以車流狀態為基礎之高速公路旅行時間預測模式 A Traffic State-based Model for Freeway Travel Time

以車流狀態為基礎之高速公路旅行時間預測模式A Traffic State-based Model for Freeway Travel Time 運輸學刊第二十二卷第三期民國九十九年九月汪進財Jinn-Tsai Wong1 邱孟佑 Meng-Yu Chiu2

目錄中文摘要前言研究目的文獻探討研究方法實證分析結論與建議心得

中文摘要 • 考慮車流續進的過程以及彰顯車輛旅行時間與車流狀態間之關係並簡化預測模式之處理，本文藉由資料採集技術與迴歸分析設計出一套能預測高速公路交流道間旅行時間的預測模式。 • 以集群分析方法對每個線圈偵測器之歷史資料作交通狀態分類處理，再經由迴歸分析構建不同交通狀態類別對旅行時間影響之旅行時間預測模式。最後則以ETC (Electronic Toll Collection) 車輛通行於收費站間之通行資料所計算出之旅行時間，作為旅行時間預測模式之校估依據。關鍵詞：旅行時間、集群分析、電子收費

前言智慧型公路系統透過先進交通管理系統 (ATMS) 和先進旅行者資訊系統 (ATIS) 的實施與應用來達到交通的管制與導引。高速公路旅行時間預測所需資料包括速率、佔量、流量等偵測資料，其乃由埋設或架設於車道上之偵測器所獲得。以資料採集分類技術針對每一偵測器歷史資料 (速率、流量)進行交通狀態分類，接著，藉由收費站間電子收費系統之通行資料計算出路段旅行時間，最後則發展以偵測器資料所對應交通狀態為基礎之路段旅行時間預測模式並加以校估。

研究目的 模式結果顯示其不但有相當良好之預測能力，校估之係數值亦可提供系統管理者豐富的訊息，以更了解各路段之幾何與交通特性對擁擠交通狀態所造成旅行時間增加之原由，進而研提有效的管理策略。

文獻探討 • 合理準確的旅行時間預估為先進旅行者資訊系統成功運作之基本要件(Dharia and Adeli, 2003; Dia, 2001; van Lint et al., 2005; Zhang and Rice,2003)，因此，諸多高速公路路段旅行時間預估方法仍不斷地被發展應用，大體上可概分為三類：亦即以模式為基礎 (Model-based) 之方法、瞬時旅行時間 (Instantaneous) 法及資料驅動 (Data-driven) 法 (Kwon et al., 2000;van Lint et al., 2005; Vanajakshi and Rilett, 2007; Wu et al., 2004)。其中，以模式為基礎之方法需先透過對未來交通狀態之預測，再行轉化成旅行時間，適度地將交通過程納入考量，此類方法包括各類衝擊波模式、動態交通量模式等 (Billings and Yang, 2006; Kwon and Petty, 2005; Yang, 2005) 。

研究方法 • 本研究參考基本車流理論以服務水準來分類高速公路不同交通狀態之作法，使用兩階段集群分析方法將偵測器蒐集之交通資料分類，第一階段先使用階層式的華德法，得到初步集群重心後，第二階段使用K-means 演算法，以第一階段定義6 類集群重心為起點進行集群分析，產生最後集群解。

研究方法 • ETC 資料與偵測器資料之母體亦不完全一致，因此，在以可用之ETC 資料為基準之前提下，其所提供之路段旅行時間與偵測器資料所推估之旅行時間勢必無法完全相符，但因兩者所對應之交通狀況基本上是一致的，可預期其間必有相當高之相關性；該路段旅行時間應為自由流下之旅行時間，加上車流於路段上延誤時間之和 (Taylor et al., 1997)，Paterson and Rose (2008) 即將路段分成為數甚多之小路段，並以此一簡單觀念以及等候理論之應用，發展出一遞迴推估路段旅行時間之方法。

研究方法 • 研究在構建交流道間旅行時間預測模型時除須引進預測模型來預測各偵測點未來交通狀態外，並利用集群分類方法來簡化與處理各路段交通狀態變化對旅行時間的影響，並透過NNLS (NonNegative Least Square) 演算法求解出各偵測器所對應路段在不同交通狀態下對整體路段平均旅行時間之影響程度。

研究方法 • 研究在構建交流道間旅行時間預測模型時除須引進預測模型來預測各偵測點未來交通狀態外，並利用集群分類方法來簡化與處理各路段交通狀態變化對旅行時間的影響。

研究方法 • 資料蒐集與彙整本研究搜集 2006/08/01 ~ 2006/08/31 期間楊梅與泰山收費站之ETC 資料與該路段間8 個偵測器歷史資料，經過系統彙整與刪除空值後，共獲得同時包含ETC 與該路段偵測器完整資料之有效樣本2,536 筆，作為模式構建之用。且以2006/10/15 ~ 2006/10/21 期間同樣路段之ETC 資料與該路段間偵測器歷史資料共計2,016 筆作為模式驗證用。

實證分析 • 表2為以國道楊梅－泰山收費站間2006年8月1日~8月31日的有效樣本求解結果。NNLS計算出之常數項為1,320秒，每個路段均為自由流狀態時，各路段均無任何旅行時間增量△ij時所加總之旅行時間,根據路段距離分攤到每一偵測路段之旅行時間，可以求得如表2中第一列ttI1值(137、222、203、148、148、148、129、185)，作為各段基礎旅行時間。

實證分析 • 如表3 所示，以時空推移方式串接各交流道間之各偵測路段交通狀態，再利用表3 之交通狀況類別與旅行時間之對應表，即可獲得交流道間之旅行時間預測值。

實證分析 圖 11 模式旅行時間與ETC 旅行時間散佈圖

實證分析 • 由圖 11 可發現，模式所計算旅行時間與ETC 旅行時間呈現高度相關，不過仍有一些模式低估與高估現象，為了進一步分析此模式特性，並彰顯不同交通狀況下模式之預測能力，透過圖12 之一日中各時點ETC 之平均旅行時間 (10 月15 ~ 21 日之平均) 與模式預測旅行時間誤差平均值之對應關係，可以清楚發現，當交通狀況開始漸趨擁擠時模式所預估之旅行時間相較於ETC車輛所計算之實際旅行時間會有由高估轉為低估之情形。

實證分析 • 圖 12 ETC 旅行時間與模式旅行時間誤差值分布圖

實證分析 • 而當交通狀態由擁擠開始進入紓解狀態後則有由低估轉為高估之情形 (圖12中B 之範圍)，會有此種現象產生乃是因車流趨於擁擠時，各偵測路段依當時交通狀態分類所對應之延誤值來不及反應真實擁擠現象，此與Bartin et al.(2006) 及Loubes et al. (2006) 所指出，旅行時間分布會因車流狀態不同而產生不同型態，自由流與擁擠階段之分布屬對稱型，擁擠形成與擁擠紓解期間之旅行時間分布會有不對稱現象發生，此一現象在本模式時空推移過程中即可能產生較明顯的偏誤，故交通擁擠時會有低估現象。

結論與建議 • 原始分類以流量、速度與占量三項因子進行分群處理，結果發現由於K-mean 二階段分群演算法，乃以相同權重原則處理各個輸入元素與分類群中心值之歐基米德距離關係進行分類，其分群結果不佳，導致分群結果與車流關係難有明顯實用上的關聯性。 • 但若移除占量輸入變數，僅針對流量及速度兩項因子進行分群處理，其結果與車流理論相當一致。

結論與建議 雖然 ETC 樣本資料與線圈偵測器樣本資料並不一致，但在結合車流時空推移的概念以及資料融合構想前提下，發現模式確實可以有效的預測交流道間之旅行時間。因此，其可謂是一具有理論基礎與實務應用的交流道間旅行時間預測模式。

結論與建議 同時，由路段旅行時間預測模式之校估結果可知，各偵測器所代表之路段特性確實有差異，模式參數顯示某些路段由於道路條件關係，對於車流狀態之變化較為敏感，就交通控制的觀點，此結果提供了一相當有參考價值的資訊

心得從這篇學刊中，不僅可以讓我清楚掌握路網中會對旅行時間有較明顯影響之尖峰時段與擁擠路段，其除了也可以針對這些個別路段之道路幾何條件及車流運作狀況作更深入的分析改善外，更提供管理者適度避免或預先疏導之方式，以免於該等路段交通狀態進入壅塞而造成總體旅行時間遽增與擴散。

以車流狀態為基礎之高速公路旅行時間預測模式 A Traffic State-based Model for Freeway Travel Time