旅行時間預測技術簡述一次北宜廊道為例

編輯部 2018-06-26

旅行時間預測也可依期程長短區分成兩種架構:長期預測指出發時間距離「現在」較遠,不必考慮「現在」的交通狀況,例如預測明天某時出發至特定目的地所需時間;即時預測對應已出發或即將出發,需考慮「現在」的道路狀況。學術研究多半考慮即時預測,主要方式基於車流理論或完全由觀察到的資料建構模型進行預測,也可混合上述二者。

圖 1長期與即時旅行時間預測

進行長期旅行時間預測首先須注意的是,同一路段在一天中不同時段的旅行時間通常會有一定程度的關聯,因此不適合逐點迴歸,在此採取分群後估計各群均值的方式。以國道五號為例,首要的變數是星期幾,利用階層式分群法(Hierarchical clustering)分別分析樣本中星期一至星期日的旅行時間序列,可看出「暑假」為重要因素,暑假期間即使是上班日也會在傍晚時段於北上路段產生壅塞,其他時間則較少見。據此分別對暑期及暑期以外時間星期中不同天設定預測值,經2017年6-11月觀察上述方法,每日相對百分誤差(Mean Absolute Percentage Error, MAPE)可穩定控制在2-10%。

圖 2石碇→頭城南下旅行時間,星期一至日分別以紅橙黃綠藍靛紫表示

其他重要的分群因子還包含長連假或特定假日及重大天氣事件(如颱風)等。透過更仔細的分群以處理以上因素可將相對誤差再降低約1%,並減少較大規模發生的頻率。
經仔細觀察可發現每一路段每日旅行時間具有特定幾種型態(pattern),利用訊號處理中的小波轉換(Wavelet transform)可萃取每日旅行時間序列的特徵,利用高斯混合模型分群(Gaussian mixture model)後可清楚發現,除一般周日北上旅行時間有其特殊的型態,其他多為同一基本型態經尺度調整,此外,每日總流量與日均旅行時間也有密切的正向關係,透過對流量的預測,也可以選擇當日總流量相近的旅行時間序列作為預測值,惟這個做法平均百分誤差相較前述方法仍稍高約1%,仍有改善的空間。
在即時旅行時間預測部分,若短時間內產生巨大改變的機會不高,則以最新的觀察值作為對接下來幾個區間的旅行時間預測是簡單又合理的做法,但若進行預測的時間期程略為拉長,則可能發生嚴重誤差,修正的方法就是利用長期預測的結果,針對未來的變化率逐步修正如下式:

式中t是現在時間,要預測t l的旅行時間, 是長期預測的旅行時間序列曲線。圖 6為2017年6-11月對頭城→石碇路段運用此方法(左)及單以最新作為預測值(右)整體的MAPE,當然,不同的日期群別(如星期一或星期日)仍略有差異。


圖 3 不同時間長度即時預測的績效比較

最後,由單一方法及對應資料集構成的預測系統不是現階段最佳選擇。由於新型態的資料與新的資訊內容持續出現,對應的新方法也會逐步開發出來。其次,即使是既得的公開資訊,主管單位仍可能持續獲得不同的預測方法、演算法與對應的程式碼,且不論是否基於相同的資料集,既有的方法未必全然無用,每次有新素材就全面更新系統未必符合效益。再進一步看,真實世界中「所有狀況下都是最佳」的預測方法幾乎不可能得到,因此,可行的策略是整合一群表現尚可的方法或模型以獲得接近「最佳」方法的效果,如下圖所示。

圖 4 預測系統架構

 


642

延伸閱讀

  • 何謂”智慧交控”,現階段有那些發展策略?

    現階段發展智慧交控之策略包括:建立多元交通資訊的蒐集與融合體系、透過大數據發展新...

    2018-05-02

    看更多
  • 數位時代之智慧交通安全精進途徑(上)

    在數位時代,交通安全需要導入「智慧」,透過物聯網、車聯網、先進駕駛安全輔助系統、...

    2018-05-21

    看更多
  • 數位時代之智慧交通安全精進途徑(下)

    在數位時代,交通安全需要導入「智慧」,透過物聯網、車聯網、先進駕駛安全輔助系統、...

    2018-06-26

    看更多