201813420600
中文論文名稱 以深度學習長短時記憶神經網路演算法建立混合車道之機車行為模式
英文論文名稱 A Study of Using Deep Learning Method(Long Short-Term Memory) to Build Motorcycle Moving Behavior on Urban Mixed Lane
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 106
學期 2
出版年 107
研究生中文姓名 吳建霆
研究生英文姓名 Chien-Ting Wu
學號 605660157
學位類別 碩士
語文別 中文
口試日期 2018-07-03
論文頁數 93頁
口試委員 指導教授-范俊海
委員-吳健生
委員-洪文斌
中文關鍵字 機車行為模式  深度學習  預測  座標轉換  長短時記憶神經網路 
英文關鍵字 Driving Behavior of Motorcycles  Deep learning  Prediction  Coordinate  Long short-term memory Network 
學科別分類
中文摘要 機車為台灣最主要的交通工具之一,特色為行進時不會遵行固定路線,經常會於同一車道內併行或連續超車,在過去針對機車行為研究中,試圖利用單一數學模型解釋機車推進模式及連續超車的各種行為。但本研究認為變化萬千的機車行為模式,若只利用單一模型解釋可能會造成模擬上的困難,且無法體現台灣車流混雜的道路真實情況,故本研究針對台灣機車的特殊行車狀態,於一般市區道路汽機車混合車道中的機車行為模式為研究主體。
本研究利用深度學習運算演算法,建立機車行為模式預測模型,將機車的前進方向及影響機車推進的各項影響參數,建立其輸入與輸出變數的對應關係,並以攝影座標轉換法擷取道路機車座標,以求得更準確之研究數據,為了讓預測結果接近於數值型的座標預測,利用深度學習特殊的運算結構,結合座標及格位概念預測機車的推進行為,研究中將機車的推進行為,依座標詳細計算25個推進模式,配合25個影響行為參數,在連續的時間序列下建立關係矩陣,設計深度學習的運算結構規則。研究結果,透過模式建立成功將機車行為分成25個行進模式,並利用資料後段之25%與前段75%進行模式驗證,模式預測程度可達84%,證明模式預測機車行為確實有可行性,而後續研究可根據本研究之研究成果,蒐集完整的車流資訊執行模擬訓練,以建立完整的車流特性資料庫。
英文摘要 Motorcycle is one of the Taiwan main transportation vehicles, they cannot follow the specific route, and always frequently parallel or overtake in the identical traffic lane. In the past research about motorcycle moving behavior that tring to use a single mathematical model to explain the Motorcycle moving behavior models and the moving behaviors of continuous overtaking. However, this paper considered that it’s difficult to explain and simulate the changeable motorcycles behavior pattern by a single model, and it's unable to reflect the true situation of the mixed urban road in Taiwan. Therefore, this paper is aimed at special driving state of the Motorcycles in Taiwan and behavior pattern in the mixed road of the general urban road is the main research subject.
This paper builds a predictive model of motorcycles moving behavior patterns, using the arithmetic structure with deep learning method. Establish the corresponding relationship between input and output variables of the motorcycles' forward direction and various influence parameters affecting the behavior. To obtain the complete traffic coordinates, using the coordinates of motorcycles with the camera coordinate conversion method, in order to make the prediction result approach the numerical coordinate prediction, using the special arithmetic structure of deep learning integrate coordinate and lattice concept. In the study, the motorcycles moving behavior is calculated in detail according to the coordinates of 25 propulsion modes ,with 25 influencing behavior parameters, establish a relational matrix in a continuous time series and design the operational structure rules for deep learning .The model result shows that through the establishment of the mode, the motorcycles moving behavior was successfully divided into 25 travel modes, finally to perform pattern verification, divide 25% section of the data ,and verify another 75% . The mode prediction degree can reach 84%, which proves that the model predicts the motorcycles moving behavior is indeed feasible. Subsequent research can collect complete traffic information and perform simulation training based on the results of this research to establish a complete vehicle flow characteristic database.
論文目次 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3
1.4 研究流程3
1.5 確定問題5
第二章 文獻回顧6
2.1 微觀車流模型6
2.1.1 變換車道與接受間距模型6
2.1.2 心理-物理門檻模型11
2.1.3 機車微觀模型12
2.1.4 微觀車流模型小結15
2.2 機車推進模式17
2.2.1 神經網路20
2.2.2 深度學習網路23
2.2.3 常見模型25
2.3 文獻小結30
第三章 研究方法31
3.1 循環神經網路31
3.2 長短記憶神經網路(Long Short-Term Memory, LSTM)35
3.3 LSTM反向傳遞過程43
第四章 資料蒐集與分析48
4.1 資料蒐集目的 48
4.2 資料調查項目48
4.3 攝影測量 48
4.3.1 調查地點 49
4.3.2 調查工具 50
4.3.3 拍攝及調查作業 51
4.4 資料處理 52
4.4.1 投影模型 53
4.4.2 調查資料及環境空間分析 60
4.4.3 影響範圍空間定義 62
第五章 模式構建及驗證 68
5.1 模式構建 68
5.1.1 輸入變數 68
5.1.2 輸出變數 73
5.2 參數實驗及驗證 79
第六章 結論與建議 86
6.1 結論 86
6.2 建議 87
參考文獻 89


圖目錄
圖1. 1 研究流程圖 4
圖2. 1 車輛間距設定 8
圖2. 2 機車安全範圍 12
圖2. 3 機車行進路徑 13
圖2. 4 機車位能圖 14
圖2. 5 神經網路示意圖 20
圖2. 6 深層自編碼器結構 26
圖2. 7 受限波茲曼機 27
圖2. 8 自編碼器包含之RBM結構 28
圖2. 9 卷積神經網路結構 29
圖3. 1 循環網路結構示意圖 32
圖3. 2 循環網路神經元結構示意圖 32
圖3. 3 Elman網路 33
圖3. 4 Jordan網路 33
圖3. 5 循環單元展開 35
圖3. 6 循環神經網路與LSTM結構對應關係 35
圖3. 7 LSTM記憶塊結構 36
圖3. 8記憶塊連結示意圖 37
圖3. 9 控制開關與各單元之作用關係 38
圖3. 10 Input Gate輸出 39
圖3. 11 Forget Gate輸出 40
圖3. 12 Cell的輸出 41
圖3. 13 Output Gate輸出 42
圖3. 14 記憶塊各連接點權重 43
圖3. 15 LSTM各連接點梯度值更新算法 46
圖4. 1 觀測路段示意圖 50
圖4. 2 路段空間幾何圖 50
圖4. 3 攝影圖像失真示意圖(圖來源:Tzu-Chang Lee, 2007) 52
圖4. 4 攝影圖像扭曲 52
圖4. 5 相機幾何成像 54
圖4. 6 真實世界座標系統 58
圖4. 7 像素座標系統 58
圖4. 8 機車座標判斷位置 61
圖4. 9 機車尺寸所占空間座標 61
圖4. 10 資料形式 62
圖4. 11 機車橫向移動 63
圖4. 12 機車橫向影響變數空間 63
圖4. 13 速度與視野關係圖 64
圖4. 14 視野角度與橫向空間定義 65
圖4. 15 機車完整影響範圍空間定義 66
圖4. 16 目標車與範圍空間鄰車 67
圖5. 1 The Tensor’s Flow at Time-Sequential Order 70
圖5. 2 初步實驗訓練結果 73
圖5. 3 機車偏移角度示意 74
圖5. 4 機車格位移動狀態 75
圖5. 5 第二次實驗網路結構示意圖 76
圖5. 6 第二次實驗訓練結果 77
圖5. 7 第三次實驗網路結構示意圖 78
圖5. 8 第三次實驗訓練結果 79
圖5. 9 資料填充排序 80
圖5. 10 模式訓練圖(一) 81
圖5. 11 預測結果擬合圖(一) 81
圖5. 12 模式訓練圖(二) 82
圖5. 13 預測結果擬合圖(二) 82
圖5. 14 模式訓練圖(三) 83
圖5. 15 預測結果擬合圖(三) 83


表目錄
表2. 1 單一微觀車流模型與機車微觀車流模型比較 16
表2. 2 擠壓函數類型 21
表4. 1 測量工具 51
表4. 2 控制點調查結果 59
表4. 3 計算結果及其誤差 60
表4. 4 歷年機車實體尺寸統計表 61
表4. 5 速率與視野角度關係 64
表5. 1 車流資料編排形式 72



參考文獻 參考文獻

1. Ahmed, K., Ben, A.M., Koutsopoulos, H.N., Mishalani, R.G. (1996). Models for freeway lane changing and gap acceptance behavior. Proceedings of 13th International Symposium on Transportation and Trajfic Theory, Lyon France.

2. Ahmed, K. (1999). Modeling drivers’ acceleration and lane changing behavior. Unpublished doctoral dissertation, Massachusetts Institute of Technology.

3. Abdelhadi, A., Guy, P. (2007). A Long Short-Term Memory Recurrent Neural Network Framework for Network Traffic Matrix Prediction. LIP6 / UPMC. Paris, France.

4. Carlos, F.D. (1981). Estimation of gap acceptance parameters within and across the population from direct roadside observation, Transportation Research Part B vol. 15. pp.1-15.

5. Duc, N.H., Manfred, B., Anh, T.V. (2003). Modelling mixed traffic flow at signalized intersection using social force model, 10th EASTS.

6. Florent, A., Arnaud, D.L.F. (2017). An LSTM Network for Highway Trajectory Prediction. IEEE 20th International Conference on Intelligent Transportation.

7. Felix, G. (2001). Long Short-Term Memory in Recurrent Neural Networks. University Hannover.
8. Gipps, P.G. (1986). A model for the structure of lane-changing decision, Transport Research Part B. pp. 403-414.
9. Ishizaka, T., Fukuda, A. (2010). Development of motorcycle running simulation model under mixed traffic flow and its verification. 12th WCTR.

10. Jurgen, S. (2014). Deep Learning in Neural Networks: An Overview. Technical Report IDSIA-03-14.

11. Nguyen, L.A. (2011). An application of social force approach for motorcycle dynamics. Journal of the Eastern Asia Society for Transportation Studies.

12. Rui, F., Zuo, Z., Li, L. (2016). Using LSTM and GRU Neural Network Methods for Traffic Flow Predition. 31st Youth Academic Annual Conference of Chinese Associaton of Automation.

13. Toledo, T. (2007). Driving Behaviour: Models and challenges, Transport Review, 27. pp. 65-84.

14. Tzu-Chang, L. (2007). An Agent-Based Model to Simulate Motorcycle Behaviour
in Mixed Traffic Flow. The degree of Doctor of Philosophy of the University of London and Diploma of the Membership of Imperial College London.

15. Wiedemann, R. (1974). Simulation des Strassenverkehrsflusses. Schriftenreihe des Instituts für Verkehrswesen der Universität Karlsruhe, Band 8, Karlsruhe, Germany.

16. Xiaolei, M., Zhimin, T., Yinhai, W., Haiyang, Y., Yunpeng, W. (2015). Long short-term memory neural network for traffic speed prediction using remote microwave sensor data. Transportation Research Part C . pp. 187-197.
17. Yang, Q.I., Koutsopoulos, H.N. (1996). A Microscopic Traffic Simulation for evalution of dynamic traffic management system, Transportation Research Part C. pp. 113-129.

18. Yongxue, T., Li, P. (2015). Predicting Short-term Traffic Flow by Long Short-Term Memory Recurrent Neural Network. IEEE International Conference on Smart City.

19. 王郁凱,民國九十七年。機車專用道車流模式建立之研究。碩士論文,國立交通大學運輸科技與管理研究所。

20. 王鴻傑,民國一百零二年。汽車及機車於市區道路混合車流行為模式。碩士論文,國立交通大學運輸科技與管理研究所。

21. 交通運輸研究所,民國一百零一年。交通技術研發與人才培育規劃研究。

22. 何家娟,民國九十年。微觀汽、機車混合車流模式之研究。碩士論文,國立交通大學運輸科技管理學系。

23. 林育瑞,民國九十一年。利用類神經網路構建機車車流模式之研究。碩士論文,國立成功大學交通管理研究所。

24. 林日新,民國九十九年。汽機車混合車流模擬—新細胞自動機模型之研發。博士論文,國立交通大學交通運輸研究所。

25. 邱德紋,民國九十四年。構件機車運動推進模式-以魚體運動模型為基礎。碩士論文,私立淡江大學運輸管理學系運輸科學研究所。

26. 范俊海,民國七十九年。影像處理技術建構交通資料蒐集系統之研究。博士論文,國立台灣大學土木工程學研究所。

27. 郭峰豪,民國一百零一年。量子視覺流跟車行為模擬模式建構。碩士論文,國立交通大學運輸科技與管理研究所。

28. 徐立新,民國九十四年。考量跟車及變換車道行為之高快速公路微觀車流模式研究。碩士論文,國立交通大學運輸科技與管理學系。

29. 許義宏,民國九十六年。巨觀混合車流模型構建。碩士論文,國立成功大學交通管理科學研究所。

30. 陳凱勤、張永克、陳宛君、朱玉英、郭書沛、張心怡、廖羽苹、林靜芬,民國一百零一年。車流細胞自動機解析公式與參數較估之研究。研究報告,中華大學運輸科技與物流管理學系。

31. 陳瑄易,民國一百零二年。基於經驗模態分解法之遞迴式赫米特類神經網路預測模型–以短時交通流量預測為例,電腦與通訊第142期。

32. 張維翰,民國九十五年。郊區路段微觀混合車流特性分析與模式建立。碩士論文,國立交通大學運輸科技管理學系

33. 張耕碩,民國一百零三年。市區道路可接受側向間隔分析與應用之研究。碩士論文,私立淡江大學運輸管理學系運輸科學研究所。

34. 張正達,民國一百零一年。混合車流運動推進模式之研究-以臨近入口與紅燈號誌為條件。碩士論文,私立淡江大學運輸管理學系運輸科學研究所。

35. 黃國平,民國七十一年。混合車流二為座標模擬模式之建立及驗證。碩士論文,國立台灣大學土木工程學系。

36. 黃家耀、李子璋、陳彥佑、劉品均、羅湘盈、廖家慧、羅聖學、曾家瑜、黃維皓,民國一百零四年。混合車流模擬技術研發。研究報告,國立交通大學運輸 科技與管理研究所。

37. 鄒芳諭,民國九十九年。已非測量性相機進行近景攝影測量探討。碩士論文,國立交通大學運輸科技與管理研究所。

38. 程凱建,民國一百零三年。混合車流號誌化路口微觀機車紓解模型之建立。碩士論文,國立台灣大學土木工程系。

39. 謝志偉,民國九十九年。混合車流格位傳遞模式之建立與驗證。碩士論文,國立交通大學交通運輸研究所。

40. 葉怡成,民國一百零四年。現代測量學

41. 羅菀綾,民國九十三年。機車路側淨空容忍度之研究。碩士論文,國立交通大學運輸科技與管理研究所。
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2018-08-01公開。
  • 同意授權瀏覽/列印電子全文服務,於2018-08-01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