已經跟呼吸一樣重要的網路和手機論文書籍站
國立交通大學 資訊科學與工程研究所 張明峰所指導 陳宇晨的 以深度學習預測國道旅行時間 （2019），提出高公局特殊車輛關鍵因素是什麼，來自於圖卷積、交通資料分析、旅行時間預測。
而第二篇論文國立高雄第一科技大學 電腦與通訊工程系碩士班 萬欽德所指導 張榕帟的 使用卡爾曼濾波器於風速估測與狀態評估 （2017），提出因為有 風速儀、風速估測、風加速度估測、卡爾曼濾波器、狀態評估的重點而找出了 高公局特殊車輛的解答。
以深度學習預測國道旅行時間
為了解決高公局特殊車輛 的問題，作者陳宇晨 這樣論述：
旅行時間的預測一直都是項重要的交通議題，可靠的旅行時間預測對於駕駛人來說，在旅行或通勤的事先規畫上不但能夠更加精確，還有機會避免疲勞駕駛等相關風險。本篇論文使用一個混合的圖卷積網路架構，以高公局提供的即時國道資訊及時間特徵，來預測國道旅行時間。我們延伸現有的Graph WaveNet [7]來預測旅行時間，在短路段與長路段的旅行時間預測上，分別使用八層跟六層的Graph WaveNet去處理原始的交通特徵輸入，再連接全連接層、1x1卷積去依據不同路段做旅行時間的計算。我們使用多種不同的相鄰矩陣與擴散步數，去探討兩者間的相互影響，在短路段旅行時間的預測上，平均相鄰節點數落在4到10之間會有較好
的結果，擴散步數設為2最為恰當；在長路段旅行時間的預測上，平均相鄰節點數在6以上結果較好，擴散步數設為2或3較為恰當，我們推斷這是因為參考較廣的車輛偵測器(Vehicle Detector, VD)資料對長路段旅行時間的預測較為合適。此圖卷積架構能夠很好的使用圖資料，依據節點間的空間關聯性去模擬車流隨時間的推進與擴散，使突發性的塞車較能被預測，不管在短路段、長路段的旅行時間預測，都有較好的結果，在短路段旅行時間的預測上可達3.39% MAPE (Mean Average Percentage Error)，相較傳統CNN改善了0.64%，在塞車的情況下，相較傳統CNN方法平均改善了2.9%。除
此之外，此架構也可以緩解VD資料缺值、路段VD數量稀少所衍生的問題，同時預測多路段多時序的旅行時間，減少分開預測所需的硬體資源及訓練時間。
使用卡爾曼濾波器於風速估測與狀態評估
為了解決高公局特殊車輛 的問題，作者張榕帟 這樣論述：
風速量測被應用在許多環境，風力過大可能產生災害，因此偵測風速對於安全是很重要的因素之一。風速儀監控風力是最常被使用的工具，當前警示系統採用一定時間內之平均風速或瞬間最大風速，對於量測數據可能有被平均化或因偵測到最大風速而啟動警示系統，造成沒有即時提供正確決策產生災害。為了達到更精準提早發布警示或降低誤判啟動警示，本文中針對卡爾曼濾波器(KalmanFilter)，使用具遞歸之估測及修正法，來估測風速及風加速度。由於使用平均風速可能會有可信度不足的情況，過高或過低之量測值經過平均化處理後，都可能導致警示系統決策反應跟不上當前狀況。經過卡爾曼濾波器處理過後，將利用估測的風速及風加速度，做為決策的
參數之一，提供在天候不佳時決策系統之判斷依據，除了以加速度判斷風速劇烈變化外，對於風速估測值也有較好的追蹤效果，由不同類型的風速呈現出以平均風速及瞬間最大風速做為決策的問題點。對於卡爾曼濾波器處理後之風參數，決策上因應三種不同類型的風參數，分別為風速漸強到達警示條件的漸強風速，到達臨界時忽高忽低風速的臨界風速以及風速劇烈變動的劇烈變動風速，由三種不同類型風參數經卡爾曼濾波器處理後，並結合滑動視窗的訊號處理，給予合適的狀態評估，使得決策系統更能夠提早因應和警示，降低誤判的機會，避免強風對列車行駛的安全危害。有了更精準的判斷，除了增加風速預警機制精準性外，也可經由估測後之風加速度了解是否有風速劇烈
變化等特殊現象，並提早關閉閘道或停止車輛行駛達到將災害減至最低的功用。