臺灣博碩士論文加值系統

過去國內有關公車營運的研究已不在少數，可是最大的研究障礙往往來自欠缺完整且具代表性的載客紀錄。在台北都會區啟用悠遊卡後，不僅改變了民眾搭乘大眾運具的付費方式，更重要的是乘客的所有交易資料都可同時被記錄下來。經年累月下來，大眾運輸成為一個資料密集之產業，所以龐大的資料庫中埋藏了許多有用的隱含資訊，而資料探勘技術（Data Mining）本身也善於從大量資料庫探勘出有參考意義價值之商業智慧。
本研究以悠遊卡系統內之乘客實際交易資料和公車衛星定位系統內之公車到站時間資料，比對出乘客刷卡位置後，經由乘客搭乘紀錄的推估可建立出真實乘客OD矩陣。接著運用真實之乘客OD矩陣進行公車營運改善求解。藉由瞭解公車實務營運課題後，發現公車業者現行路線經營策略除每站皆停外，另外尚有直達車及區間車兩種靠站型態，為使研究成果能與實務符合且將來能應用，本研究採用直達車、區間車等營運路線組合作為研究範疇。並運用資料探勘技術之群集化分析及關聯法則之功能，分別求解區間車及直達車之最佳營運路線。最後建立產出方案之評比計算式，包含業者的車小時成本及車公里成本、乘客的車上時間成本及等車時間成本，模式目標為系統總節省成本最大。本研究以802公車路線進行實例應用與分析。
以本研究所探討的公車802而言，區間車改善效果以下午尖峰時段最佳，直達車改善效果則以上午尖峰時段最佳，這也反映業者可依照路線乘客的需求特性，可因時制宜的調整其經營方式，提供客製化的服務。而無論在哪一時段，行駛區間車之總體績效均優於直達車，且本研究各時段所求解之區間車最佳行駛路線均優於業者現況行駛路線。
在敏感度分析部份，營運時間成本、營運里程成本及乘客車上時間成本皆與成本計算式呈正向關係。有鑒於油價上漲及乘客時間愈趨寶貴，若能根據路線乘客需求特性提供客製化服務型態，不僅乘客可獲得更符合需求的公車服務，節省交通時間，公車業者也可節省成本。

In the past, the researches about bus operation have had the same shortage, which was always without complete and reliable OD Table. Fortunately, after the popularity of Taipei Smartcard, the data of rider pay can be recorded by Smartcard at the same time. Gradually, the public transportation has become a large database industry, which has many useful concealed information. In addition, data mining is also a good technique to analyze the stored data in large databases to discover potential information and knowledge.
This research constructs real passenger OD Table by Taipei Smartcard System’s data and Taipei County e-bus System’s data. As well as explore real OD Table to generate bus operation strategies. This research discusses the short-turn service route and express service route. It applied Data Mining technology about clustering and association rules to figure out optimal short-turn service route and optimal express service route, with the objective to save maximum the sum of operator’s cost（including traveling time cost and distance cost）and passengers’ travel time cost（including in-vehicle time cost and waiting time cost）. A case study by 802 route shows an optimal condition.
By this research, the result shows that the best improving effect of short-turn service is the afternoon peak time period, and the best improving effect of express service is the morning peak time period. It also reflects that operators should base on passengers’ demand to adjust their operational strategies. Overall, the effect of short-turn service is better than express service. However, the performance of optimal short-turn service route solution surpasses the present short-turn service. By the sensitive analysis, excluding from the cost of passenger’s waiting time, we could save more total cost if other factors’ costs arise. It implies that providing customized service not only the passengers may get more suitable bus service but also the operator may save more cost.

摘　要 i
Abstract ii
誌　謝 iii
目　錄 iv
圖目錄 vi
表目錄 viii
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 1
1.3研究方法 1
1.4研究對象與範圍 2
1.5研究內容及流程 2
第二章 文獻回顧 5
2.1公車營運相關課題 5
2.1.1公車排班及人車調度 5
2.1.2路線設計及績效 7
2.2公車靠站型態 8
2.2.1公車靠站型態之類型及優缺點 8
2.2.2公車靠站型態之相關研究 12
2.3智慧卡產出資料之相關研究 14
2.4資料探勘 14
2.4.1資料探勘的定義 14
2.4.2資料探勘的功能 15
2.4.3資料探勘的應用 17
2.5小結 20
第三章 公車乘客起迄需求之推估 21
3.1起迄需求推估邏輯概念 21
3.2研究路線特性 24
3.3悠遊卡資料特性 26
3.4衛星定位資料特性 29
3.5資料轉換及前處理過程 32
3.6起迄需求推估方式 39
3.7推估結果分析 43
第四章 模式構建與設計 48
4.1現況分析及模式設計 48
4.2區間車方案產出 50
4.2.1群集分析技術 50
4.2.2 K-meams演算法 52
4.2.3區間車探勘內容及流程 53
4.3直達車方案產出 54
4.3.1關聯式法則 54
4.3.2 Apriori演算法 56
4.3.3直達車探勘內容及流程 58
4.4 產出方案之評比方法 62
4.4.1各項成本分析 62
4.4.2評比計算式建構 64
第五章 模式應用與分析 66
5.1區間車 66
5.1.1平日上午尖峰時段 66
5.1.2平日下午尖峰時段 71
5.1.3平日離峰時段 74
5.1.4假日時段 77
5.1.5現況比較 80
5.2直達車 81
5.2.1平日上午尖峰時段 81
5.2.2平日下午尖峰時段 84
5.2.3平日離峰時段 87
5.2.4假日時段 89
5.3敏感度分析 91
5.3.1車小時成本之變動 91
5.3.2車公里成本之變動 92
5.3.3等車時間成本之變動 92
5.3.4車上時間成本之變動 93
5.4交叉敏感度分析 94
5.4.1車小時成本與乘客等車時間成本之變動 94
5.4.2車公里成本與乘客等車時間成本之變動 95
5.4.3車上時間成本與乘客等車時間成本之變動 96
第六章 結論與建議 98
6.1結論 98
6.2建議 99
參考文獻 100
附錄一 符號表 103
附錄二 上午尖峰時段OD表 104
附錄三 平日離峰時段OD表 108
附錄四 假日時段OD表 110

1.王秀雯(2004)，「應用資料挖掘技術於交通事故傷亡嚴重程度之研究」，嘉義大學運輸與物流工程研究所碩士論文。
2.尹相志(2003)，「SQL 2000 Analysis Service資料採礦服務」，維科圖書。
3.交通局(1997)，「台北市聯營公車營運成本檢討暨票價調整初核報告」。
4.王湮筑(2000)，「市區公車之既有路線調整與新闢路線規劃程序之研究」，國立交通大學交通運輸研究所碩士論文。
5.吳孟璵(2003)，「GPS環境下公車車輛排班調度專家系統之研究」，國立台灣大學土木工程學研究所碩士論文。
6.吳宗憲(1994)，「結合模擬技術與專家系統應用於公車排班作業之研究」，國立台灣大學土木工程學研究所碩士論文。
7.林祥生、邱詩淳、劉益豪(2005)，「應用悠遊卡資料挖掘公車乘客之需求特性」，中華民國運輸學會第20屆論文研討會。
8.林祥生(1991)，「票證電腦化實施後台北聯營公車的票務系統規劃」，運輸學刊，第12期，第15~26頁。
9.邱創政(2003)，「以消費表現為基礎之顧客群集分析」，元智大學工業工程與管理研究所碩士論文。
10.邱義堂(2000)，「通信資料庫之資料探勘：客戶流失預測之研究」，中山大學資訊管理學研究所碩士論文。
11.邱奕明（1998），「公車路線調整準則與評估方法之研究」，國立台灣大學土木工程學研究所碩士論文。
12.許哲瑋 (2003)，「資料挖掘與統計方法應用於資料庫行銷之實證研究─以美妝保養品業為例」， 國立台北大學企業管理研究所碩士論文。
13.郭月萍(2001)，「公車路線最適營運策略組合之研究」，國立台灣大學土木工程學研究所碩士論文。
14.游文松(2004)，「公路客運人員與車輛排班之研究」，中華大學科技管理研究所碩士論文。
15.陳文杰(2004)，「應用資料挖掘技術於高速公路交通肇事次數之研究」，嘉義大學運輸與物流工程研究所碩士論文。
16.陳佳楨(2003)，「資料探勘應用於就診行為與醫師排班之研究─ 以埔里基督教醫院」，暨南大學資訊管理研究所碩士論文。
17.陳麗君(2003)，「應用資料探勘技術於信用卡黃金級客戶之顧客關係管理」，元智大學工業工程與管理研究所碩士論文。
18.陳政信(2002)，「公車多班距時刻表設計的隨機最佳化問題」，中原大學工業工程學系研究所碩士論文。
19.張忠琦(2000)，「資料探勘於網站使用度與網頁內容探索之研究」，輔仁大學資訊管理學研究所碩士論文。
20.彭文正譯(2000)，「Data Mining資料採礦顧客關係管理暨電子行銷之應用」，維科圖書。
21.曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯等人(2005)，「資料探勘」，旗標出版社。
22.葉祥海(1983)，「普通車直達車與區間車組合派車之模擬研究」，國立交通大學交通運輸研究所碩士論文。
23.趙瑞芳(1996)，「單一公車路線選擇最佳運作策略之研究」，國立台灣大學土木工程學研究所碩士論文。
24.劉方琪(1998)，「市區公車排班與即時機動調度之研究」，國立交通大學交通運輸研究所碩士論文。
25.謝文雄(2002)，「以資料探勘探討顧客消費之行為」，雲林科技大學資訊管理系碩士班碩士論文。
26.謝金玫(1993)，「專家系統應用於公車排班作業之研究」，國立台灣大學土木工程學研究所碩士論文。
27.Berry, M.J.A. and Linoff, G. (1997),” Data Mining Technique for Marketing, Sale, and Customer Support, “Wiley Computer.
28.Berry, M.J.A. and Linoff, G. (1999),” Mastering Data Mining: The Art and Science of Customer Relationship Management, Sale, and Customer Support,” Wiley Computer.
29.Cabena, P., Hadjinaian, P. O., Stadler, D. R. J., Verhees, J. and Zanasi, A. (1997),”Discovering Data Mining from Concept to Implementation, “Prentice Hall.
30.Ceder , A. (1984),”Bus Frequency Determination Using Passenger Count Data, ”Transportation Research Part A ,Vol.18A,1984, pp.439-453.
31.Ceder , A. (2001),”Bus Timetable with Even Passenger Loads as Opposed to Even Headways, ” Transportation Research Record 1760 Paper No.01-0443, pp.3-9.
32.Fayyad, U., Piatetsky, G.and Smith, P. (1996), “From data mining to knowledge discovery in databases,” AI Magazine, pp. 37-54.
33.Feeldersa, A., Danielsa, H.and Holsheimer, M. (2000), ” Briefings methodological and practical aspects of data mining, ”Information & Management 37, pp. 271-281.
34.Grupe, F. H., Owrang, M. M. (1995), “Database Mining Discovering New Knowledge and Cooperative Advantage,” Information Systems Management, Vol. 12, No. 4, pp. 26-31.
35.Han, J., Kamber, M. (2000),” Data Mining：Concepts and Techniques,” Morgan Kaufmann Publisher, Inc.
36.Hyunyoon Yun, Danshim Ha, Buhyun Hwang, Keun Ho Ryu (2003),” Mining association rules on significant rare data using relative support, ” The Journal of Systems and Software Volume: 67,pp. 181–191.
37.Indranil Bose, Radha K. Mahapatra (2001),” Business data mining - a machine learning perspective,”Information and Management Volume: 39, Issue: 3,December 20, pp. 211-225.
38. MacQueen, J. (1967),”Some Methods for Classification and Analysis of Multivaritate Observation,”Proc. 5 th Berkeley Symposium on Mathematical Statistics and Probability, pp.281-297.
39. M. Bagchi, P.R. White (2005),”The potential of public transport smart card data,”Transport Policy Volume:12, pp.464-474.
40.MIT (2001), “The Technology Review Ten,” MIT Technology Review.
41.Piatetsky, G., Fayyad, U., and Smith, P. (1996),”From data mining to knowledge discovery: An overview. In Advances in Knowledge Discovery and Data Mining,” AAAI Press, pp. 1-34.
42.Piramuthu, Selwyn (2004),” Evaluating feature selection methods for learning in data mining applications,” European Journal of Operational Research Volume:156, Issue: 2, July 16, pp. 483-494.
43.Roger, R.J., Geatz, M.W. (2002),” Data Mining：A Tutorial-based Primer.”
44.Shaw, M. J., Subramaniam, C. and Tan, G. W. (2001), “Knowledge management and data mining for marketing,” Decision Support Systems, 31, pp. 127-137.
45.S.Moses Santhkumar and P.Hariharan (1991), “Transportation systems management options to improve urban bus performance using computer simulation,” TRR1338, pp.22-27.
46.Tsay, Y.J.and Chiang, J.Y. (2005), “CBAR: an efficient method for mining association rules,”Knowledge-Based Systems Volume: 18, Issue: 2-3, April, pp. 99-105.
47.U.S.DOT,Operating Strategis for Major Radial Bus Route（1984）,UMTA office of Planning Assistance.
48.Lee,Y.C., Hong,T.P. and Lin,W.Y (2005),”Mining association rules with multiple minimum supports using maximum constraints,” International Journal of Approximate Reasoning,pp. 44-54.
49.http://www.cs.sfu.ca