以機器學習對移動電話資料進行運具種類的智慧判讀(1/2)

運輸規劃旅運需求預測中最重要的幾個步驟分別為旅次產生、旅次分派、運具選擇以及交通量指派。在過去都是利用家戶或是路邊訪問的問卷調查方式獲得運輸規劃所需的資料，但透過問卷調查的方式通常面臨了(1)耗費大量人力、(2)高拒訪率以及(3)因受訪者記憶不完整而造成錯誤填答。近年來雖然已經嘗試利用GPS資料取代過去的調查方法，但GPS資料除了不易獲得外還容易受到建築物的遮蔽效應造成定位不準確，因此不適合將GPS資料應用於大型路網中。而行動電話資料已成為運輸規劃另一種資料蒐集方式，它無須新增額外設備即可自動且有效率的紀錄使用者的時空資料。因此，獲得行動電話資料的成本很低，甚至可以忽略不計。在本研究當中，我們擬採用支持向量機(SVM)與深度神經網路(DNN)兩種監督式機器學習的方法探討在何種特徵(旅行時間、蹤跡的發生時間、兩蹤跡間(traces)的速度、旅程中最大的速度以及平均速度)、時間區段(尖峰時段、離峰時段以及全天)、運具路線組合(公共汽車路線、汽車行走於公共汽車路線、與汽車行走於非公共汽車路線)以及訓練的方法等因素以及不同因素組合將會如何影響運具判斷的準確性。本研究擬以利用行動電話資料進行運具判斷為例，將計畫分成兩年執行。第一年的工作項目包括：(1) 文獻回顧； (2) 研究架構建立； (3) 大規模實地資料調查以及連繫電信公司撈取所調查之信令資料； (4) 移動手機現地資料(sighting data)前處理； (5) 支持向量機(SVM)結果分析；(6) 期中報告。第二年的工作項目包括：(1) 文獻回顧； (2) 研究架構建立； (3) 將進行大型路網之車輛/巴士路線的分群、並收集樣本巴士路線的票證資料； (4) 深度神經網路(DNN) 結果分析； (5) 期末報告。本計畫預估可產出一至兩篇國際期刊論文。