高速公路动态交通时间狀态特性之分析、预测和应用.PDF

高速公路動態交通時間狀態特性之分析、預測與應用 學生 : 黃益三 指導教授 : 藍武王 博士 許鉅秉 博士 國立交通大學交通運輸研究所 摘 要 研究動態交通（ Traffic dynamics ）的時間狀態特性（Temporal features ）與預測短 期交通的變化，對尋求解決各項交通問題以及改善先進交通管理系統（ Advanced traffic management systems, ATMS ）等相關領域效能，均扮演相當重要的關鍵角 色。然而傳統一維空間時間序列分析方法，對 交通動態隨時間狀態演進的特徵， 無法充分掌握其訊息；復以過去許多研究著手進行預測之前，未能審慎考量交通 特性暨影響預測準確性的因素，均顯示出過去研究不足之處急待解決。 綜觀過去對交通時間序列的分析，不外乎著重於線性型態的研究，當然，也有為 數不少相當有貢獻的研究係著重於探討車輛軌跡在時間-空間上的交互作用；然 而這些研究的資料仍僅限於使用模擬模型所產生，其實驗結果缺乏實證交通資料 的驗證。因此，本研究利用 Takens 法則，以多維空間方法進行分析，佐以最大里 亞帕諾夫指數（ the largest Lyapunov exponent ）以及吸引子維度（Correlation dimension ），在多維空間中仔細觀察交通流量、速率及佔有率，隨時間演進之軌 跡，並藉此發展出一套檢驗動態交通 在時間狀態特性的準則。 此外，在本研究中，採用輻狀基底函數類神經網路（Radial Basis Function Neural Network, RBFNN ）以及即時回饋學習演算法（Real-time recurrent learning algorithm, RTRL ），探討在不同量測尺度、時間稽延、空間維度以及不同時段的情況下，對 短期動態交通預測的影響程度；同時在不同預測方法中，利用一階自我迴歸隨機 時間序列（ First-order autoregressive stochastic time series ）與確定性一階微分方程 式（Deterministic first-order differential-delay equation ），成對比較了[線性-即時回 饋學習演算法]與[簡單非線性法-即時回饋學習演算法]在預測能力方面的差異 特性。 最後，經由中山高速公路實測資料， 進行時間狀態特性的實證研究與短期交通預 測的敏感度分析，其結果顯示：隨著量測尺度、歷史資料、觀察時段不同，交通 流量、速率及佔有率在多維空間中呈現不同非線性時間形態；而藉由流量-速率- 佔有率，三者成對觀察中發現透過時間順序的 遞進，多維空間不啻提供更多有效 訊息。另外，使用輻狀基底函數類神 經網路以及即時回饋學習演算法在短期交通 I 預測方面，具有令人滿意的結果；但是預測準確度也同時會受到量測尺度、時間 稽延以及不同時段的影響。本研究的實證成果可做為未來發展交通管理的架構參 考，特別是在動態的交通控制方面。 關鍵詞 ：時間狀態特性、重構狀態空間、時間順序、輻狀基底函數類神經網路、 即時回饋學習演算法。 II TEMPORAL FEATURES OF FREEWAY TRAFFIC DYNAMICS: ANALYSIS, PREDICTION AND APPLICATION Student: Yi-San Huang Advisor: Lawrence W. Lan Jiuh-Biing Sheu