(54.208.73.179) 您好!臺灣時間:2021/01/25 05:49
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳貫裕
研究生(外文):Kuan-Yu Chen
論文名稱:利用資料探勘技術探討北台灣地區機動車輛稅費繳納模式
指導教授:許秉瑜許秉瑜引用關係
指導教授(外文):Ping-Yu Hsu
學位類別:碩士
校院名稱:國立中央大學
系所名稱:企業管理研究所
學門:商業及管理學門
學類:企業管理學類
論文種類:學術論文
論文出版年:2004
畢業學年度:92
語文別:中文
論文頁數:76
中文關鍵詞:稅費燃料費牌照稅公路監理資料探勘資料屬性導向歸納
外文關鍵詞:AOIData Mining
相關次數:
  • 被引用被引用:0
  • 點閱點閱:121
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:3
台閩地區汽車約六百一十萬輛,依現行法令規定,每年必須徵收使用牌照稅及燃料使用費。自用車輛牌照稅每年四月徵收,燃料費每年七月徵收,營業車輛牌照稅每年四月及十月分兩次徵收,燃料費每年三、六、九、十二月分四季徵收,全國每年徵收之牌照稅及燃料費總金額約為九百至一千億元,對政府財政收入相當重要。在人力無法增加,甚至逐年裁員,而實際車輛總數卻不斷成長下,如何以有限之人力、物力提升徵收績效極為重要。
本研究主要目的一為希望了解不同屬性車輛之稅費繳納情形;二為針對不同車輛採取不同管理措施,為車輛稅費管理提供新的思考模式;三為因應不同管理對象適度調整作業人力及資源;四為逐步將資料探勘技術應用於監理資料之分析,並為監理資料分析提供未來努力方向。
本研究係以資料探勘技術中資料一般化方法之資料屬性導向歸納法進行研究,以台北縣、基隆市、宜蘭縣、花蓮縣等四縣市之機動車輛實際資料進行分析,歸納出相關規則,並進行驗證。
研究結果顯示,本研究雖僅使用車種、郵區、出廠年份、排氣量、下次檢驗日、動保訖日、繳稅費逾期次數等七項屬性進行分析歸納,但其結果卻可有效解釋營業車輛及自用車輛稅費繳納情況,並可推論具有某一類屬性車輛之稅費繳納情形。研究分析同時顯示,由營業車輛所使用之方法,將其應用於自用車輛之分析時仍可適用,且正確率更高,誤判比率更低。其重要意義為,資料規模之大小,與歸納後所獲得規則之正確性顯然有密切關聯,分析資料之筆數越多,所獲得之規則其正確性越高。
目錄 I
圖目錄 Ⅲ
表目錄 V
1.緒論 1
1-1 目前稅費徵收概況 1
1-2 徵收辦法規定 2
1-3 遭遇之問題 3
1-4 研究目的 4
2.相關研究與應用 6
3.研究方法 17
3-1 選擇AOI原因 17
3-2 資料蒐集 18
3-3 資料前置處理 19
3-4 研究方式 19
3-5 屬性樹狀層級結構 20
3-6 演算法 20
3-7 分析方法 21
4.實驗結果 23
4-1 概述 23
4-2 原始資料欄位概況 24
4-3 資料彙整程序 25
4-4 資料屬性樹狀層級結構 28
4-5 Training Data進行AOI之過程與結果 33
4-6 Testing Data進行AOI之過程與結果 39
4-7 實驗方法與結果 45
4-7-1 方法一:規則比對 45
4-7-2 方法二:計算繳納率誤差 46
4-7-3 方法三:逐筆驗證 48
4-8 擴大應用於自用車輛 49
4-8-1 資料概況 49
4-8-2 處理程序 50
4-8-3 實驗結果 51
5.結論 55
5-1 探勘結果簡要說明 55
5-2 管理上之意涵 59
5-3 本研究之貢獻 61
5-4 本研究之限制 62
5-5 未來研究方向 63
6.參考文獻 65
7.附錄 69
附錄1 69
附錄2 71
附錄3 74
附錄4 75
[1] G. Piatetsky-Shapiro and W. J. Frawley, Knowledge Discovery in Databases, AAAI/MIT Press, 1991.
[2] M. S. Chen, J. Han, and P. S. Yu, Data Mining : An Overview from Database Perspective, IEEE Transactions on Knowledge and Data Engineering, 8(6):866-883, 1996.
[3] U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996.
[4] K. J. Cios, W. Pedrycz, and R. Swiniarski, Data Mining Methods for Knowledge Discovery, Dordrecht, The Netherlands: Kluwer, 1998.
[5] S. Mitra, S. K. Pal, and P. Mitra, Data Mining in Soft Computing Framework : A Survey, IEEE Transactions on Neural Networks, 13(1):3-14, 2002.
[6] R. Agrawal, T. Imielinski, and A. Swami, Mining Association Rules between Sets of Items in Large Databases, Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, pp.207-216, 1993.
[7] R. Agrawal, and R. Srikant, Fast Algorithms for Mining Association Rules in Large Databases, Proceedings of the 20th International Conference on Very Large Data Bases, pp.478-499, 1994.
[8] J. S. Park, M. S. Chen, and P. S. Yu, An Effective Hash- Based Algorithm for Mining Association Rules, Proceedingds of the 1995 ACM SIGMOD International Conference on Management of Data, pp.175-186, 1995.
[9] J. Han, Y. Cai, and N. Cercone, Knowledge Discovery in Databases : An Attribute-Oriented Approach, Proceedings of the 18th International Conference on Very Large Data Bases, pp.547-559, 1992.
[10] X. Hu, and N. Cercone, Mining Knowledge Rules from Databases : A Rough Set Approach, Proceedingds of 12th International Conference on Data Engineering, pp.96-105, 1996.
[11] N. Zhong, J. Z. Dong, S. Ohsuga and T. Y. Lin, An Incremental, Probabilistic Rough Set Approach to Rule Discovery, Proceedingds of the 1998 IEEE International Conference on Fuzzy Systems, 2:933-938, 1998.
[12] Y. L. Chen, C. L. Hsu, and S. C. Chou, Constructing a multi-valued and multi-labeled decision tree, Expert Systems with Applications, 25(2):199-209, 2003.
[13] M. Garofalakis, D. Hyun, R. Rastogi, and K. Shim, Building Decision Tree with Constraints, Data Mining and Knowledge Discovery, 7(2):187-214, 2003.
[14] B. Liu, Y. Ma, C. K. Wong, and P. S. Yu, Scoring the Data Using Association Rules, Applied Intelligence, 18(2):119-135, 2003.
[15] X. Yin, and J. Han, CPAR : Classification based on Predictive Association Rules, Proceedingds of SIAM International Conference on Data Mining, 2003.
[16] J. Han, M. Kamber, and A. K. H. Tung, Spatial Clustering Methods in Data Mining : A Survey, Geographic Data Mining and Knowledge Discovery, Taylor & Francis, 2001.
[17] A. K. H.Tung, J. Han, L. V. S. Lakshmanan, and R. T. Ng, Constraint-Based Clustering in Large Databases, Proceedingds of 2001 International Conference on Database Theory, 2001.
[18] J. Han, G. Dong, and Y. Yin, Efficient Mining of Partial Periodic Patterns in Time Series Database, Proceedings of 15th International Conference on Data Engineering, pp.106-115, 1999.
[19] J. Pei, J. Han, B. Mortazavi-Asl, H. Pinto, Q. Chen, U. Dayal, and M. C. Hsu, PrefixSpan : Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth, Proceedings of 17th International Conference on Data Engineering, pp.215-224, 2001.
[20] Y. L. Chen, M. C. Chiang, and M. T. Kao, Discovering time-interval sequential patterns in sequential databases, Expert Systems with Applications, 25(3):343-354, 2003.
[21] J. Yang, W. Wang, P. S. Yu, and J. Han, Mining Long Sequential Patterns in a Noisy Environment, Proceedings of the 2002 ACM SIGMOD International Conference on Management of Data, pp.406-417, 2002.
[22] X. Yan, J. Han, and R. Afshar, CloSpan : Mining Closed Sequential Patterns in Large Databases, Proceedings of SIAM International Conference on Data Mining, 2003.
[23] K. Wang, and H. Liu, Discovering Structural Association of Semistructured Data, IEEE Transactions on Knowledge and Data Enginering, 12(3):353-371, 2000.
[24] M. Kuramochi, and G. Karypis, Frequent Subgraph Discovery, Proceedings of IEEE International Conference on Data Mining, pp.313-320, 2001.
[25] X. Yan, and J. Han, gSpan : Graph-Based Substructure Pattern Mining, Proceedings of 2002 IEEE International Conference on Data Mining, pp.721-724, 2002.
[26] X. Yan, and J. Han, CloseGraph : Mining Closed Frequent Graph Patterns, Proceedings of 9th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.286-295, 2003.
[27] J. Srivastava, R. Cooley, M. Deshpande, and P. N. Tan, Web Usage Mining : Discovery and Applications of Usage Patterns from Web Data, ACM SIGKDD Explorations Newsletter, 1(2):12-23, 2000.
[28] M. Spiliopoulou, B. Mobasher, B. Berendt, and M. Nakagawa, A Framework for the Evaluation of Session Reconstruction Heuristics in Web Usage Analysis, INFORMS Journal on Computing, 15(2):171-204, 2003.
[29] F. Masseglia, P. Poncelet, and R. Cicchetti, An efficient algorithm for Web usage mining, Networking and Information Systems Journal (NIS), 2(5-6):571-603, 1999.
[30] Q. Yang, J. Z. Huang, and M. Ng, A Data Cube Model for Prediction-Based Web Prefetching, Journal of Intelligent Information Systems, 20(1):11-30, 2003.
[31] V. Carchiolo, A. Longheu, and M. Malgeri, Extracting Logical Schema from the Web, Applied Intelligence, 18(3):341-355, 2003.
[32] Y. Fu, M. Creado, and M. Y. Shih, Adaptive Web Sites by Web Usage Mining, International Conference on Internet Computing, IEEE, 2001.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關論文
 
1. 王俊傑,〈是錄影裝置,不是有錄影的裝置〉,《雄獅美術》(台北),268期(1993.6),頁68-76。
2. 石瑞仁,〈科幻的觀看與人文的窺探〉,《藝術家》(台北),254期(1996.7),頁169-172。
3. 王嘉驥,〈閃爍而不確定的未來﹘關於「網指之間﹘生活在科技年代」策畫展〉,《藝術家》(台北),338期(2003.7),頁411-413。
4. 王俊傑,〈業餘的、專業的或主流的錄影語言﹘從蘭茄樂蒂「P.Lancelloti」與德一羅沙「S. De Rosa」的作品談起〉,《雄獅美術》(台北),273期(1993.11),頁38-43。
5. 吳鼎武,〈數位電腦影像與後攝影論〉,《藝術家》(台北),265期(1997.6),頁478-481。
6. 王俊傑,〈間隙‧在特技與隱喻之間﹘試看錄影藝術成為獨立美學的可能〉,《雄獅美術》(台北),267期(1993.5),頁68-76。
7. 呂清夫,〈資訊時代的造形藝術(三)〉,《雄獅美術》(台北),143期(1983.1),頁81-89。
8. 李圓一,〈流動的月光〉,《藝術家》(台北),349期(2004.6),頁350-353。
9. 李維菁,〈王俊傑﹘真實與虛幻中乍現的人影〉,《藝術家》(台北),292期(1999.9),頁334-343。
10. 李維菁,〈顧世勇:吟遊於「扁平」當下〉,《藝術家》(台北),344期(2004.1),頁238-243。
11. 李維菁,〈顧世勇:吟遊於「扁平」當下〉,《藝術家》(台北),344期(2004.1),頁238-243。
12. 周郁齡,〈不完整的烏托邦﹘談袁廣鳴的「人間失格」〉,《藝術觀點》(台南),14期(2002.4),頁60-65。
13. 林書民,〈替換行動﹘Takeover 科技媒體藝術節〉,《藝術家》(台北),317期(2001.10),頁292-315。
14. 林珮淳、吳佩芬,〈數位藝術相關理論研究與創作探討〉,《藝術學報》(台北),第70期(2002.6),頁43-57
15. 林珮淳、莊浩志,〈數位藝術美學之探討〉,《美育》(台北),第130期(2002.11),頁62-72
 
系統版面圖檔 系統版面圖檔