Browsing by Author "CHIOU YU-CHIUN"

Now showing 1 - 14 of 14

交通事故頻次、嚴重度及碰撞型態之整合模化
(2013)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
事故分析與預測之研究，對於事故肇因之確認及預防，具有相當重要之意義，也吸引相當多的學者投入研究。而且，大多數研究多著重於事故頻次或嚴重度之單獨模化與探討。惟路段（或路口）危險程度係同時由事故發生頻次、嚴重度及碰撞型態所代表，在分析事故肇因及研提改善策略，此三項指標缺一不可。況且，此三者間也存有相互關聯性，為能獲得更深入且正確的分析結果，頻次、嚴重度及碰撞型態實不宜分開模化分析。基此，本研究擬以三個研究年度進行下列研究： 1.第一個研究年期：建立事故時空最佳分段（Optimal segmentation）方式為避免在進行時空分割時導致之時空自我相關問題(Spatiotemporal autocorrelation)，本研究擬利用遺傳演算法（Genetic algorithms, GA）進行高速公路事故資料之最佳化切割，其目標函數可設定為兩個：(1)被解釋變數（事件頻次）之自我相關性最小化，以及(2)同一分割樣本之同質性最大化。本研究將分別將依不同目標函數所分割得之樣本資料，重新進行聯合模式之推估，並與前述推估參數進行比較與檢定，藉此歸納有限混合模式的考量變數。 2.第二個研究年期：建立事故頻次、嚴重性及碰撞型態之聯合推估（Joint estimation）模式分別考慮事故嚴重程度模式（次序普羅比、多項羅吉特及混合羅吉特）及事故頻次模式（卜瓦松、負二項迴歸、卜瓦松-對數常態）之聯合推估模式。例如，結合多項羅吉特及負二項迴歸之模式，即可稱為多項卜瓦松模式（Multinominal Possion model, MPM）。鑑於兩模式之殘差互有關聯，所以必須就其參數推估之理論公式重新加以推導。就推導所得之公式，本研究擬利用最大概似法（Maximum likelihood estimation, MLE）或最大模擬概似法（Maximum Simulated Likelihood Estimator, MSLE）與研究其它可能更具效率的演算法(Frühwirth-Schnatter, 2006)，如EM（Expectation-Maximization）或Bayesian等方法進行有關參數推估。 3.第三個研究年期：建立事故頻次、嚴重性及碰撞型態之有限混合模式（Finite mixture model, FMM）本研究將進一步依據事故實際發生之後果，包括死亡人數、受傷人數及財損額度，搭配事故類型（單車、兩車及多車），進行有限混合模式之理論推導與參數推估，據以實證最據解釋能力之事故嚴重度分類方式（Latent class segmentation），並對於我國的肇事分類方式進行檢討。
交通事故頻次、嚴重度及碰撞型態之整合模化
(2014)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
事故分析與預測之研究，對於事故肇因之確認及預防，具有相當重要之意義，也吸引相當多的學者投入研究。而且，大多數研究多著重於事故頻次或嚴重度之單獨模化與探討。惟路段（或路口）危險程度係同時由事故發生頻次、嚴重度及碰撞型態所代表，在分析事故肇因及研提改善策略，此三項指標缺一不可。況且，此三者間也存有相互關聯性，為能獲得更深入且正確的分析結果，頻次、嚴重度及碰撞型態實不宜分開模化分析。基此，本研究擬以三個研究年度進行下列研究： 1.第一個研究年期：建立事故時空最佳分段（Optimal segmentation）方式為避免在進行時空分割時導致之時空自我相關問題(Spatiotemporal autocorrelation)，本研究擬利用遺傳演算法（Genetic algorithms, GA）進行高速公路事故資料之最佳化切割，其目標函數可設定為兩個：(1)被解釋變數（事件頻次）之自我相關性最小化，以及(2)同一分割樣本之同質性最大化。本研究將分別將依不同目標函數所分割得之樣本資料，重新進行聯合模式之推估，並與前述推估參數進行比較與檢定，藉此歸納有限混合模式的考量變數。 2.第二個研究年期：建立事故頻次、嚴重性及碰撞型態之聯合推估（Joint estimation）模式分別考慮事故嚴重程度模式（次序普羅比、多項羅吉特及混合羅吉特）及事故頻次模式（卜瓦松、負二項迴歸、卜瓦松-對數常態）之聯合推估模式。例如，結合多項羅吉特及負二項迴歸之模式，即可稱為多項卜瓦松模式（Multinominal Possion model, MPM）。鑑於兩模式之殘差互有關聯，所以必須就其參數推估之理論公式重新加以推導。就推導所得之公式，本研究擬利用最大概似法（Maximum likelihood estimation, MLE）或最大模擬概似法（Maximum Simulated Likelihood Estimator, MSLE）與研究其它可能更具效率的演算法(Frühwirth-Schnatter, 2006)，如EM（Expectation-Maximization）或Bayesian等方法進行有關參數推估。 3.第三個研究年期：建立事故頻次、嚴重性及碰撞型態之有限混合模式（Finite mixture model, FMM）本研究將進一步依據事故實際發生之後果，包括死亡人數、受傷人數及財損額度，搭配事故類型（單車、兩車及多車），進行有限混合模式之理論推導與參數推估，據以實證最據解釋能力之事故嚴重度分類方式（Latent class segmentation），並對於我國的肇事分類方式進行檢討。
交通事故頻次、嚴重度及碰撞型態之整合模化
(2012)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
事故分析與預測之研究，對於事故肇因之確認及預防，具有相當重要之意義，也吸引相當多的學者投入研究。而且，大多數研究多著重於事故頻次或嚴重度之單獨模化與探討。惟路段（或路口）危險程度係同時由事故發生頻次、嚴重度及碰撞型態所代表，在分析事故肇因及研提改善策略，此三項指標缺一不可。況且，此三者間也存有相互關聯性，為能獲得更深入且正確的分析結果，頻次、嚴重度及碰撞型態實不宜分開模化分析。基此，本研究擬以三個研究年度進行下列研究： 1.第一個研究年期：建立事故時空最佳分段（Optimal segmentation）方式為避免在進行時空分割時導致之時空自我相關問題(Spatiotemporal autocorrelation)，本研究擬利用遺傳演算法（Genetic algorithms, GA）進行高速公路事故資料之最佳化切割，其目標函數可設定為兩個：(1)被解釋變數（事件頻次）之自我相關性最小化，以及(2)同一分割樣本之同質性最大化。本研究將分別將依不同目標函數所分割得之樣本資料，重新進行聯合模式之推估，並與前述推估參數進行比較與檢定，藉此歸納有限混合模式的考量變數。 2.第二個研究年期：建立事故頻次、嚴重性及碰撞型態之聯合推估（Joint estimation）模式分別考慮事故嚴重程度模式（次序普羅比、多項羅吉特及混合羅吉特）及事故頻次模式（卜瓦松、負二項迴歸、卜瓦松-對數常態）之聯合推估模式。例如，結合多項羅吉特及負二項迴歸之模式，即可稱為多項卜瓦松模式（Multinominal Possion model, MPM）。鑑於兩模式之殘差互有關聯，所以必須就其參數推估之理論公式重新加以推導。就推導所得之公式，本研究擬利用最大概似法（Maximum likelihood estimation, MLE）或最大模擬概似法（Maximum Simulated Likelihood Estimator, MSLE）與研究其它可能更具效率的演算法(Frühwirth-Schnatter, 2006)，如EM（Expectation-Maximization）或Bayesian等方法進行有關參數推估。 3.第三個研究年期：建立事故頻次、嚴重性及碰撞型態之有限混合模式（Finite mixture model, FMM）本研究將進一步依據事故實際發生之後果，包括死亡人數、受傷人數及財損額度，搭配事故類型（單車、兩車及多車），進行有限混合模式之理論推導與參數推估，據以實證最據解釋能力之事故嚴重度分類方式（Latent class segmentation），並對於我國的肇事分類方式進行檢討。
基因及螞蟻規則探勘模式---以事故分析及事故鑑定為例
(2008)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
基因及螞蟻規則探勘模式---以事故分析及事故鑑定為例
(2010)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
基因及螞蟻規則探勘模式---以事故分析及事故鑑定為例
(2009)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
應用車輛辨識系統提昇起迄旅次矩陣推估之研究
(2008)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
起迄旅次矩陣（Origin-Destination matrices，O-D matrices）係交通管理政策研擬、交通設施規劃，以及交通資訊提供之重要參考資訊，其又可分為動態及靜態兩大類。然在未實施匝道閉闔式收費前，高速公路起迄交通量僅能透過龐大之路邊或家戶人工調查方式加以取得。而一般非封閉式平面道路，更難以取得此項資訊。因此，許多研究乃轉而利用路段所測得之流量資訊反推起迄交通量。然而，利用路段流量反推起迄交通量之問題仍具有相當難度，其主要原因乃是因為路段流量方程式之數量大幅少於所欲求得之起迄對交通流量變數之數量，導致該問題形成一低度確定問題，無法求得單一確定解。近年來由於智慧型運輸系統（intelligent transportation system, ITS）之迅速發展，許多有助於起迄旅次矩陣推估之資訊也日漸普及。其中，用於自動收費及旅行速率推估之車輛辨識系統（automatic vehicle identification, AVI）即可利用車輛裝置之特殊裝置（如tag、OBU或GPS）或透過車牌辨識（license plate recognition, LPR）技術「追蹤」某一輛車，以提供其部份路徑（partial trail）資訊，用於進一步提昇起迄交通量矩陣之推估精確度。本研究即旨在探討在考量推估動態或靜態起迄旅次矩陣之精確度最大化及用路人隱私權侵犯最小化之目標下，利用雙層數學規劃模式（上層決定AVI區位，下層推估起迄矩陣），用以決定最佳AVI設置數量與區位。
應用車輛辨識系統提昇起迄旅次矩陣推估之研究
(2009)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
起迄旅次矩陣（Origin-Destination matrices，O-D matrices）係交通管理政策研擬、交通設施規劃，以及交通資訊提供之重要參考資訊，其又可分為動態及靜態兩大類。然在未實施匝道閉闔式收費前，高速公路起迄交通量僅能透過龐大之路邊或家戶人工調查方式加以取得。而一般非封閉式平面道路，更難以取得此項資訊。因此，許多研究乃轉而利用路段所測得之流量資訊反推起迄交通量。然而，利用路段流量反推起迄交通量之問題仍具有相當難度，其主要原因乃是因為路段流量方程式之數量大幅少於所欲求得之起迄對交通流量變數之數量，導致該問題形成一低度確定問題，無法求得單一確定解。近年來由於智慧型運輸系統（intelligent transportation system, ITS）之迅速發展，許多有助於起迄旅次矩陣推估之資訊也日漸普及。其中，用於自動收費及旅行速率推估之車輛辨識系統（automatic vehicle identification, AVI）即可利用車輛裝置之特殊裝置（如tag、OBU或GPS）或透過車牌辨識（license plate recognition, LPR）技術「追蹤」某一輛車，以提供其部份路徑（partial trail）資訊，用於進一步提昇起迄交通量矩陣之推估精確度。本研究即旨在探討在考量推估動態或靜態起迄旅次矩陣之精確度最大化及用路人隱私權侵犯最小化之目標下，利用雙層數學規劃模式（上層決定AVI區位，下層推估起迄矩陣），用以決定最佳AVI設置數量與區位。
應用車輛辨識系統提昇起迄旅次矩陣推估之研究
(2007)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
起迄旅次矩陣（Origin-Destination matrices，O-D matrices）係交通管理政策研擬、交通設施規劃，以及交通資訊提供之重要參考資訊，其又可分為動態及靜態兩大類。然在未實施匝道閉闔式收費前，高速公路起迄交通量僅能透過龐大之路邊或家戶人工調查方式加以取得。而一般非封閉式平面道路，更難以取得此項資訊。因此，許多研究乃轉而利用路段所測得之流量資訊反推起迄交通量。然而，利用路段流量反推起迄交通量之問題仍具有相當難度，其主要原因乃是因為路段流量方程式之數量大幅少於所欲求得之起迄對交通流量變數之數量，導致該問題形成一低度確定問題，無法求得單一確定解。近年來由於智慧型運輸系統（intelligent transportation system, ITS）之迅速發展，許多有助於起迄旅次矩陣推估之資訊也日漸普及。其中，用於自動收費及旅行速率推估之車輛辨識系統（automatic vehicle identification, AVI）即可利用車輛裝置之特殊裝置（如tag、OBU或GPS）或透過車牌辨識（license plate recognition, LPR）技術「追蹤」某一輛車，以提供其部份路徑（partial trail）資訊，用於進一步提昇起迄交通量矩陣之推估精確度。本研究即旨在探討在考量推估動態或靜態起迄旅次矩陣之精確度最大化及用路人隱私權侵犯最小化之目標下，利用雙層數學規劃模式（上層決定AVI區位，下層推估起迄矩陣），用以決定最佳AVI設置數量與區位。
混合車流下之綠色適應性交通號誌控制模式
(2013)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
傳統號誌控制模式強調路口車流延滯之最小化或者是幹道續進車流速度之最大化。然而，為能達到永續目標，應改以能源消耗及污染排放減量作為號誌控制模式之績效評估指標。特別是接近環境敏感地區（如學校、醫院及住宅區）的路口，應將污染濃度標準上限作為號誌控制模式之限制條件之一。為能有效進行號誌控制模式之最佳化過程，一個中觀車流模式：格位傳遞模式（CTM ; Daganzo, 1994; 1995），能夠有效及精確地模擬不同車流狀態下之車流運作行為。惟CTM原係針對純車流設計，並未考量混合車流行為。然在許多亞洲城市中，機車是一項非常普遍且常見的運具。但機車運行行為與汽車及公車明顯不同，它不必遵循車道線。事實上，機車常與許多車輛同在一車道內，不符傳統跟車理論，導致許多車流模擬模式無法模擬機車車流行為。基此，本研究擬以三個研究年度進行研究。其中，第一個研究年期已獲貴會補助（NSC 100-2221-E- 009-121），研究主題為：建立及驗證混合車流格位傳遞模式，旨在考量不同交通組成（汽車及機車）及不同交通狀態下，不同車種進入下一格位時之競爭行為，建立一個混合車流格位傳遞模式，並透過實地車流資料調查與比較，驗證模式之準確性，其成果已於2011年接受發表於運輸學刊（TSSCI）。同時也透過簡單之污染排放與擴散模式，建構一混合車流污染排放與擴散模式，並發表於中華民國運輸學會100年學術論文研討會，該文也被推薦收錄於運輸學刊（TSSCI）。基此，本研究擬以此一研究成果為基礎，以兩個研究年期繼續進行下列研究： 1.第一個研究年期：建立混合車流污染排放與擴散模式本研究將以第一個研究年期所建立的混合車流模式為基礎，進一步推估在不同交通組成及狀態下之能源消耗與污染排放總量。進而，納入污染擴散模式以推估路口不同距離下之污染濃度擴散情形。 2.第二個研究年期：建立交通感應式號誌控制模式本研究將進一步建立交通感應式號誌控制模式，能同時最小化能源消耗及污染排放總量，並符合路側環境敏感地區之污染濃度限制。
混合車流下之綠色適應性交通號誌控制模式
(2012)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
傳統號誌控制模式強調路口車流延滯之最小化或者是幹道續進車流速度之最大化。然而，為能達到永續目標，應改以能源消耗及污染排放減量作為號誌控制模式之績效評估指標。特別是接近環境敏感地區（如學校、醫院及住宅區）的路口，應將污染濃度標準上限作為號誌控制模式之限制條件之一。為能有效進行號誌控制模式之最佳化過程，一個中觀車流模式：格位傳遞模式（CTM ; Daganzo, 1994; 1995），能夠有效及精確地模擬不同車流狀態下之車流運作行為。惟CTM原係針對純車流設計，並未考量混合車流行為。然在許多亞洲城市中，機車是一項非常普遍且常見的運具。但機車運行行為與汽車及公車明顯不同，它不必遵循車道線。事實上，機車常與許多車輛同在一車道內，不符傳統跟車理論，導致許多車流模擬模式無法模擬機車車流行為。基此，本研究擬以三個研究年度進行研究。其中，第一個研究年期已獲貴會補助（NSC 100-2221-E- 009-121），研究主題為：建立及驗證混合車流格位傳遞模式，旨在考量不同交通組成（汽車及機車）及不同交通狀態下，不同車種進入下一格位時之競爭行為，建立一個混合車流格位傳遞模式，並透過實地車流資料調查與比較，驗證模式之準確性，其成果已於2011年接受發表於運輸學刊（TSSCI）。同時也透過簡單之污染排放與擴散模式，建構一混合車流污染排放與擴散模式，並發表於中華民國運輸學會100年學術論文研討會，該文也被推薦收錄於運輸學刊（TSSCI）。基此，本研究擬以此一研究成果為基礎，以兩個研究年期繼續進行下列研究： 1.第一個研究年期：建立混合車流污染排放與擴散模式本研究將以第一個研究年期所建立的混合車流模式為基礎，進一步推估在不同交通組成及狀態下之能源消耗與污染排放總量。進而，納入污染擴散模式以推估路口不同距離下之污染濃度擴散情形。 2.第二個研究年期：建立交通感應式號誌控制模式本研究將進一步建立交通感應式號誌控制模式，能同時最小化能源消耗及污染排放總量，並符合路側環境敏感地區之污染濃度限制。
混合車流下之綠色適應性交通號誌控制模式
(2011)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
傳統號誌控制模式強調路口車流延滯之最小化或者是幹道續進車流速度之最大化。然而，為能達到永續目標，應改以能源消耗及污染排放減量作為號誌控制模式之績效評估指標。特別是接近環境敏感地區（如學校、醫院及住宅區）的路口，應將污染濃度標準上限作為號誌控制模式之限制條件之一。為能有效進行號誌控制模式之最佳化過程，一個中觀車流模式：格位傳遞模式（CTM ; Daganzo, 1994; 1995），能夠有效及精確地模擬不同車流狀態下之車流運作行為。惟CTM 原係針對純車流設計，並未考量混合車流行為。然在許多亞洲城市中，機車是一項非常普遍且常見的運具。但機車運行行為與汽車及公車明顯不同，它不必遵循車道線。事實上，機車常與許多車輛同在一車道內，不符傳統跟車理論，導致許多車流模擬模式無法模擬機車車流行為。基此，本研究擬以三個研究年度進行下列研究： 1.第一個研究年期：建立及驗證混合車流格位傳遞模式本研究將考量不同交通組成（汽車及機車）及不同交通狀態下，不同車種進入下一格位時之競爭行為，建立一個混合車流格位傳遞模式，並透過實地車流資料調查與比較，驗證本模式之準確性。 2.第二個研究年期：建立混合車流污染排放與擴散模式本研究將以第一個研究年期所建立的混合車流模式為基礎，進一步推估在不同交通組成及狀態下之能源消耗與污染排放總量。進而，納入污染擴散模式以推估路口不同距離下之污染濃度擴散情形。 3.第三個研究年期：建立交通感應式號誌控制模式本研究將進一步建立交通感應式號誌控制模式，能同時最小化能源消耗及污染排放總量，並符合路側環境敏感地區之污染濃度限制。
預測型模糊邏輯匝道儀控系統之建構與驗證
(2007)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
匝道儀控之相關理論與實務之研究已逾三十餘年，是一項相當重要之高速公路交通管理策略。尤其，近年來在模糊邏輯控制（fuzzy logic controller, FLC）之蓬勃發展，也陸續許多研究探討其應用於匝道儀控之可行性與成效。惟由於匝道儀控成效之高低端視於系統掌握交通資料之即時性與正確性。目前我國高速公路車輛偵測器之設置數量與正常運作之功能尚有待加強與改善，況且偵測器所測得交通資訊之處，與實際儀控之點，亦存有空間差距，為能使儀控邏輯真正發揮即時交通感應功能，有四項課題有必要加以深入研析與克服：第一如何檢核與校正偵測器所測得資料之正確性，第二是當偵測資料經判定無法使用時，如何立即尋求替代資訊來源，第三為進行短期精確之交通資訊預測，以發揮即時控制功能。最後，則是如何設計一智慧化之匝道儀控系統，可自動學習而達到最佳控制目標，以避免主觀設定所導致之誤差。為完成上述研究目的，前期承貴會補助之九十四年度研究計畫（基因灰模糊邏輯匝道儀控系統之建構與驗證(I)）已初步完成基因模糊邏輯匝道儀控、滾動灰預測、交通資訊檢核與調校等三大模式之構建與驗證。基於此一研究成果基礎，本研究預定分兩個研究年期進行延續計畫，以求研究成果具體落實與擴展。其中，第一個研究年期之研究重點在於模式之整合與驗證。主要工作是延續上一年期之各項研究成果，進一步整合成為基因灰模糊邏輯匝道儀控模式，並依不同狀態變數（例如，主線速率、匝道等候長度及上下游儀控狀態）及控制目標之設計，分別建構獨立型（isolated）、協調型（coordinated）及整合型（integrated）之基因灰模糊邏輯匝道儀控模式（genetic grey fuzzy logic ramp metering model, GGFLC-RM）模式。第二個研究年期之研究重點則在於模式之創新與突破。主要工作是研析利用螞蟻群族最佳化法之演算法於模糊邏輯規則之最佳選擇，並結合基因隸屬函數校估模式，建構一基因螞蟻模糊邏輯控制模式（genetic ant-based fuzzy logic controller，GAFLC），以構建一新的交通感應式匝道儀控模型，稱為基因螞蟻模糊邏輯匝道儀控系統（GAFLC-RM）。為驗證本模式之可行性與控制績效，本研究將設計一簡例，將GFLC-RM或GAFLC-RM之學習成果（邏輯規則及隸屬函數），利用Paramics之API介面，寫入車流模擬程式中，以進行實際績效之微觀模擬驗證及不同儀控模式之績效評比。另外，本研究也將以高速公路中部路網之交通資料，進行Paramics之參數調校及匝道儀控模式之實例應用。最後，則透過敏感度分析探討各項參數設定對控制績效之影響，以作為未來參數設定之依據。
預測型模糊邏輯匝道儀控系統之建構與驗證
(2006)
邱裕鈞
;
CHIOU YU-CHIUN
;
國立交通大學交通運輸研究所
匝道儀控之相關理論與實務之研究已逾三十餘年，是一項相當重要之高速公路交通管理策略。尤其，近年來在模糊邏輯控制（fuzzy logic controller, FLC）之蓬勃發展，也陸續許多研究探討其應用於匝道儀控之可行性與成效。惟由於匝道儀控成效之高低端視於系統掌握交通資料之即時性與正確性。目前我國高速公路車輛偵測器之設置數量與正常運作之功能尚有待加強與改善，況且偵測器所測得交通資訊之處，與實際儀控之點，亦存有空間差距，為能使儀控邏輯真正發揮即時交通感應功能，有四項課題有必要加以深入研析與克服：第一如何檢核與校正偵測器所測得資料之正確性，第二是當偵測資料經判定無法使用時，如何立即尋求替代資訊來源，第三為進行短期精確之交通資訊預測，以發揮即時控制功能。最後，則是如何設計一智慧化之匝道儀控系統，可自動學習而達到最佳控制目標，以避免主觀設定所導致之誤差。為完成上述研究目的，前期承貴會補助之九十四年度研究計畫（基因灰模糊邏輯匝道儀控系統之建構與驗證(I)）已初步完成基因模糊邏輯匝道儀控、滾動灰預測、交通資訊檢核與調校等三大模式之構建與驗證。基於此一研究成果基礎，本研究預定分兩個研究年期進行延續計畫，以求研究成果具體落實與擴展。其中，第一個研究年期之研究重點在於模式之整合與驗證。主要工作是延續上一年期之各項研究成果，進一步整合成為基因灰模糊邏輯匝道儀控模式，並依不同狀態變數（例如，主線速率、匝道等候長度及上下游儀控狀態）及控制目標之設計，分別建構獨立型（isolated）、協調型（coordinated）及整合型（integrated）之基因灰模糊邏輯匝道儀控模式（genetic grey fuzzy logic ramp metering model, GGFLC-RM）模式。第二個研究年期之研究重點則在於模式之創新與突破。主要工作是研析利用螞蟻群族最佳化法之演算法於模糊邏輯規則之最佳選擇，並結合基因隸屬函數校估模式，建構一基因螞蟻模糊邏輯控制模式（genetic ant-based fuzzy logic controller，GAFLC），以構建一新的交通感應式匝道儀控模型，稱為基因螞蟻模糊邏輯匝道儀控系統（GAFLC-RM）。為驗證本模式之可行性與控制績效，本研究將設計一簡例，將GFLC-RM或GAFLC-RM之學習成果（邏輯規則及隸屬函數），利用Paramics之API介面，寫入車流模擬程式中，以進行實際績效之微觀模擬驗證及不同儀控模式之績效評比。另外，本研究也將以高速公路中部路網之交通資料，進行Paramics之參數調校及匝道儀控模式之實例應用。最後，則透過敏感度分析探討各項參數設定對控制績效之影響，以作為未來參數設定之依據。