利用資料填補概念探討車輛偵測器佈設間距

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：78

、訪客IP：3.141.244.201

姓名

廖梓淋(Tzu-lin Liao) 查詢紙本館藏

畢業系所

土木工程學系

論文名稱

利用資料填補概念探討車輛偵測器佈設間距
(A Study on the Installation Spacing of Vehicle Detectors Using the Concept of Missing Value Treatment)

相關論文

★ 紅燈右轉人車衝突風險分析	★ 機車騎士紅燈怠速熄火意願及其預期成效之研究
★ 雪山隧道路徑導引策略研究	★ 利用回饋式類神經插補探討路段車輛偵測器佈設間距
★ 利用基因規劃法進行車輛偵測器資料填補	★ 機車紅燈怠速熄火節能減碳效果評估
★ 應用存活分析法於運具移轉行為之研究	★ 利用基因規劃法預測高速公路旅行時間
★ 以鏈結串列搜尋車輛偵測器遺漏值最佳填補方式	★ 應用存活分析法於鋪面坑洞影響因素及使用年限之研究
★ 機車隨機到達情況下紅燈怠速熄火效果之研究	★ 雪山隧道行車速率特性分析
★ 應用存活分析法於公路長隧道事故分析之研究	★ 需求反應式運輸系統營運模式與績效評估－以復興鄉為例
★ 應用存活分析於市區公車駕駛行為異常之研究	★ 市區公車油耗與節能減碳之研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

本研究主要的目的，是在利用資料填補的觀念，探討車輛偵測器資料遺失、錯誤或傳輸失真時，如何藉由上、下游偵測器資料進行填補，並經由填補績效的評估，確認上、下游偵測器能夠填補的最遠距離，藉此推算偵測器可能佈設之最大間距，以使偵測器資源能夠發揮最大的效益。本研究於資料填補分析時，首先採用K-means法將資料進行分群，而後再以類神經網路加以填補，最後並以雪山隧道偵測器所得流量、速率以及占有率三項資料進行實證分析。結果發現，兩步驟填補方式因能將同質性高的車流狀態資料匯集在一起，可獲得良好的填補績效。若合併考量流量、速率與占有率三者，則可設定佈設間距為4,900 m，此時所須容忍的平均誤差為20%（80%準確度）。若將準確度提高為90%，則佈設間距應縮短為2,100 m，但此時占有率在中低流量狀態下將無法達到此一要求。

摘要(英)

In this study, we attempted to enlarge the installation spacing by using missing value treatment. Instead of densely installing vehicle detectors, we supply the traffic data on road sections in the research. We assessed the recovering performance by using a two-stage treatment method based on the traffic data. The traffic data is collected by vehicle detectors in Hshehshan tunnel. At first, the traffic data were clustered into two sets by K-means for the subsequent treatment. Second, the missing data assumed for a specified detector were recovered by neural network. It is based on traffic data detected at up- and downstream. Finally, we identified the farthest detectors whose data could still satisfy the needs of supplement at an acceptable level of accuracy. Also, the distance should be the maximum installation spacing in the circumstance.
The result shows that the method of missing value treatment used in this study can achieve good performance in general due to grouping homogeneous traffic after the preliminary clustering result. The maximum installation spacing of vehicle detectors can reach 4,900 m without losing recovering accuracy over 80%. If the spacing decreases to 2,100 m, the accuracy will even rise to 90%. However, occupancy cannot meet this requirement under low traffic flow condition.

關鍵字(中)

★ K-means分群
★ 填補績效
★ 資料填補
★ 佈設間距
★ 類神經網路

關鍵字(英)

★ neural network
★ K-means
★ missing value treatment
★ installation spacing

論文目次

摘要 i
Abstract ii
致謝 iii
圖目錄 vi
表目錄 viii
第一章緒論 1
1.1研究動機 2
1.2研究目的 3
1.3研究範圍 3
1.4研究方法 3
1.5研究流程 5
第二章文獻回顧 7
2.1遺漏值處理 7
2.2遺漏值相關研究探討 10
2.3小結 14
第三章車輛偵測器資料填補方法 16
3.1聚類演算法 16
3.2類神經網路 21
3.3倒傳遞類神經網路 22
3.3.1多層感知器網路架構 22
3.3.2倒傳遞網路學習演算法 23
3.3.3倒傳遞網路實用層面探討 28
3.4輻狀基底函數類神經網路 29
3.4.1輻狀基底函數類神經網路架構 30
3.4.2 輻狀基底函數中心點選取法 32
3.5回饋式類神經網路 33
3.5.1回饋式網路架構 34
3.5.2即時回饋學習演算法 35
第四章實證分析 39
4.1資料蒐集 39
4.2資料分群 41
4.3資料填補 59
4.3.1類神經網路評選 60
4.3.2分群投入偵測器 66
4.4最適分群組數 68
4.5偵測器佈設間距分析 70
4.6小結 75
第五章結論與建議 78
5.1結論 78
5.2建議 80
參考文獻 82

參考文獻

1.劉士仙等，2006，智慧型交通資訊蒐集、處理、傳播與旅行者行為系列之研究－號誌化道路路況資訊偵測方法與省道路段固定式偵測器佈設規劃，交通部委託研究。
2.劉士仙、申瑋琦，2006，「路段偵測器佈設數量與位置績效分析」，中華民國運輸學會第十五屆學術論文研討會光碟。
3.張堂賢、黃宏仁，2008，「車輛偵測器資料遺失之在線插補技術研究」，運輸學刊，第二十卷第四期，頁377-404。
4.葉怡成，2000，「類神經網路模式應用與實作」，儒林圖書，七版。
5.張斐章、張麗秋，2005，「類神經網路」，東華書局。
6.張紹勳、林秀娟，2005，「SPSS多變量統計統計分析」，滄海書局。
7.邱皓政，2006，「量化研究與統計分析」，五南圖書。
8.周文賢，2002，「多變量統計分析」，智勝文化。
9.辛鴻璋，2002，「應用類神經網路於證券業網路下單市場之區隔」，國立台北科技大學生產系統工程與管理研究所碩士論文。
10.吳冠宏、吳信宏、郭廣洋，2006，「應用分群技術於交通事故資料分析」，品質學報，第十三卷第三期，頁305-312。
11.牛田一雄、高井勉、木暮大輔，2006，「資料採礦利用Clementine使用手冊」，鼎茂圖書。
12.Chen, C., Kwon, J., Rice, J., Skabardonis, A. and Varaiya, P. (2002), “Detecting Errors And Imputing Missing Data For Single Loop Surveillance Systems,” Transportation Research Board January, Washington, D.C.
13.Chen, D., Muller, S. G., Mussone, L. and Montgomey, F. (2001), “A Study of Hybrid Neural Network Approaches and the Effects of Missing Data on Traffic Forecasting,” Neural Computing & Applications, pp. 277-286.
14.Daganzo, C. (1997), Fundamentals of Transportation and Traffic Operation, Pergamon Elsevier, Oxford, U.K.
15.Delurgio, S. A. (1998), Forecasting principles and applications, McGraw-Hill.
16.Gold, D. L., Turner, S. M., Gajewski, B. J. and Spiegelman, C. (2001), “Imputing Missing Values In ITS Data Archives For Intervals Under 5 Minutes,” Transportation Research Board 80th Annual Meeting January 7-11, Washington, D.C.
17.Huang, C. C. and Lee, H. M. (2004), “A Grey-based Nearest Neighbor Approach For Missing Attribute Value Prediction,” Applied Intelligent, Vol.20, No.3, pp. 239-252.
18.Huang, X. L. and Zhu, Q. M. (2002), “A Pseudo-nearest-neighbor Approach For Missing Data Recovery On Gaussian Random Data Sets,” Pattern Recognition Letters , Vol.23, pp. 1613-1622.
19.Lewis, C. D. (1982), Industrial and Business Forecasting Methods, Southampton: The Camelot Press Ltd.
20.Little, R. J. A. and Rubin, D. B. (1987), Statistical analysis with missing data, New York: John Wiley & Sons.
21.Sgarna, S. (1995), Applied Multivariate Techniques, Strategies and Case Studies, New York: John Wiley & Sons.
22.Tabachnick, B. G. and Fidell, L. S. (1983), Using multivariate statics, New York: Haper & Row.
23.Vanajakshi, L. and Rilett, L. R. (2006), “System Wide Data Quality Control of Inductance Loop Data Using Nonlinear Optimization,” Journal of Computing In Civil Engineering, Vol.20, No.3, pp. 187-197.
24.Wen, Y. H., Lee, T. T. and Cho, H. T. (2005), “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.
25.Zhong, M., Lingras, P. and Sharma, S. (2004), “Estimation of missing traffic counts using factor, genetic, neural, and regression techniques,” Transportation Research Part C, No.12, pp. 139-166.

指導教授

吳健生(Jiann-Sheng Wu)

審核日期

2009-7-9

推文