高公局高乘載的問題,透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

另外網站2021(110)年國慶日連續假期,高速公路交通疏導、國道高乘載也說明:先看過交通部公佈的國道高速公路行車小撇步,高乘載管制、暫時收費、開放路肩時刻, ... 任何國道即時路況、路口街道路況可洽高速公路局「1968」客服專線, ...

國立臺灣大學 土木工程學研究所 許添本所指導 楊皓宇的 深度強化學習之高速公路主線與匝道聯合儀控策略—以國道5號為例 (2020),提出高公局高乘載關鍵因素是什麼,來自於深度強化學習、主線儀控、匝道儀控。

而第二篇論文淡江大學 運輸管理學系運輸科學碩士班 鍾智林所指導 潘嘉宜的 大數據為基礎之高乘載車道績效評估與預測—以國1五楊高架段為例 (2018),提出因為有 高乘載車道、五楊高架、ETL、車道管理熱點、多層感知器模式、深度學習的重點而找出了 高公局高乘載的解答。

最後網站高公局為紓解國道5號假日龐大車流早自101/9/16起每周日下午 ...則補充:交通部高速公路局表示,國道5號(國5)北上高乘載管制自(2012)年9月16日起,於每星期日14至20時常態實施至今,已屆滿半年且成效良好。經高公局召開說明會、辦理民意調查 ...

接下來讓我們看這些論文和書籍都說些什麼吧:

除了高公局高乘載,大家也想知道這些:

高公局高乘載進入發燒排行的影片

更多新聞與互動請上:
公視新聞網 ( http://news.pts.org.tw )
PNN公視新聞議題中心 ( http://pnn.pts.org.tw/ )
PNN 粉絲專頁 ( http://www.facebook.com/pnnpts.fanpage )
PNN Youtube頻道 ( http://www.youtube.com/user/PNNPTS )
PNN Justin.tv頻道 ( http://zh-tw.justin.tv/pnnpts )

深度強化學習之高速公路主線與匝道聯合儀控策略—以國道5號為例

為了解決高公局高乘載的問題,作者楊皓宇 這樣論述:

國道5號高速公路為聯絡台灣東部的重要道路,因直接穿越雪山山脈相較其他聯絡道路行車時間大幅減少,吸引許多遊客利用該道路前往宜花東地區旅遊,造成國道5號在周末常態性的壅塞。這些壅塞將導致高速公路運作的效率降低,帶來龐大的社會成本。而高公局為此也提出許多需求管理策略,如匝道儀控、機動開放路肩大客車專用道、主線儀控、高乘載管制等。高公局目前控制匝道及主線的儀控率的方法,是依據車流回堵的長度進行動態查表法。本研究認為當前之管理措施能加以改進,遂利用深度強化學習方法建構聯合儀控策略,達成減緩或避免雪山隧道內發生壅塞。深度強化學習可免除對交通模型的假設,且透過神經網路帶入具有時空特性的交通特徵資料,能針對

變化迅速的交通環境做出最佳決策。本研究提出深度強化學習結合ALINEA匝道儀控的聯合儀控模型,並藉由Vissim車流模擬軟體進行策略學習。主線儀控代理會觀察高速公路各路段的流量、速率及密度資料,即時做出最佳決策,並配合獨立運作的匝道儀控系統,共同控制高速公路儀控管理策略。本研究以最小化車輛旅行時間為目標,將負的路網車輛數作為學習獎勵。而為了防堵主線儀控造成高速公路主線嚴重的車流回堵,另加入主線等候車輛數做為學習懲罰。聯合儀控模型經過500回合的訓練,模型得以收斂,最後與高公局現行策略及MRC PI-ALINEA模型分別進行比較。本研究提出之聯合儀控策略與高公局現行策略相比,小客車效率平均下降1

.03%,大客車效率平均提升16.53%;與MRC PI-ALINEA模型相比小客車效率平均下降25.13 %,大客車效率平均提升25.09 %。顯示本研究能擴大小客車與大客車之旅行時間差異。而從時空速率圖分析,在啟動儀控後一個小時,本研究確實能有效舒緩雪山隧道內車流壅塞情形,並使路段平均速率達70kph。

大數據為基礎之高乘載車道績效評估與預測—以國1五楊高架段為例

為了解決高公局高乘載的問題,作者潘嘉宜 這樣論述:

國內之國道道路容量有限,於平日尖峰時段或連續假期發生道路擁擠已是常態。為了提供永續之公路運輸服務以減少溫室氣體排放對環境之影響,降低用路人對於道路的需求以及分散或轉移道路流量,交通部高速公路局針對國道疏運措施進行交通管制手段,包含匝道儀控管制、差別費率管制及高乘載車輛管制。政府為紓解國道1號行經桃園地區之壅塞路段,解決五股至楊梅段之道路服務水準下降,拓寬國道1號五楊高架段並同時劃設第一條高乘載車輛專用車道,提供服務予大眾運輸或具共乘行為之使用者,但目前無相關文獻或研究探討該高架段實施高乘載管制之績效。鑒於我國為發展大數據之相關技術,積極釋出大量開放資料供各界人士下載以加值應用並賦予數據價值與

意義,因此本研究根據研究需求並比較各項資料集之項目後,利用網路爬蟲之技術自高公局交通歷史資料庫抓取2018年1月至2018年9月之VD五分鐘動態資訊、VD靜態資訊及路段靜態資訊等三種資料集,以利於區分高乘載車道與一般車道進行分析。而所獲取之資料存儲格式為半結構化資料格式,不利於直接應用於資料分析,須另行將之轉換成結構化資料集,並利用ETL之技術進行資料萃取、轉置與合併資料集,最後解析車輛偵測器編號所提供之資訊,如該一偵測器之設置位置或所偵測之車道是否為高乘載車道,擴充資料集之欄位並將三種資料進行資料關聯。本研究藉車道管制熱點分析將車道壅塞路段與時段資料視覺化,五楊高架段之現行車道管制措施於平、

假日皆彰顯其管制成效之優勢,HOV車道與一般車道之服務水準皆良好,僅於連續假期時,南北向車道在車輛進入管制區域後、離開管制區域前以及匯入或匯出至機場系統交流道等區間,HOV車道之服務水準雖維持於A至C級,但一般車道之服務水準已落在E級或F級,鑒於連續假期較平日及一般假日易發生壅塞熱點,本研究欲利用深度學習預測五楊高架HOV管制區域於連續假期期間之壅塞路段與時段,故整合2018年連續假期之歷史交通資料與氣象資料,將資料集隨機分為80%的訓練資料集與20%的驗證資料集,建立多層感知器模式對訓練資料集進行學習,訓練學習完成後使之輸出2019年端午連續假期之流量、佔有率與速率,將之利用車道管制熱點分析

時可知若無事故或道路維修,則將未有壅塞熱點發生。而為使模式訓練的更加理想,本研究建議得加入是否發生事故或道路維修等變數,同時指向性明確地訓練數個年度的連續假期之車輛偵測器所蒐集之歷史交通資料,以此提升預測水準,應能給予規劃交通政策者或相關交通單位更為具體之預測數據參考,使之調整管制策略使道路流量得以轉移,減少壅塞熱點發生。