利用回饋式類神經插補探討路段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：93

、訪客IP：3.133.86.172

姓名

唐婉玲(Wan-ling Tang) 查詢紙本館藏

畢業系所

土木工程學系

論文名稱

利用回饋式類神經插補探討路段車輛偵測器佈設間距
(A Study on the Installation Spacing of Vehicle Detectors on Road Section Using Data Imputation Based on Recurrent Neural Network)

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	★ 臺北市YouBike公共自行車節能減碳替代效果

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]

至系統瀏覽論文 ( 永不開放)

摘要(中)

車輛偵測器為蒐集交通資料重要的來源，當車輛偵測器資料回傳至交通控制中心可能會遇到車輛偵測器當機、故障等因素造成車輛偵測器資料遺漏或錯誤，本研究藉由資料插補的概念推估出完整可靠的交通資料。針對雪山隧道車輛偵測器資料，使用K-means將蒐集到的車輛偵測器資料進行分群，再以回饋式類神經網路插補遺漏資料，假設兩個偵測器資料插補中間任何一個位置的遺漏資料，其插補績效皆不錯，即可將遺漏資料之位置視為沒有設置車輛偵測器的必要，即可拉長車輛偵測器的佈設間距。研究結果顯示，在考量插補流量特性下，可設定佈設間距為11,900 m，此時準確度為80%，相當於目前35個車輛偵測器可以縮減成2個，減少車輛偵測器之設置，藉此降低車輛偵測器設置成本。

摘要(英)

The main purpose of this study is to use the concept of missing value treatment to investigate the maximum installation spacing of vehicle detectors on road sections. Assuming a vehicle detector undergoes data loss, data error or transmission distortion, we supplement its traffic data with those from its up and downstream detectors.By means of performance assessment, we identify the farthest effective detectors for supplement, and, hence, conclude the maximum possible installation spacing according to the distance between them.
An empirical analysis for the missing value of vehicle detectors in Hshehshan tunnel, we, clustered all the data into groups using K-means, and then chose to recurrent neural network impute the missing data.We, finally, developed two possible applications based on imputation performance, including data imputation and installation spacing of vehicle detectors.The result shows that we could extend the current spacing of 350 m to 11,900 m by an accuracy of over 80%.

關鍵字(中)

★ 回饋式類神經網路
★ 佈設間距
★ 資料插補
★ K-means

關鍵字(英)

★ K-means
★ data imputation
★ recurrent neural netwok
★ installation spacing of vehicle detectors

論文目次

摘要 i
Abstract ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 ix
第一章緒論 1
1.1研究動機 1
1.2研究目的 1
1.3研究範圍 2
1.4研究方法 2
1.5研究流程 3
第二章文獻回顧 5
第三章佈設間距推估方法 13
3.1 佈設間距基本原則 13
3.2 遺漏值插補方法 15
3.2.1 聚類法K-means 15
3.2.2 回饋式類神經網路 21
3.2.3 線性內插法 34
3.2.4 類神經內插法 35
3.2.5 類神經二分法 35
3.2.6 類神經門檻選取法 37
3.3 評估指標 39
第四章實證分析 45
4.1 資料蒐集 45
4.2 權重插補測試 52
4.3 插補績效 61
4.4 佈設間距 78
4.5 佈設間距比較 80
第五章結論與建議 89
5.1 結論 89
5.2 建議 91
參考文獻 92

參考文獻

1. 游裕昌，「運用基因群集技術於大型資料庫內遺失值之處理」，國立台灣科技大學電子工程系研究所碩士論文，2004。
2. 黃智建，「車輛偵測器不完整資訊推估旅行時間之研究」，逢甲大學交通工程與管理學系研究所碩士論文，2007。
3. 黃宏仁，「車輛偵測器數據補償與正規化研究」，國立臺灣大學土木工程學研究所博士論文，2009。
4. 廖梓淋，「利用資料插補概念探討車輛偵測器佈設間距」，國立中央大學土木工程學系研究所碩士論文，2009。
5. 林鈺翔，「利用時空資料推估車輛偵測器遺漏值之研究」，國立中央大學土木工程學系研究所碩士論文，2010。
6. 丁一賢、陳牧言，「資料探勘」，初版，滄海書局，2005。
7. 張斐章、張麗秋，「類神經網路導論：原理與應用」，初版，滄海書局，2010。
8. 廖述賢、溫志皓，「資料採礦與商業智慧」，初版，雙葉書廊，2009。
9. 葉怡成，「類神經網路模式應用與實作」，第八版，儒林書局，2003。
10. 張耀祖、白煌朗、方偉平，“數值分析Numerical Methods for Engineers”，松崗電腦圖書資料有限公司，1987。
11. 林丕靜著，「數值分析」，七版，格致圖書有限公司，1995。
12. 江大成譯，「數值分析」，初版，滄海書局，2006。
13. 林惠玲、陳正倉，「統計學方法與應用」，雙葉書廊，四版，2010。
14. 林豐博、蘇振維，「國道五號雪山隧道行車特性分析之研究」，運輸計畫季刊，第三十八卷，第一期，頁85-120，2009.
15. 高瑛穗，「雪山隧道行車特性分析」，國立中央大學土木工程學系研究所碩士論文，2009。
16. Lewis, C.D., “Industrial and Business Forecasting Methods”, Southampton: The Camelot Press Ltd,1982.
17. Batista, G. E. A. P. A. and Monard, M. C., “An Analysis of Four Missing Data Treatment Methods for Supervised Learning”, Applied Artificial Intelligence, vol. 17, no. 5-6, pp. 519-533, 2003.
18. Rubin, D. B. and Little R. J., “Statistical Analysis with Missing Data.”John Wiley and Sons, New York, 1987.
19. Rubin, D. B.,“Multiple imputations in sample surveys”Proc. Survey Res. Meth. Sec., Am. Statist. Assoc. 1978, 20-34, 1978.
20. Gold, D. L., Turner, S. M., Gajewski, B. J. and Spiegelman, C., “Imputing Missing Values In ITS Data Archives For Intervals Under 5 Minutes,” Transportation Research Board 80th Annual Meeting January 7-11, Washington, D.C, 2001.
21. Chen, D., Muller, S. G., Mussone, L. and Montgomey, F. , “A Study of Hybrid Neural Network Approaches and the Effects of Missing Data on Traffic Forecasting,” Neural Computing & Applications, pp. 277-286, 2001.
22. Chen, C., Kwon, J., Rice, J., Skabardonis, A. and Varaiya, P. , “Detecting Errors And Imputing Missing Data For Single Loop Surveillance Systems,” Transportation Research Board January, Washington, D.C, 2002.
23. Brian L. Smith, William T. Scherer, James H. Conklin,“Exploring Imputation Techniques for Missing Data in Transportation Management Systems”, Transportation Research Board, Vol. 1836, pp. 132-142, 2003.
24. Satish Sharma, Pawan Lingras, Ming Zhong,“Effect of Missing Value Estimations on Traffic Parameters”, Transportation Planning and Technology vol. 27, no. 2, pp. 119-144, 2004.
25. Huang, C. C. and Lee, H. M., “A Grey-based Nearest Neighbor Approach For Missing Attribute Value Prediction,” Applied Intelligent, Vol.20, No.3, pp. 239-252, 2004.
26. Wen, Y. H., Lee, T. T. and Cho, H. T., “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, 2005.
27. Mei Chen, Jingxin Xia, Rongfang Liu,“Developing a Strategy for Imputing Missing Traffic Volume Data”, JOURNAL of the TRANSPORTATION RESEARCH FORUM, Vol. 45, No. 3, pp. 57-76, 2006.
28. Zhaobin Liu, Satish Sharma, Sandeep Datla,“Imputation of Missing Traffic Data during Holiday Periods”, Transportation Planning and Technology, Vol. 31, No. 5, pp. 525-544, 2008.
29. Li Qu, Li Li, Yi Zhang, Jianming Hu,“PPCA-Based Missing Data Imputation for Traffic Flow Volume: A Systematical Approach”, IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, Vol. 10, No. 3, pp. 512-522, 2009.
30. Hong, W. C.,“Trafﬁc ﬂow forecasting by seasonal SVR with chaotic simulated annealing algorithm”, Neurocomputing, pp. 2096-2107, 2011.

指導教授

吳健生(Jiann-sheng Wu)

審核日期

2011-7-2

推文