摘要
近年來由於國人旅運需求的增加，導致道路容量無法負荷交通需求，造成壅塞現象。因此，即時監測路況和預測未來交通資訊為一重要議題，以作為交通控制策略的規劃和實施之依據，進行紓流、截流、分流等控制。然而，目前現有的交通預測方法雖能提供準確的國道交通資訊，但在一般道路和替代道路的路況預測上仍有較大的誤差。有鑑於此，本研究提出交通旅行時間預測系統與方法，運用卷積神經網路（Convolutional Neural Network, CNN）方法，建立多個過濾器挑選因子，並依此產生多個神經網路，經由整體學習（Ensemble Learning）技術整合多個神經網路結合，以避免過適問題。在實驗環境中，本研究主要收集國道5號及其替代道路於2016年10月～12月的起迄（Origin-Destination, O-D）旅行時間進行實驗分析。由實驗結果顯示，本研究方法可有效將旅行時間預測平均誤差降低至19%，優於傳統線性迴歸、神經網路等方法。因此，卷積神經網路方法將可應該於旅行時間預測，分析出關鍵因子，並提升預測準確度。
延伸閱讀
- 洪迎禎（2021）。深度學習在電商平臺中用戶行為預測之運用〔碩士論文，國立臺灣大學〕。華藝線上圖書館。https://doi.org/10.6342/NTU202100198
- 林韋宏（2019）。深度學習應用於交通標誌及燈號偵測〔碩士論文，國立臺灣大學〕。華藝線上圖書館。https://doi.org/10.6342/NTU201900847
- 唐嘉宏（2021）。深度學習應用於自駕車交通標誌辨識〔碩士論文，國立宜蘭大學〕。華藝線上圖書館。https://doi.org/10.6820/niu202100048
- 林書弘（2018）。利用深度學習進行運動賽事結果預測〔碩士論文，國立臺中科技大學〕。華藝線上圖書館。https://www.airitilibrary.com/Article/Detail?DocID=U0061-1508201815443000
- 林世航（2018）。深度學習於進度管理之應用〔碩士論文，淡江大學〕。華藝線上圖書館。https://www.airitilibrary.com/Article/Detail?DocID=U0002-0209201815551500