應用非監督式機器學習於多維度路網資料之探勘

近年來由於智慧型運輸系統、物聯網科技以及無線網路科技的進步，加上政府機關對於資料開放的支持，目前可取得大量的交通資料。這些資料具有詳細的空間與時間資訊，甚至更複雜的資料維度。為了萃取隱藏在資料當中的重要資訊，勢必需要多維度的資料分析方法。 　　本研究提出多維度路網資料的非監督式機器學習方法，用以分析多維度的交通路網資料。演算法利用多維度路網加權矩陣，計算路網在多維度中的距離，並結合K-Medoids演算法適用於離散資料之特性，發展集群分析演算法。為解決K-Medoids集群分析演算法對於初始集群種子與K值的敏感性，演算法採用兩個解決方案。首先，演算法以系統性間距採樣產生初始種子，降低演算法的隨機因素。集群分析演算法中導入集群分割與集群合併的方法，用以彌補初始種子選擇不佳對於結果的影響力。 　　從高速公路車流量的集群分析中，可以發現演算法具有下列優勢。首先，演算法具有一致性與可靠性。由於系統性間距採樣降低了演算法的隨機要素，因此當給予相同的輸入資料與參數，可以預期演算法產出相同的集群結果。不同的K值對於結果的影響較低，但是適當的K值選擇對於演算法的效能有其助益。集群結果顯示演算法忠於路網的拓樸關係，距離相近但路網距離差距甚遠的資料不會被分配在同一個集群中。演算法也能成功辨識跨路網的交通樣態。集群結果也顯示演算法能分辨在時間與車流量維度的特徵的差異，將具有特殊時間或車流量樣態的資料具為一類。 　　本研究的結果可以提供運輸管理、物流、交通地理等領域一個系統性分析時空或多維度路網資料的取徑，從集群中心可得知資料樣態的規則，而集群也能做為可操作的單元，供進一步的決策使用。