陴K本臺灣大學：土木工程學研究所洪啟峰Hung, Chin-FengChin-FengHung2007-11-252018-07-092007-11-252018-07-092004http://ntur.lib.ntu.edu.tw//handle/246246/50274為了解決道路安全的問題，首要工作是深入了解車流行為，進而提前得知車流行為的動態變化情形，以提供即時安全控制的決策判斷所需資訊；若欲深入瞭解混合車流行為的渾沌現象，則無法忽略機車車流與汽車車流並存於道路上的混合車流情況。本文即探討與分析道路上混合車流行為的時空變化，進而實現車流預測行為。 本文先利用渾沌理論的相空間概念，以描述混合車流環境中各車流型態的行為；再者，結合渾沌理論的相空間概念與人工類神經網路的預測能力，分別構建混合車流參數預測模式、機車車流參數預測模式及汽車車流參數預測模式，並進行分析與預測。為了進行模式驗證，透過計算預測輸出值與實際值之間的均方誤差與相關係數，以評估輸出結果的準確度。 經過比較分析後，除了發現混合車流的渾沌現象較其他車流更為顯著，在預測準確度方面，混合車流參數預測模式較機車車流、汽車車流預測模式準確，即描述車流行為的能力更佳，有助於車流趨勢的預測。In order to improve road safety, first thing we have to do is to understand the spatiotemporal mixed traffic flow condition for evaluating whether the traffic condition is safe or not. The information is essential for real-time safety control system because it can help real-time safety control system obtain the correct decision. However, mixed traffic flow primarily consists of motorcycle traffic flow and car traffic flow. Therefore, this study will try to discuss and analyze the spatiotemporal changing behavior of mixed flow in detail. First step is to describe mixed flow behavior with chaos theory. Next, the chaos artificial neural network of mixed traffic flow, motorcycle traffic flow and car traffic flow are constructed with neural network theory. In order to ascertain if the prediction ability of the chaos artificial neural network is accurate or not, the mean square error and correlation coefficient are adopted for being the indicator of evaluation. Through the comparative analysis, it is found that chaos phenomenon of mixed traffic flow is more obvious than that of motorcycle traffic flow and car traffic flow. Furthermore, the prediction ability of mixed traffic flow model is more accurate than the other models. It is very essential for forecasting the trend of mixed traffic flow changing condition.目錄 第一章 緒論 1 1.1研究背景 1 1.2研究目的 2 1.3研究範圍 2 1.4研究內容與流程 3 第二章 文獻回顧 5 2.1車流行為之研究方法 5 2.2車流之相關文獻 8 2.2.1跟車理論 8 2.2.2相關車流評估參數 10 2.2.3 車流預測方法 14 2.3渾沌理論及應用之相關文獻 16 2.3.1車流之渾沌現象 16 2.3.2其他領域之應用 19 第三章 渾沌類神經方法及模式說明 21 3.1渾沌理論(Chaos Theory)概述 21 3.1.1渾沌(Chaos) 21 3.1.2相空間概念 23 3.1.3 碎形維度 26 3.1.4相關維度 27 3.1.5 里亞譜諾夫(Lyapunov)指數 28 3.1.6 熵值(Kolmogorov entropy) 29 3.1.7 導入渾沌動力概念之預報模式 30 3.1.8渾沌系統特性 31 3.2類神經理論 32 3.2.1倒傳遞類神經網路(Back-Propagation Network,BPN) 32 3.2.2學習演算法 33 3.3渾沌人工類神經網路(CANN, Chaos Artificial Neural Network) 35 3.3.1模式概述 35 3.3.2渾沌人工類神經網路的構建 36 3.3.3渾沌人工類神經網路之演算法 39 3.4模式假設條件 46 第四章 模式建構與驗證 47 4.1現場調查及初步結果分析 47 4.1.1調查時間、地點、工具 47 4.1.2室內觀測作業 48 4.1.3觀測資料分析 49 4.2渾沌分析 53 4.3模式構建 59 4.3.1輸入-輸出變數 59 4.3.2模式結構 62 4.4實證結果與驗證 67 第五章 結論與建議 76 5.1結論 76 5.2建議 78 參考文獻 79 圖目錄 圖1.1 研究流程圖 4 圖3.1 Lorenz運動方程式於xy平面的投影圖[35] 22 圖3.2 Koch線的自我相似特性 22 圖3.3 Logistic方程式之時間序列圖(a)與相空間圖(c)； 25 隨機序列之時間序列圖(b)與相空間圖(d)[3] 25 圖3.4康托爾(Cantor)集合 27 圖3.5席爾賓斯基(Sierpinski)三角形 27 圖3.6倒傳遞類神經網路之基本架構 33 圖3.7倒傳遞類神經網路之基本架構 34 圖4.1調查工作之流程圖 50 圖4.2調查地點的混合車流狀況 51 圖4.3觀測時空場的二維座標圖 51 圖4.4各車流參數之變異係數比較-基隆路路段 52 圖4.5各車流參數之變異係數比較-市民大道路段 52 圖4.6各車流參數之熵值比較-基隆路路段 57 圖4.7各車流參數之熵值比較-市民大道路段 57 圖4.8各車流參數之吸子維度-基隆路路段 58 圖4.9各車流參數之吸子維度-市民大道路段 58 圖4.10 混合車流渾沌預測模式之架構圖 64 圖4.11不同隱藏層處理單元個數的平均相關係數 64 圖4.12不同隱藏層處理單元個數組合的相關係數-model_1a 65 圖4.13 混合車流模式下車流量預測值與實際值比較-model_1c 70 圖4.14機車車流模式下車流量預測值與實際值比較-model_2c 70 圖4.15汽車車流模式下車流量預測值與實際值比較-model_3c 71 圖4.16不同車流預測模式下各參數之相關係數-基隆路路段 72 圖4.17不同車流預測模式下各參數之均方誤差-基隆路路段 72 圖4.18不同車流預測模式下各參數之相關係數-市民大道路段 73 圖4.19不同車流預測模式下各參數之均方誤差-市民大道路段 74 圖4.20不同車流預測模式下相關係數的平均值 74 圖4.21不同車流預測模式下均方誤差的平均值 75 表目錄 表2.1 各預測模式之優缺點 14 表2.2 渾沌理論應用之相關文獻 18 表3.1描述車流時空變化之參數的相關文獻 38 表3.2模式參數的定義 38 表4.1 基隆路與市民大道的基本資料 50 表4.2不同車流下各參數的渾沌分析-以基隆路路段為例 55 表4.3不同車流下各參數的渾沌分析-以市民大道路段為例 56 表4.4渾沌人工類神經網路之各個子模式的架構-基隆路路段 60 表4.5渾沌人工類神經網路之各個子模式的架構-市民大道路段 61 表4.6隱藏層中不同處理單元數組合的相關係數 66 表4.7不同訓練循環次數下的相關係數、均方誤差-model_1b 66 表4.8 車流參數預測模式結構 66 表4.9 渾沌預測模式之結果表-基隆路路段 71 表4.10 渾沌預測模式之結果表-市民大道路段 73678637 bytesapplication/pdfen-US渾沌理論混合車流渾沌預測模式人工類神經網路Chaos prediction model of mixed traChaos theorythesishttp://ntur.lib.ntu.edu.tw/bitstream/246246/50274/1/ntu-93-R91521515-1.pdf