實例測試分析

金立車行目前使用的劃分方式乃透過人工方式產生，為了驗證測試結果是否 能優於金立車行之劃分情形，本研究將以目標函式中的兩個決策項目進行評估，

計算各招呼站之間的載客服務量以及乘客平均等候時間差異，作為驗證測試結果 能否優於現況之依據。

首先，我們挑選 22 個招呼站作為現況分析之對象；而現有各招呼站之服務 範圍由金立車行所提供，經由統計後可得知其所涵蓋之路段集合，接著可計算出 每個招呼站的載客服務量以及乘客平均等候時間，將上述資料帶入 3.2 式、3.3 式後，便可以獲得各招呼站服務範圍間的差異，即各分區間乘客平均等候時間的 差異總和、各分區間載客服務量的差異總和以及招呼站之總載客服務量。

接著我們以 4.3 節中相同的方式給定起始解，但是在利用模式開始進行服務 範圍劃分之前，為了希望分區結果之總載客服務量能比金立現況來得多，因此，

本研究在此測試中將儘可能把招呼站之總載客量進行增加(利用權重值調整之方 式)。各招呼站的乘客平均等候時間、載客服務量、總等候時間統計資料如表 4.4 所示，各決策項值之比較如表 4.5 所示，實測輸入資料、目標值之比較如表 4.6、

表 4.7 所示。

表 4.4 金立現況與本模式結果統計資料表 各分區間載客量的差異總和 211176.59 173343.82 乘客平均等候時間(分鐘) 4.06 4.41

表 4.6 本模式實測輸入資料表

項目 調整範圍

γ _15~25 α 10~15

β 1

δ 50 預設搜尋次數 15000

表 4.7 目標值比較表

說明 目標值求算結果

金立車行現況 112797.87 本模式結果 162462.89

由表 4.4 與表 4.5 可知，模式求得的分區結果，在各招呼站服務分區的差異 方面，載客量明顯較現有的服務分區來得均衡，對於乘客的平均等候時間來說卻 是相差甚小，且車行能夠服務之乘客也明顯變多了。目標值在計算後亦發現較金 立現況來的好，如表 4.7 所示。因此，可得到本模式之測試結果能夠改善現況之 結論，且藉由上述之說明可知，使用者可以透過本研究之分區模式來規劃差異程 度較小的招呼站服務範圍分區。

此外，在求解過程中目標值的變化與收斂情形如圖 4.7 所示，在給定最大搜 尋次數的停止條件之下（預設值為 15000 次），目標值於 p 點位置時達到收斂（約 12000 次）。由圖 4.7 可知，從 p 點開始直到停止條件發生之間的搜尋中，並無繼 續改善目前之最佳解，因此本研究最後是以 p 點對應之求解結果進行輸出。

0 20000 40000 60000 80000 100000 120000 140000 160000 180000

1 2501 5001 7501 10001 12501

圖 4.7 目標值變化與收斂情形示意圖

在上述的實例分析中我們假設禁忌長度為 7，為了進一步探討若以不同的禁 忌名單長度（tabu length）是否會對求解結果造成影響，因此，本研究參考過去 的學者在使用禁忌搜尋時多採用之給定方式，將以 5、10 等禁忌長度做為測試之 對象，重新求算後之結果如表 4.8 所示，相對應之目標值如表 4.9 所示。

由表 4.8、4.9 可知，以不同的禁忌長度進行的敏感度分析後，從目標值差異 甚小之情況來看，說明了禁忌長度的改變對於最終結果的變化影響不大，可知此 項參數對於結果之敏感度較低。因此，禁忌長度的不同設定將對得到之服務分區 結果影響不大，所以使用者可直接以本研究採用之禁忌長度 7、停止條件假設最 大搜尋次數為 12000 次。

P

搜尋次數(次) 目標值

表 4.8 禁忌長度敏感度分析資料統計表

Tabu length=5 Tabu length=7 Tabu length=10 ID NAME

length=5

Tabu length=7

Tabu length=10 總載客量 17267.49 17289.72 17318.29 各分區間平均等候時間的差異總和 1000.69 998.76 996.69 各分區間載客量的差異總和 172390.28 173343.82 172836.45 乘客平均等候時間(分鐘) 4.40 4.41 4.45 目標值 162952.88 162462.89 163078.06

4.5 小結

服務分區基本上是由使用者所設定之偏好來決定，透過本研究之彈性測試發 現，分區模式確實具有足夠之彈性來符合使用者的要求，藉由上述調各權重值的 方式便可達到調整分區之目的。而在實例測試方面，本研究將模式結果與現有的 招呼站服務分區做比較，測試結果發現依據本研究發展的模式確實可以得到比現 況來得好，在可以滿足更多的載客服務量之條件下，能縮小各招呼站之間載客量 差異，顯示本研究設計的方式確實有用。