多元交通信息于車速數(shù)據(jù)融合系統(tǒng)之節(jié)能減碳應(yīng)用研究＊

鄧陳興 張瓊文 朱佩蕓 張芳旭 陳國岳

（1.中華電信研究院智慧聯(lián)網(wǎng)所 臺灣 桃園 32601；2.“交通部”運(yùn)輸研究所綜合技術(shù)組 臺北）

0 引言

智能型運(yùn)輸系統(tǒng)（ITS）與節(jié)能減碳關(guān)聯(lián)之分析如圖1所示，可從目標(biāo)、使用之策略、誘因及方法變成1種商業(yè)用途之智能型運(yùn)輸系統(tǒng)應(yīng)用服務(wù)［1－5］。筆者在于交通信息對于運(yùn)輸效能提升探討節(jié)能減碳發(fā)展現(xiàn)況與趨勢。而在臺灣相關(guān)推動工作計劃如下：高速公路電子收費（ETC）、實時交通信息服務(wù)（交通云）、公交車號志緊急優(yōu)先應(yīng)用（臺中BRT）、智能交控云計劃、無縫公共運(yùn)輸計劃（含：聰明公交車）、DRTS 需求反應(yīng)式運(yùn)輸服務(wù)、車隊管理（含：衛(wèi)星出租車等）及車載資通訊服務(wù)（telematics）等計劃。其目標(biāo)及預(yù)期效益在：流暢交通服務(wù)；提升臺灣號志路口的車流運(yùn)轉(zhuǎn)效能，減少平均車輛延滯達(dá)5%及無縫運(yùn)輸服務(wù)；建構(gòu)復(fù)合運(yùn)輸整合服務(wù)及實時信息，達(dá)成公共運(yùn)輸計劃降低能源消耗目標(biāo)。

圖1 ITS與節(jié)能減碳關(guān)聯(lián)分析Fig.1 The correlation analysis of ITS carbon reduction and energy saving

導(dǎo)航路徑基本定義：何謂“最短路徑”：就是行車旅程距離最短的路徑（不考慮道路速限與道路等級）。何謂“最佳路徑”：就是行車旅程時間最短的路徑，即所謂的最快路徑（根據(jù)道路速限估計）。何謂“最低成本路徑”：就是行車旅程之油資與ETC過路費等成本最少之路徑。何謂“最節(jié)能減碳路徑”：就是行車旅程根據(jù)節(jié)能減碳KPI計算的最佳績效路徑。

本研究擬以用路人常見的上下班起迄點間多條可選擇OD 起迄點多條可選擇路徑（如圖2）為模擬情境，依照出發(fā)前之交通信息進(jìn)行節(jié)能導(dǎo)航路徑規(guī)劃，選擇節(jié)能減排效果最佳之路徑。上路后因?qū)嶋H路況變化導(dǎo)致行程中車速改變，沿途以資通訊工具搜集所產(chǎn)生的油耗及排放，透過后端平臺進(jìn)行差異以及適用性分析研究。

圖2 OD 起迄點間多條可選擇路徑［7］Fig.2 Multiple alternative paths between OD pairs

Boriboonsomsin［1］經(jīng)由此關(guān)系式進(jìn)行路徑規(guī)劃出EOPS 最低的行程，經(jīng)實際路測實驗后，約可減少12%的排放量，節(jié)能減碳路徑（Eco－Route）與一般路徑規(guī)劃之油耗比較如圖3所示。

1 交通信息于節(jié)能減碳應(yīng)用研究

在相同的起訖點下，不同的旅行路徑規(guī)劃方式對油耗及產(chǎn)生的CO2排放量會有很大的差異。根據(jù)瑞典的Ericsson（2006）［2］等研究指出，有46%的路徑規(guī)劃不是以最省油的方式進(jìn)行規(guī)劃，1套省油的路徑規(guī)劃系統(tǒng)平均每趟旅程可以節(jié)省8%的油耗量。由于行車時速和油耗量并非為線性關(guān)系，因此最短路徑并非一定為最省油路徑。

圖3 節(jié)能減碳路徑與一般路徑規(guī)劃之油耗比較圖［1］Fig.3 The reduction of fuel consumption between energy conservation and carbon path and general path planning

有許多不同的因素會影響車輛的油耗量，例如車型、道路的特性、行車時速…等都對油耗有不同程度的影響，因此通常需使用1套能源評估模型來評估車輛的污染程度。國外在能耗與排放模式方面已發(fā)展多年，并已建立出多套評估模型，例如由美國環(huán)保署制訂的Mobile模式、國際能源署制定的MARKEL 模型等。在國內(nèi)則有如Mobile－Taiwan、TDM2008等模型［6－7］。［4］－［5］討論多元因素的高速公路可變限速值之計算方法與利用時空特性和RBF神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測。

2 ITS與節(jié)能減碳關(guān)聯(lián)分析

多元交通訊息路況云整體架構(gòu)圖如圖4 所示。此服務(wù)系為達(dá)成提升實時路況信息涵蓋范圍、更新頻率、準(zhǔn)確率、以及推廣交通信息加值應(yīng)用服務(wù)等目標(biāo)。接收的交通數(shù)據(jù)源來自GPS數(shù)據(jù)（GVP）、公部門交通資訊（VD）及手機(jī)網(wǎng)路訊號資料（CVP）等多元交通資料源，再透過多元交通信息探偵技術(shù)、多元信息融合技術(shù)、路段信息彌補(bǔ)技術(shù)達(dá)成實時交通信息的演算處理。提供之信息包括實時路況信息（時速、旅行時間、道路績效）與路況預(yù)估信息。

2.1 確立示范計劃實施程序與規(guī)模

ITS節(jié)能減碳評估方法，交通運(yùn)具之耗油與CO2排放量計算模式如下：

圖4 多元交通訊息路況云整體架構(gòu)圖Fig.4 Diagram of the whole system architecture traffic information traffic cloud chart

行前路徑節(jié)能減碳KPI預(yù)估：以路徑總CO2排放量C（單位為g）及路徑總油耗X（單位為mL）預(yù)估公式：

行后實測節(jié)能路徑節(jié)能減碳KPI：以路徑總碳排放量C（g）及路徑總油耗量X（mL）公式計算。

ITS對交通活動量之影響層面有如下之重要因素：交通量改變（車公里、車小時）、車速改變（提速效果對應(yīng)不同的耗油率）、運(yùn)具型態(tài)改變（私人運(yùn)具移轉(zhuǎn)到大眾運(yùn)具）及路線改變（替代道路造成不同等級路網(wǎng)間之車流移轉(zhuǎn)）。

2.1.1 示范測試計劃架構(gòu)

節(jié)能減碳示范測試架構(gòu)如圖5所示，在旅次需求發(fā)生之前，在有無實時路況信息之區(qū)別：有完整信息、部分信息及無信息之3種狀況會發(fā)生，這時即進(jìn)入如圖5所示之虛線范疇內(nèi)的測試邏輯，由可行路徑（實驗路徑）開始，進(jìn)入節(jié)能路徑評估，等評估完成后，會產(chǎn)生路徑成本比，這時用路人可依推薦節(jié)能路徑及個人需求進(jìn)入（行中）節(jié)能路徑實測。這時實際實時路況信息透過無線網(wǎng)絡(luò)進(jìn)入智能型手機(jī)APP引導(dǎo)用路駕駛?cè)诉M(jìn)入節(jié)能路徑實測，藉由中華電信節(jié)能運(yùn)輸云KPI計算，獲得節(jié)能效益之路徑評估比較，產(chǎn)生建議駕駛路線。透過油耗／排放參數(shù)表（表1及表2）計算成本KPI的值。因為之表1及表2之公式利用，可排除駕駛行為、車種及車況之限制，僅在不同路況、尖離峰時段及長例假日及不同天后狀況之情況做比較。

圖5 ITS節(jié)能減碳數(shù)據(jù)庫油耗模式分析計劃架構(gòu)Fig.5 ITS energy saving and consumption patterns of carbon reduction plan database analysis architecture

2.1.2 節(jié)能減碳評估方法

耗油率有以下計算方式：

1）全國平均值。在“交通部”運(yùn)研所“運(yùn)輸部門能源與溫室氣體資料之構(gòu)建與盤查機(jī)制之建立”系列研究中，搜集全國歷年車輛數(shù)、車輛使用率、年平均行駛里程等資料，進(jìn)而推估“平均耗油率”，在同一個統(tǒng)計基礎(chǔ)下，TIID 的能源局最新公告平均油耗km／h審驗值展開的能耗系數(shù)表，但無法進(jìn)一步探討不同速率下之耗油率值。

油耗系數(shù)表與碳排放系數(shù)表之關(guān)系如下圖6所示。

2.2 實施程序

本研究設(shè)計節(jié)能減碳示范計劃之情境設(shè)計，如圖7所示。設(shè)定之路徑進(jìn)行實際測試，各路徑派遣車輛依定義之路徑由起點行駛至目地的，途中以行動裝置（手機(jī)、平板）上的應(yīng)用程序記錄行駛軌跡信息回送至“實驗車輛節(jié)能減碳KPI計算系統(tǒng)”進(jìn)行實際油耗及碳排計算，與理論預(yù)估值進(jìn)行節(jié)能省碳的效果比對。而為避免駕駛因?qū)綇讲皇煜せ蚴瞧渌R時路況造成的變因，同樣的測驗重復(fù)進(jìn)行，取得七次的實驗數(shù)據(jù)。

ITS節(jié)能減碳數(shù)據(jù)庫油耗模式分析檢驗評估流程同時記錄并分析車輛OBDII數(shù)據(jù)以利后續(xù)評估強(qiáng)化。ITS節(jié)能減碳數(shù)據(jù)庫所需數(shù)據(jù)字段，實驗場域的選擇上，本研究擬選擇板橋高鐵站（25.012 723，121.464 827）做為起點，桃園機(jī)場航空科學(xué)館大門口（25.073 066，121.223 128）為起點，四大路徑規(guī)劃以主要道路如圖8及反應(yīng)交通事故之影響。

1）交通信息占比與旅行時間預(yù)估誤差的關(guān)系會隨狀況不同而改變。一般而言，交通信息占比越高，旅行時間預(yù)估誤差越低，無突發(fā)路況發(fā)生時，即使當(dāng)下的交通信息占比低，尚可用歷史數(shù)據(jù)推估，有突發(fā)路況發(fā)生時，因目前旅行時間是于路測前、以當(dāng)下的交通信息預(yù)估，未以實時交通信息修正，故會造成旅行時間預(yù)估失準(zhǔn)、影響極大。

圖6 油耗系數(shù)表與碳排放系數(shù)表［6－7］Fig.6 The oil consumption coefficient table and carbon emission coefficient table

2）油耗預(yù)估誤差與旅行時間預(yù)估誤差有明顯相關(guān)：省道與市區(qū)道路車輛行駛時速易受號志影響，交通信息可能誤差較大，旅行時間預(yù)估難度較高，因此油耗估算也較易產(chǎn)生較大誤差。

3）最低成本＆ 節(jié)能減碳預(yù)估：

（1）路徑3（國3＋國2）于12次實測中有11次都最省油且碳排放量低，為最低成本路徑（除第1趟去程外）。

（2）實驗數(shù)據(jù)顯示最佳路徑即為最低成本＆節(jié)能減碳路徑；因此最低成本＆ 節(jié)能減碳路徑預(yù)估正確性亦為92%，與最佳路徑預(yù)估結(jié)果相同。

圖7 節(jié)能減碳示范情境設(shè)計Fig.7 The demonstration scenario design of energy saving and carbon reduction

4）從路測統(tǒng)計結(jié)果可得知，交通信息是影響行車速率的重要影響因子之一，若路徑內(nèi)所含之路段交通信息越豐富完整，本計劃之評估模型就可越正確。此外，示范系統(tǒng)之實驗數(shù)據(jù)顯示車輛之油耗及碳排放量與旅行時間有正向關(guān)系，旅行時間越短油耗越低，證明交通信息確實有助于用路人達(dá)到節(jié)能減碳效益。

圖8 四大路徑測試結(jié)果比較Fig.8 Comparison results of four paths testing

3 實時交通信息占比與油耗預(yù)估誤差率關(guān)系

旅行時間預(yù)估雖有其限制，但仍舊能夠預(yù)估出合理誤差范圍內(nèi)結(jié)果。前述道路測試數(shù)據(jù)顯示平均誤差約在7min，平均誤差比例約為13%，若排除第2與第4條因為超速影響的數(shù)據(jù)，平均誤差可降至約5 min，而平均誤差比例能夠降至約10%。若比較同1趟次不同路徑之相對旅行時間排名，其最快路徑預(yù)估之正確性更達(dá)92%，此結(jié)果對于后續(xù)分析最節(jié)能減碳之路徑具有相當(dāng)大的參考價值。如圖9所示。

圖9 實時交通信息占比與油耗預(yù)估誤差率關(guān)系圖Fig.10 The error rate relationship diagram between realtime traffic information rate and fuel consumption proportion

4 結(jié)束語

1）最佳（最快）路徑預(yù)估。路徑3（國3＋國2）于12次實測中有11次都是最快路徑（除第1趟去程外）。

2）實驗系統(tǒng)約預(yù)估出最快路徑之正確性達(dá)92%，差異分析如下：

第1趟去程預(yù)估路徑3最快、實測路徑4最快：路徑4相對于路徑3之旅行時間優(yōu)勢并不顯著（相差約5min，總路程約50min）、旅行時間孰低會受當(dāng)下個人駕駛行為影響，且兩路徑之預(yù)估旅行時間誤差皆在可接受范圍內(nèi)，故此預(yù)估結(jié)果應(yīng)可接受。

［1］Boriboonsomsin K，Barth M，Zhu W，et al.ECOrouting navigation system based on multi－source historical and real－time traffic information［C］∥IEEE ITSC2010 Workshop on Emergent Cooperative Technologies in Intelligent Transportation Systems，Madeira Island，portugal：IEEE，2006.

［2］Ericsson E，Larsson H，Brundell－Freij K.Optimizing route choice for lowest fuel consumptionpoten－tial effects of a new driver support tool［J］.Transportation Research Part C：Emerging Technologies，2006（14）：369－383.

［3］Faouzi N E，Lesort J B.Travel time estimation on urban networks from traffic data and on－board trip characteristics”［C］∥Japan，Yokohama：Proceedings of the world congress on ITS，1995：88－93.

［4］高 為，陸百川，贠天鸝，等.基于時空特性和RBF神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測［J］.交通信息與安全，2011，29（1）：16－19，24.Gao Wei，Lu Baichuan，Yun Tianli，et al.Shortterm traffic flow forecasting based on spatiotemporal characteristics of traffic flow and RBF neural network［J］.Journal of Transport Information and Safety，2011，29（1）：16－19，24.（in Chinese）

［5］余 凱，張存保，石永輝.基于多元因素的高速公路可變限速值計算方法研究［J］.交通信息與安全，2011，29（1）：4－7，15.Yu Kai，Zhang Cunbao，Shi Yonghui.A new method for determining variable speed limits on freeway［J］.Journal of Traffic Information and Safety，2011，29（1）：4－7，15.

［6］鄧陳興，張瓊文，朱佩蕓，等.多元交通信息于車速數(shù)據(jù)融合系統(tǒng)之節(jié)能減碳應(yīng)用研究［C］∥第十四屆海峽兩岸智能運(yùn)輸系統(tǒng)學(xué)術(shù)研討會，中國，無錫：武漢理工大學(xué)ITS2014－33，2014：33.Tenqchen Xing，Zhang Qiongwen，Chu Peiyun，et al.Multiple traffic information messages for vehicle speed data fusion system study with carbon reduction and energy saving［C］∥14thCross－Strait ITS Conference，China，Wusi：Wuhan University of Technology，2014：33.

［7］王景弘，羅坤榮，鄧陳興，等.2010車路整合系統(tǒng)發(fā)展趨勢與ITS節(jié)能減碳關(guān)聯(lián)之研究［R］.臺北：交通部運(yùn)輸研究所，MOTC－IOT－100－TDB005，101－149－6158.Wang Jionghong，Luo kunrong，Dengchenxing et al.Development trend of Cooperative Vehicle Infrastructure and ITS energy conservation ＆carbon reduction association studies In 2010［R］.Taipei：Transportation research institute in Taiwan，MOTC－IOT－100－TDB005，101－149－6158.