主題亮點 ─ 應用大數據於交通運輸

應用大數據於交通運輸

Big Data Applications on Intelligent Transportation

隨著物聯網熱潮迅速漫延，車聯網概念的興起是引領交通運輸智慧化的創新關鍵，從現在開始，汽車不單只是交通運輸工具，其可望變身為一個獨立暨龐大的行動裝置，為智慧交通系統(ITS)開起革命性的進化，蓄勢爆發的能量不容小覷。

圖三：計程車GPS軌跡

元智大學大數據中心的智慧交通運輸團隊利用大數據分析處理技術，挖掘交通大數據在發展智慧城市的各種應用；該團隊表示，目前正積極的與桃園縣交通局合作，藉由交通局提供桃園縣各公車的行車資料，包含公車車號、行駛路線及GPS定位資料、以及各路口的號誌資料，方便後續發展節能減碳及省時路徑規劃方面的應用，並期待以大數據技術精準預測公車到站時間。除此之外，該團隊為增加數據資料的多樣性，同時與桃園縣計程車公會合作，取得桃園縣近2000輛計程車的行車資料，包含車輛GPS經緯度、載客狀態、日期等，其中部分計程車裝置OBD (車上診斷系統)，目前APP可以抓取車中的25項資訊，最多能同在頁面中顯示出六項資料出來，能夠讓使用者自行變更顯示方塊的顏色以及想要顯示的資訊，在功能上目前如果有數數值異常時，顯示數執會變成紅色提醒駕駛，例如水溫過高時，數值會呈現紅色警示駕駛(如下圖四)。

圖四：OBD2 APP示意圖

除此之外，該團隊亦積極開發車載自動診斷系統(OBD2)，目前OBD2可監控的即時行車狀況多達80幾種，包括有行車速度、引擎轉速、冷卻水溫及電瓶電壓等，但經過研讀與篩選並以實際行車測試後，共篩選出可以取得的31項行車資料項目如燃油系統狀態、引擎負荷值、引擎運轉時間、加速踏板距離、噴油時間等。藉由車上OBD2的設置，可以收集更多樣的行車資料如行車車速及油耗資料等，這些資料的蒐集、裝置成本的投入皆是為了研發另一個技術核心亮點─智慧綠能行車系統。

圖五：省時省油路徑規劃操作介面

在透過以上公私部門(公車定位資料與計程車駕駛資料)雙管齊下的資料蒐集，可以估算大桃園地區各道路的行車路況，該團隊目前進行此方面的資料蒐集是為了發展比Google map或導航王更為智慧更為貼心的智慧綠能行車系統，此系統含括了省時路徑導航、省油路徑規劃、停等紅綠燈油耗分析等研發；在省時路徑導航部分，是以行車歷史資料作為規劃行車路徑的依據，再利用行車數據進行切割與組合，進而產生最佳X條路徑，供駕駛人即時選擇耗時極小化的路線。再者，省油路徑規劃與停等紅綠燈油耗分析的研發概念是接近的，是利用車載機OBD2所回傳的油耗資訊，進行行車路徑時間以及行車耗油量的預估，據此提供駕駛人最佳的省油路徑規劃，在這油價不斷喊漲的時代，省油等於省下荷包，其應用價值預期可提供計程車業者提升營運品質與效率或地方機關進行道路規畫等，除此之外，亦能為地球帶來節能減碳的高效益。

智慧綠能行車系統的研發主要是應用在駕駛人可以透過該系統的服務知道哪一區段路線是較為壅塞的或是有交通事故、道路施工等情況發生，用路人可以即時的判斷進行選擇避免更為耗時、耗油的替代路線。然而，智慧綠能行車系統的發展，除了為駕駛人帶來省時省油的經濟效益之外，亦為駕駛人帶來更順心、更舒適的行車體驗。

為了瞭解甚至預測交通現象，本團隊也正在研究交通模型，其中包含離散的細胞自動機（cellular automaton）模型與連續模型，這些模型有助於瞭解壅塞情形之傳遞、平衡狀態之穩定性等，目前這些模型的研究幾乎都是靠統計物理學家利用人造資料進行模擬，本團隊則冀望在資料密度夠高後，能夠首創以真實資料搭配這些模型，進而預測交通。

本團隊也關注最大流量（maximum flow）問題，這個問題問的是在一個網路中，如何最大化起點至終點的最大流量，同時不讓任何一條道路超過其負荷量，作為演算法領域研究幾十年的基礎問題，要在這個問題上再取得突破極為困難，但前年麻省理工學院的Orlin教授有一篇重大的演算法突破，可將此問題的時間複雜度壓到正比於點數和邊數之積，本團隊正在研究是否有可能為這個新的演算法找到交通上的應用。

(本文由本中心智慧交通運輸團隊提供)