(3.238.235.155) 您好!臺灣時間:2021/05/11 17:43
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:劉惠雯
研究生(外文):Hui-Wen Liu
論文名稱:資料探勘技術應用於旅客自助報到之分析—以C航空公司為例
論文名稱(外文):Using Data Mining Techniques for Passenger Self-check-in - A Case Study of C Airlines
指導教授:蔡志豐蔡志豐引用關係
指導教授(外文):Chih-Fong Tsai
學位類別:碩士
校院名稱:國立中央大學
系所名稱:資訊管理學系在職專班
學門:電算機學門
學類:電算機一般學類
論文出版年:2020
畢業學年度:108
語文別:中文
論文頁數:69
中文關鍵詞:資料探勘關聯規則Apriori演算法FP-Growth演算法
外文關鍵詞:Data MiningAssociation RulesApriori AlgorithmFP-Growth Algorithm
相關次數:
  • 被引用被引用:0
  • 點閱點閱:50
  • 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:0
桃園國際機場旅客人數年年攀升,早已超過原先兩座航廈的設計容量,在有限的櫃檯數量分配之下,各航空公司在櫃檯配置上如何運用達到最佳化運用及動線的順暢,無疑是門學問。過去的研究指出櫃檯的指派模式、營運成本與自助報到使用率有顯著的關係。本論文將進一步研究使用資料探勘方式來進行實驗分析,並從中找出自助報到的使用率間隱含的關聯規則,以期能運用在航空公司規劃櫃檯配置動線的參考,提供旅客更優化的報到環境及便利性,進而提升旅客的滿意度。
本論文以國內航空公司為例,以個案公司歷史航班自助報到服務資料進行分析,資料集期間為2017年至2018年,經整理後分為第一航廈及第二航廈,且同步做了兩個資料及合併資料集,共三個資料集以不同參數設定搭配使用Apriori及FP-Growth演算法進行關聯規則分析。實驗步驟以Weka 3.8.3資料探勘工具進行資料分析,利用資料探勘技術來建構航班旅客人次、航班屬性及飛行航點、時間帶的相關性分析,藉由過去自助報到的使用資料來了解變數因子間的相關性。研究結論「香港航線」及「日本航線」的「自助報到率高於均值」,「飛機機型為738」、「大陸航線」及「北美航線」的「自助報到率低於均值」,實驗分析所產出的關聯規則是有意義值得參考的,以提供機場、航空公司為櫃檯數量配置動線規劃及人力運用的參考方向。
The number of passengers at Taoyuan International Airport is increasing year by year, and has already exceeded the limit of the capacity in the original design. Under the limited available number of check-in counters, it is important that how airlines would allocate the counters to achieve the optimal use and perform the passenger check-in process more smoothly. In the past research, it has been pointed out that there is a significant relationship among the counter assignment pattern, the operating cost, and the self-check-in usage rate. This study will further investigate the use of association rule mining methods to conduct experimental analysis, and find out the implicit association rules based on the self-check-in utilization rate. It leads that we may be able to use the rules and the statistics to configure the moving lines at the airline planning counters to provide passengers with more optimized check-in environments and convenient experiences. Therefore, the passenger satisfaction would be improved.
This thesis uses a local airline as an example to analyze its historical flight self- check-in data. The data were collected from 2017 to 2018, and are divided into two sets of Terminal one and Terminal two. In addition, one set is constructed by merging the two data sets. Therefore, three data sets in total were used to be analyzed by using association rules algorithms, Apriori and FP-Growth. The experiments were conducted by Weka 3.8.3. and the data exploration technology was employed to perform the correlation analysis between passenger numbers, flight attributes, destinations, and time zones. The experimental results indicate that the self-check-in usage rates of the passengers in the “Hong Kong route” and the “Japan route” are higher than that of the average; the cases of “aircraft type is 738”, “Mainland China route”, and “Americans route” have the lower self-check-in usage rates than that of the average. The association rules produced based on the experimental analysis are meaningful and worthy of reference for the configuration planning. With the help of the self-reported data in the past, the understanding of the variable factors along with their relationship can be achieved and it provides the valuable reference for the airport and the airlines to configure the number of counters along with the line planning and the manpower utilization.
中文摘要 I
Abstract II
誌謝 IV
目錄 V
表目錄 VII
圖目錄 VIII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 3
1.3 研究目的 5
1.4 研究範圍 5
1.5 論文架構 6
第二章 文獻探討 7
2.1 資料探勘(Data Mining) 7
2.2 關聯規則(Association Rules) 9
2.2.1 關聯規則分析常用指標 9
2.2.2 Apriori 演算法 11
2.2.3 FP-Growth(Frequent Pattern-Growth)演算法 13
2.3 自助服務科技 16
第三章 研究方法 18
3.1 研究流程 18
3.2 資料集說明 19
3.3 研究對象資料前處理 21
3.3.1 特徵欄位刪減 21
3.3.2 增加「航線別」欄位 23
3.3.3 資料轉換 25
3.3.4 資料轉換後資料集格式 27
3.3.5 資料轉換後資料集分佈統計 29
3.4 資料分析工具與方法 34
第四章 實驗分析與討論 36
4.1 第一航廈 36
4.1.1 Apriori 演算法關聯規則集-1 36
4.1.2 Apriori 演算法關聯規則集-2 39
4.2 第二航廈 41
4.2.1 Apriori 演算法關聯規則集-1 41
4.2.2 Apriori 演算法關聯規則集-2 43
4.3 兩個航廈所有資料集 45
4.3.1 FP-Growth 演算法 45
4.4 個案實驗分析總結 48
4.4.1 不分航廈可共同參考的規則 48
4.4.2 第一航廈 50
4.4.3 第二航廈 51
第五章 結論與建議 53
5.1 研究結論與貢獻 53
5.2 研究限制 54
5.3 未來研究方向 55
參考文獻 56
【中文文獻】
牛莒淵(2016)。機場共用櫃檯分配因素分析。開南大學觀光運輸學院碩士論文,桃園縣。
王信翔(2009)。航空站共用櫃檯營運模式之研究-以桃園國際機場第二航廈為例。長榮大學航運管理研究所碩士論文,台南市。
江明哲(2015)。資料探勘技術應用於航空業航班延誤分析-以C公司為例。
國立中央大學資訊管理學系碩士論文,桃園縣。
呂錦隆、凌珮娟(2009)。國籍旅客對國際航線自助報到服務之使用意圖研究,運輸學刊,第二十一卷(3):頁299-328,台北市。
李美鈴(2011)。桃園國際機場航空旅客自助報到系統使用滿意度之研究。
開南大學空運管理學系碩士論文,桃園縣。
沈雅云(2018)。桃園機場自助報到服務之使用人數預估研究-以C航空公司為例。中華大學運輸科技與物流管理學系碩士論文,新竹市。
林志鎧(2018)。保險業的資料探勘應用—壽險高潛力客戶。國立中央大學資訊管理學系碩士論文,桃園縣。
林嫣妮(2008)。航空站共用櫃檯模式之研究-以高雄國際小港機場國內航站為例。長榮大學航運管理學系碩士班碩士論文,台南市。
袁梅宇(2016)。王者歸來:WEKA機器學習與大數據聖經(第三版),佳魁資訊,台北市。
高毓萱(2020)。運用關聯規則技術挖掘糖尿病患者血糖控制規則-以某區域教學醫院為例。國立中正大學資訊管理系醫療資訊管理研究所碩士論文,嘉義縣。
張云濤,龔玲(2019)。資料探勘原理與技術(初版),前程文化,台北市。

陳書萱(2016)。影響旅遊者使用自助服務科技的因素。大同大學事業經營學系(所)碩士論文,台北市。
黃寶慶(2019)。以關聯規則探勘為基礎,探討詐騙車手提領型態互動之研究。
國立中央大學資訊管理學系碩士論文,桃園縣。
楊佩殷(2018)。資料探勘應用於B2B網路型態之企業官網研究-以T公司為例。國立中央大學資訊管理學系碩士論文,桃園縣。
鄭宛倫(2018)。以關聯規則分析探討癲癇病人藥物使用與新發生糖尿病風險之關聯性。國立中正大學資訊管理系醫療資訊管理研究所碩士論文,嘉義縣。
簡禎富,許嘉裕(2019)。資料挖礦與大數據分析(第二版),前程文化,台北市。
臺灣桃園國際機場,107年度年報。2020.3.20 ,取自:
https://www.taoyuanairport.com.tw/
【英文文獻】
Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. In Proc. the 1993 ACM SIGMOD International Conference on Management of Data, 207-216.
Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proc. International Conference on Very Large Data Bases, 487-499.
Araujo, G. E., and Repolho, H. M., (2015). Optimizing the airport check-in counter allocation problem. Journal of Transport Literature, 9(4), 15-19.
Bruno, G., Diglio, A., Genovese, A., & Piccolo, C. (2019). A decision support system to improve performances of airport check-in services. Soft Computing, 23(9), 2877-2886.
Dougherty, J., Kohavi, R., & Sahami, M. (1995). Supervised and unsupervised discretization of continuous features. In Machine Learning Proceedings 1995, (pp. 194-202):Elsevier.
Erpolat, S., (2012). Comparison of Apriori and FP-growth algorithms on determination of association rules in authorized automobile service centres. Anadolu University, Journal of Social Sciences, 12(2), 137-146.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth P. (1996). From data mining to knowledge discovery an overview.In advances in Knowledge Discovery and Data Mining, 39(11), 471-493.
Fournier‐Viger, P., Lin, J.C.W, Vo, B., Chi, T. T., Zhang, J., and Le, H. B., (2017). A survey of itemset mining, Wiley Interdisciplinary Reviews:Data Mining and Knowledge Discovery, 7(4), e1207.
Han, J., Pei, J., and Yin, Y., (2010). Mining frequent patterns without candidate generation, ACM sigmod record, 29(2), 1-12.

Heaton, J., (2016). Comparing dataset characteristics that favor the Apriori Eclat or FP-Growth frequent itemset mining algorithms, IEEE SECON.
IATA. Fast Travel Program. Retrieved from https://www.iata.org/en/programs/passenger/fast-travel/ (May 20,2020)
Meuter, Matthew L., Amy L. Ostrom , Robert I. Roundtree , and Mary Jo Bitner , (2000). Self-Service Technologies: Understanding Consumer Satisfaction With Technology-Based Service Encounters. Journal of Marketing, 64(3), 50-64.
Singh, R., Chaudhary, s., (2012). Data Mining Approach Using Apriori Algorithm: The Review. Journal of Electronics and Communication Engineering, 4(2), 12-15.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔