臺灣博碩士論文加值系統

近些年隨著綠色運輸理念的進步，公共自行車系統越來越受到人們的重視，其使用量及站點建置規模也在逐步擴大，在發展過程中也出現了大大小小的問題，對使用者的意願產生了一定的影響，其中無車可借及無位可還的現象對使用者滿意度的影響尤為明顯。因此，能否及時滿足該部分人群的需求，也就成了亟待管理者解決的問題之一。
故一套完善的使用量預測模式將會輔助運營方有效地調補車輛，減少等待對使用者產生的影響。但過去對公共自行車的預測研究主要採用基於歷史資料的平均使用量分析，或者是進一步的線性回歸與決策樹模式，這些方法往往針對橫斷面進行分析而忽視了其時間維度上變動的趨勢。
此外由於公共自行車系統相對於其他大眾運輸運具，更易受到外在環境的影響，天氣狀況的改變也會導致使用量的短期變化。這也導致了單一時間序列模式或針對歷史資料的決策樹模式無法更為精確的描述使用量的變化情況。本研究首先應用自我回歸移動平均整合模式（ARIMA）、三次指數平滑法（Holt-Winters）以及倒傳遞神經網路（BP Neural Network）分別獨立建立預測模式，結果顯示，單一預測模型對使用量預測的精度有限，故考量建立混合預測模型，應用Holt-Winters算法擬合（fit）原始時間序列數據，並應用ARIMA模式進一步擬合Holt-Winters的殘差項，並應用倒傳遞神經網絡結合天氣因素擬合處理過的殘差項，通過將模型動態迭代以得出穩定的時間序列模式及天氣擾動之神經網路模型，建構出精確度更高的混合模型。

In recent years, with the improvement of green transportation idea, increasingly importance has been attached to public bicycle system. The usage and the number of stations increased year by year. There are some big or little problems occurred in the development process of public bicycle system. The two of the serious factors which effect the user satisfaction are no bike for rent and no parking place. So how to meet the part of demand is the urgent problem need operator solve.
A completed forecast model could help the operator deal with the problem, reduces the impact for user. However, the most of the past research are concerned on average usage based on the historic data or linear regression and decision tree models. These methods always employing with cross-section cannot include time progress attributes. The tendency of demand along time passage is ignored in them.
Compared to other transportation tools, the usage character of bicycle is different. It is more easily influenced by the external environment, especially the weather. The phenomenon causes the single time series or decision tree model is hardly fit the usage data very precisely. The ARIMA model, Holt-Winters model and BP neural network are modeling independent first. In spite of the results show that the single models could also forecast the usage, the accuracy of models are very limited. The Hybrid dynamic model has been built which use the Holt-Winters model break down the original data and employ the ARIMA model fit the residuals. The BP neural network is used to fit the filtered residuals after the process and amend the original data every period. The more stable and precise models could be built after the iteration.

誌謝 i
摘要 ii
ABSTRACT iii
目錄 iv
圖目錄 vii
表目錄 ix
第 1 章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究範圍與對象 2
1.4 研究方法 2
1.5 研究內容與流程 3
第 2 章 文獻回顧 5
2.1 公共自行車系統 5
2.1.1 公共自行車系統之發展背景 5
2.1.2 公共自行車系統特性與定位 8
2.1.3 臺北微笑單車之發展情況 10
2.2 公共自行車使用行為之影響因素 13
2.2.1 影響因素概述 13
2.2.2 氣候影響因素 15
2.3 統計預測理論 16
2.3.1 預測理論概述 16
2.3.2 交通預測模型應用之探討 17
2.3.3 模型優缺點之比較分析 19
2.3.4 時間序列模式的發展與應用 20
2.3.5 神經網路的發展與應用 22
2.4 混合模型建構 24
第 3 章 研究方法論 26
3.1 三次指數平滑法 26
3.2 ARIMA模型 26
3.3 倒傳遞神經網絡 28
3.4 混合模型設計 30
3.5 預測結果與比較分析 31
第 4 章 實證研究 34
4.1 現狀分析 34
4.2 公共自行車使用量之影響因素 38
4.3 單一模型預測結果 39
4.3.1 基於Holt-Winters模型之預測 39
4.3.2 基於ARIMA模式之預測結果 43
4.3.3 基於神經網絡預測結果 47
4.4 混合模型預測 51
4.5 預測結果比較與分析 54
4.6 模型移轉性驗證 55
第 5 章 結論與建議 60
5.1 結論 60
5.2 建議 61
參考文獻 62
附錄<一> 67

1.Aburto L and Weber R. Improved supply chain management based on hybrid demand forecasts [J]. Applied Soft Computing, 2007, 7(1): 136-144.
2.Brockwell P J and Davis R A. Time series: theory and methods [M]. Springer Science & Business Media, 2013.
3.Chen C and Liu L M. Joint estimation of model parameters and outlier effects in time series [J]. Journal of the American Statistical Association, 1993, 88(421): 284-297.
4.Chtourou S, Chtourou M and Hammami O. A hybrid approach for training recurrent neural networks: application to multi-step-ahead prediction of noisy and large data sets [J]. Neural Computing and Applications, 2008, 17(3): 245-254.
5.Curran A. Translink public bike system feasibility study [J]. Quay Communications Inc., Vancouver, 2008.
6.Hansen J V and Nelson R D. Time-series analysis with neural networks and ARIMA-neural network hybrids [J]. Journal of Experimental & Theoretical Artificial Intelligence, 2003, 15(3): 315-330.
7.Hansen J V and Nelson R D. Forecasting and recombining time-series components by using neural networks [J]. Journal of the Operational Research Society, 2003, 54(3): 307-317.
8.Kalekar P S. Time series forecasting using holt-winters exponential smoothing [J]. Kanwal Rekhi School of Information Technology, 2004, 4329008: 1-13.
9.Leu J S and Zhu Z Y. Regression-based parking space availability prediction for the Ubike system [J]. IET Intelligent Transport Systems, 2015, 9(3): 323-332.
10.Raviv T, Tzur M and Forma I A. Static repositioning in a bike-sharing system: models and solution approaches [J]. EURO Journal on Transportation and Logistics, 2013, 2(3): 187-229.
11.Shaheen S and Guzman S. Worldwide bikesharing [J]. Access Magazine, 2011, 1(39).
12.Siikonen M L. Elevator group control with artificial intelligence [M]. Helsinki University of Technology, 1997.
13.Tsay R S and Tiao G C. Consistent estimates of autoregressive parameters and extended sample autocorrelation function for stationary and nonstationary ARMA models [J]. Journal of the American Statistical Association, 1984, 79(385): 84-96.
14.Williams B M and Hoel L A. Modeling and forecasting vehicular traffic flow as a seasonal stochastic time series process [R]. 1999.
15.Williams B M and Hoel L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: Theoretical basis and empirical results [J]. Journal of transportation engineering, 2003, 129(6): 664-672.
16.Yu G and Zhang C. Switching ARIMA model based forecasting for traffic flow [C]//Acoustics, Speech, and Signal Processing, 2004. Proceedings.(ICASSP''04). IEEE International Conference on. IEEE, 2004, 2: ii-429-32 vol. 2.
17.Yu L, Zhou L, Tan L, et al. Application of a new hybrid model with seasonal auto-regressive integrated moving average (ARIMA) and nonlinear auto-regressive neural network (NARNN) in forecasting incidence cases of HFMD in Shenzhen, China [J]. PloS one, 2014, 9(6): e98241.
18.Zhang Y and Wu L. Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network [J]. Expert systems with applications, 2009, 36(5): 8849-8854.

中文部分
19.吳奇軒. 臺灣西部走廊客運需求時間序列決策模型之研究[D]. 國立國立臺灣大學土木研究所碩士論文, 2002.
20.周炳飛. 動態三次指數平滑法及應用實例[J]. 長春師範學院學報: 自然科學版, 2014, 33(1): 10-13.
21.吳德會. 動態指數平滑預測方法及其應用[J]. 系統管理學報, 2008, 17(2): 151-155.
22.王國權, 王森, 劉華勇, 等. 基於自我調整的動態三次指數平滑法的風電場風速預測[J]. 電力系統保護與控制, 2014, 42(15): 117-122.
23.沙川. Holt-Winters 時間序列模型參數估計和預測[D]. 南京大學概率論與數理統計專業碩士論文, 2011.
24.商安娜. 基於 SARIMA 的電梯交通流遞迴預測方法的研究[D]. 天津大學控制理論與控制工程碩士論文, 2007.
25.王旭天, 李政遠, 舒慧生. 基於 SARIMA 的我國汽車銷量預測分析[J]. 中國市場, 2016 (1): 71-74.
26.陳柏僑. 公共自行車租賃站使用需求之研究-以高雄市公共自行車為例[D]. 國立國立臺灣大學土木研究所碩士論文, 2014.
27.錢儉, 鄭志鋒, 馮雨峰. 杭州公共自行車設施現狀調查與思考[J]. 規劃師, 2010 (1): 71-76.
28.魏健宏, 陳奕志. 類神經網路模式在國內交通運輸研究之成果評析[J]. 運輸計劃季刊, 2001, 30(2): 323-347.
29.李穎. 類神經網路應用於國道客運班車旅行時間預測模式之研究[J]. 成功大學交通管理科學系碩士論文, 2002: 1-140.
30.蔡宗憲, 李治綱, 游智元. 模式更新與資料轉換對時間序列方法於短期列車旅運需求預測之影響[J]. 運輸學刊, 2008, 20(2): 177-199.
31.白詩滎. 臺北公共自行車使用行為特性分析與友善環境建構之研究[D].國立政治大學地政學系碩士論文, 2013.
32.蔡宗憲, 李治綱. 一個混合時間序列法與指數平滑法的預測流程: 列車旅運需求預測之應用[J]. 運輸學刊, 2012, 24(1): 95-111.
33.解鴻年, 張馨文. 新竹科學城民眾使用公共自行車意願分析[J]. 建築與規劃學報, 2011, 12(3): 237-263.
34.牛偉偉, 葉霞飛, 蔡逍天. 基於城市軌道交通的公共自行車交通特徵[J]. 城市軌道交通研究, 2012, 15(3): 10-13.
35.孫湘海, 劉潭秋. 基於 SARIMA 模型的城市道路短期交通流預測研究[J]. 公路交通科技, 2008, 25(1): 129-133.
36.張育維. 混合模式於觀光需求預測之研究[J]. 管理實務與理論研究, 2011, 5(3): 74-86.
37.羅贇. 城市公共自行車選擇行為研究[D]. 長安大學交通運輸規劃與管理系碩士論文, 2013.
38.賴淑芳. 公共自行車接受度與滿意度研究-以臺北微笑單車為例[J]. 運輸學刊, 2012, 24(3): 379-405.
39.杜普燕. ARMA 模型參數估計演算法改進及 SARIMA 模型的應用[D]. 燕山大學, 2010.
40.蔡宗憲, 李治綱, 魏健宏. 短期列車旅運需求之類神經網路預測模式建構與評估[J]. 運輸計劃季刊, 2006, 35(4): 475-505.
41.畢麗萍. 大資料環境下公共自行車服務系統的綜合評價[J]. 價值工程, 2015, 34(12): 210-212.
42.龐宇琦. 大資料時代的智慧型公共自行車系統[J]. 辦公自動化, 2015 (2): 48-50.
43.史彩霞. 公共自行車系統運行資料時空分析及智慧調度系統的研究[D]. 浙江工業大學機械工程學院碩士論文, 2012.
44.朱瑋, 龐宇琦, 王德, 等. 上海市閔行區公共自行車出行特徵研究[J]. 上海城市規劃, 2012 (6): 102-107.
45.林佩穎. 公共自行車之成功服務與關鍵要素之研究[D]. 國立國立臺灣大學土木研究所碩士論文, 2014.
46.柯召璿. 公共自行車分區及運補策略最佳化模型之研究[D]. 淡江大學運輸管理學系碩士論文, 2015.
47.孫松偉. 城市軌道交通客流預測模型及方法研究[D]. 成都. 西南交通大學道路與鐵道工程系碩士論文, 2008.
48.何流, 李旭宏, 陳大偉, 等. 公共自行車動態調度系統需求預測模型研究[J]. 武漢理工大學學報: 交通科學與工程版, 2013 (2): 278-282.
49.吳瑤, 陳紅, 鮑娜, 等. 基於多項 logit 模型的城市公共自行車租借需求預測模型[J]. 大連交通大學學報, 2013, 34(1): 19-24.
50.李怡君. 交叉路口交通量預測模式之研究[D]. 國立國立臺灣大學土木研究所碩士論文, 2006.
51.張勝雄. 發展都市自行車運輸的另類思維與策略[J]. 運輸計劃季刊, 2010, 39(4): 359-380.
52.劉靜, 關偉. 交通流預測方法綜述[J]. 公路交通科技, 2004, 21(3): 82-85.