國道一號路況的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

國道一號路況進入發燒排行的影片

應用深度學習以預測高速公路短期旅行時間

為了解決國道一號路況的問題，作者劉易儒 這樣論述：

在國道高速公路行駛上，用路人對於時間的判斷只能透過自身的經驗或是當下路況資訊的判斷，對於旅行時間的掌握卻不一定能精準地預測實際路況的變化，影響路況的可能來源眾多，包含速度、流量、佔有率、事故偵測、天氣狀況等。本研究目的為建構高速公路路段間之短期旅行時間預測模型，根據電子收費系統(Electronic Toll Collection, ETC)系統提供之車流、車速、旅行時間等交通資料，透過深度門循環單元(Deep Gated Recurrent Units, DGRU)神經網路建立旅行時間預測模型，作為短時間高速公路各路段旅行時間之預測，與既有文獻深度學習方法做比較，分別以Vu et al.

(2017)提出的deep neural networks(DNN)模型、Liu et al. (2017)提出的long short-term memory deep neural network(LSTM-DNN)模型與DGRU相似的deep long short-term memory(DLSTM)模型做比較，結果表明DGRU旅行時間預測模型在五分鐘預測時間間隔裡，預測的旅行時間值在大部分路線的平均誤差值在1分鐘內，另外即使DGRU預測模型在預測六十分鐘的時間間隔情況下，國道一號南下基隆端-新竹系統(0.5S-104.5S)在104公里的路線上平均誤差值大約在1.5分鐘內。

應用支援向量迴歸於交通資料遺失值之插補：以固定式車輛偵測器資料為例

為了解決國道一號路況的問題，作者葉蕢誠 這樣論述：

　　道路管理者或規劃者常依據交通即時資料，作為瞭解道路的車流狀況的基礎，並得依此擬定因應管理策略與提供用路人路況資訊。但交通資料可能因蒐集、傳輸或處理過程可能發生異常或遺失的狀態，而影響道路管理者對路網的判斷，因此處理交通資料的遺失為值得重視的課題。目前國內外提出處理交通資料遺失值的插補方法甚為多元，但在實務上並未有共識的最佳方法，因為都有其運用上的限制，例如方法理論上模式假設與限制，演算過程較耗時或困難；或需利用黑盒子形式軟體為輔助工具，較無法理解內部運作關係，導致操作較容易受限；或需要大量歷史資料及模式識別方法建立專用模型以提高插補績效；此外，研究結果較少針對模式參數穩定性或泛用性進行探

討，而實證範圍通常較侷限特定區域。　　支援向量迴歸(Support Vector Regression, SVR)係源自於支援向量機的機器學習方法，早期運用於模式識別領域，其具有容許誤差、不需過多假設，且透過核函數(Kernel Function)處理在高維空間非線性轉換問題的特點。相關研究透過此方法處理交通領域的問題，如交通量預測、旅行時間預測等，證實有良好的成果。因此本研究目的係構建以SVR為基礎的快速反應插補模型，並檢視其特性，包括預測準確性、模式參數是否達到穩定及泛用，以及操作上是否容易，追求建立一套可以簡易修正的基礎模式參數，並可調整因應適用於不同的情境狀態問題。本研究有別以往研究模

式構建直接以原始時序資料投入模式中，模式構建係以基本鄰近上、下游資料作為錨定值及上下游資料間相對變動量(差分值)之核心差分反應模型，並可透過調整因子來鬆綁模式應用限制，如參考點相對位置及車道數變化等。另基於現階段國內交通資料的蒐集仍以固定式車輛偵測器為主，本研究選擇以封閉式直線路段之速率資料作為模式示範插捕對象，並選擇不同道路等級與區域進行校估及驗證。SVR模式參數校估可分為兩部分，其一為模式內部運作參數之懲罰系數C、核函數的寬度係數γ，以及不敏感損失函數的寬度ε，並以先設ε值進行K-fold交叉驗證進行調校(C, γ)；其二為校估轉換後之線性迴歸式的權重係數ω及截距項。　　參數校估結果顯示，

在設定ε值下，未刪除極端值所校估模式內部運作參數C與γ在各情境或區域下，整體參數呈現較不一致或變動範圍較大的不穩定狀態，而經由刪除極端值後，部分子模式在不同情境或區域參數趨於穩定在較小範圍內，其中參數C多收斂於1~4之間，γ則收斂於0.03~1之間，可視為有限度的穩定。但在線性迴歸的參數校估結果顯示，每筆支援向量的權重係數值皆不一致，以及截距項也並不穩定於一定範圍內。另外，在模式預測能力驗證結果，除了少數國一北區情境2、4預測結果較差(MAPE>20%)，其餘情境自我驗證大致可達到高精確的績效(MAPE