人工智慧(AI) 在交通管理之應用-以國道5號石碇-礁溪段為例
周世傑/台灣世曦公司智慧系統部正工程師
游上民/博士/台灣世曦公司智慧系統部副理
林曜滄/土木技師/台灣世曦公司總工程師
一、前言
人工智慧(Artificial Intelligence簡稱AI)在土木工程產業之應用,尚在初期萌芽階段。土木工程產業,趣稱有四多,包括參與人員多、工作細節多、現場變化多、材料種類多。少量多樣不易複製,是土木工程產業的特色之一,相較於製造業、醫療產業、零售業、金融業等產業,AI走得既快且穩,其原因在於人工智慧需要資料才能驅動,而該等產業,流程固定、每天都有大量的資料產出,且對於資料的蒐集、後台之管理與分析、機器學習演算技術等,跨領域的知識,以及人才培育上,均積極投入,才能將此一技術順利導入產業之中。
|
圖1 研究範圍 |
「資料驅動治理,讓數據說話」,透過萃取資料中隱含價值、產製多元化交通資訊,已是新一代智慧交通管理趨勢,本團隊亦嘗試將AI技術應用於交通管理,並以國人最關心的宜蘭地區為研究範圍,如圖1所示,從試點計畫,學習相關AI技術。
宜蘭地區,每逢例假日,大量的觀光旅遊人次,便經由國道5號湧入,與國道銜接之市區路段,常因道路容量無法容納國道大量車潮,而造成壅塞情形發生;故當地警察單位,因應假日車流,須提前部署警力現場待命,在人力調度上常顯捉襟見肘,故本文嘗試以大數據AI之機器學習技術,融合國道5號石碇段之路況資訊,來進行礁溪地區車流量之預測,望能協助當地警察單位,有效掌握壅塞車潮發生時間點,以妥善安排及配置人力。
二、 基於機器學習之車流量預測
機器學習(Machine Learning),為目前最廣為用來實現AI的一種方法,能讓機器透過核心演算法,自動從大量的數據中歸納出規則,進而做出預測。本研究,以機器學習十大經典演算法之最近鄰演算法(k-nearest neighbor,以下稱kNN),來建構車流量預測模型,以期能讓交通管理單位,有效掌握車流湧現之時間點。kNN演算法,為一種監督式學習方法,其原理為取k個與目標點最相似的樣本,來評估預測值,以距離度量,作為相似性指標,距離越小,表示越相似,是一種「物以類聚」的概念,可用於迴歸預測及分類預測。
車流量預測模型,主要利用預測目標路段自身之歷史資料,來進行學習,以推估未來車流量,其機器學習模型建構資訊如下:
(一)預測目標(模型輸出)
預測礁溪路七段,未來30、60、90、120分鐘後之車流量。
(二)訓練樣本
107.01.01~107.12.31,礁溪路七段之每15分鐘車流量資料。
(三)特徵資料(模型輸入)
以礁溪路七段(目標路段),前n個步階之車流量,作為特徵值(X),故每個訓練樣本有n個特徵值。由於特徵值的個數為影響模型預測能力的重要變數,故n需於模型調校步驟中進行最佳化。
X = [ Vt, Vt-1, Vt-2, ….. Vt-n ]
V:每15分鐘車流量
t:預測當下之時間點
n:特徵步階數,以15分鐘為單位
(四)演算方式
kNN演算法,樣本相似度以歐氏距離進行衡量,其公式如下,距離越小表示越相似。在kNN演算法中,k值為一重要變數,故k亦需於模型調校步驟中進行最佳化。
xi:即時資料之時間序列中,第i個15分鐘的車流量。
yi:歷史資料之時間序列中,第i個15分鐘的車流量。
三、 上游路況納入預測考量
模型除利用礁溪路七段自身之歷史資料進行學習外,經斯皮爾曼等級相關係數(Spearman's rank correlation coefficient)驗證,國道5號南下之車流量、與礁溪市區之車流量,呈現高度相關,故本研究,另將國道5號石碇路段(上游路段)之車流量資料,一併納入車流量預測模型進行訓練,嘗試提升模型預測準確度。融合上游車流量後之模型,說明如圖2所示。
|
圖2 整合上游路況之車流量預測模型 |
表1 預測結果
時間類型 | 預測幅度 | MAPE(%) | 加入上游 |
未加入上游資料 | 加入上游資料 | 改善幅度 |
平日 | 30分鐘 | 11.71 | 11.57 | 1.18% |
60分鐘 | 12.21 | 11.99 | 1.78% |
90分鐘 | 12.67 | 12.23 | 3.45% |
120分鐘 | 12.85 | 12.35 | 3.94% |
假日 | 30分鐘 | 10.92 | 11.14 | -1.95% |
60分鐘 | 11.8 | 11.51 | 2.44% |
90分鐘 | 12.62 | 12.02 | 4.82% |
120分鐘 | 12.94 | 12.15 | 6.12% |
表2 假日未來120分鐘預測
時段 | MAPE(%) | 加入上游 |
未加入上游資料 | 加入上游資料 | 改善幅度 |
上午 | 13.52 | 11.87 | 13.90% |
(05~12) |
下午 | 12.36 | 12.43 | -0.57% |
(13~20) |
四、 預測結果
將上述經歷史資料訓練後之模型,來預測108/4/1至108/4/30之車流量,預測準確度,以平均絕對百分比誤差(Mean absolute percentage error,以下簡稱MAPE)作為指標,依Lewise(1982)之研究[1],MAPE<10%為高精準預測,10%~20%為精準預測,20%~50%有效預測,>50%為無效預測,預測結果如表1所示;另繪製4/4~4/6三天連假、未來120分鐘車流量預測值與實際值比較來觀察,如圖3所示。
檢視預測結果,模型之MAPE介於11%~13%間,屬精準預測,且發現融合上游資料後,對於假日長週期之車流量預測(未來90分鐘、120分鐘)準確度提升較為顯著,且週期越長、準確度提升幅度越大; 另如將假日未來120分鐘之預測結果,細分為上午(5時~12時)及下午(13時~20時)兩個時段來檢視,如表2所示,可發現上午時段之預測,準確度有顯著提升。探究其原因,應是礁溪路七段(目標路段),在清晨時段每日車流量變化不明顯,導致kNN不易準確判斷鄰近資料之樣態,而此時國道5號(上游路段)每日車流已有明顯變化,故將上游路段資料納入有助於加強kNN之判斷。
|
圖3 預測值與實際值比較圖 |
五、 結語
本文嘗試以機器學習技術來預測路段車流量,並透過融合上游路況資訊,來優化預測準確度;經驗證,融合國道5號石碇路段路況資訊後之車流量預測模型,在假日預測礁溪路七段上午時段、長週期之車流量時,表現相當優異,可協助礁溪地區之交通管理單位,提前掌握大量車潮可能發生之時間點,以有效調配現場交管人力。
此外,預測技術亦可應用於旅行時間等交通路況之預測,讓交通管理單位能儘早得知未來路況,以提前執行替代路線發布、動態時制調整等交通管理與控制策略,藉此緩解道路壅塞情形。
參考文獻
1. Lewis. (1982). “Control of body segment differentiation in drosophila by the bithorax gene complex”. Embryonic development, Vol.1, pp. 269-288.