第五章 模式應用與分析
6.2 建議
一、本研究為國內首次使用資料探勘技術求解公車靠站組合之研究。由於大眾 運輸本身為資料密集之產業，而資料探勘技術本身也善於從大量資料庫探 勘出有價值及未知之資訊，不過過去公車業者未善用資料，所以尚未從中 找到寶貴之商業經營智慧。然而，資料探勘技術有多種分析工具及應用形 式，礙於研究時間無法將所有功能皆應用於該研究課題，後續研究者可再 深入了解其他方法論，並找出更有效率及客觀的求解方法。
二、拜科技進步所賜，隨著悠遊卡系統及公車動態資訊系統的陸續問世，悠遊 卡可成為用來分析乘客行為的新運輸資料來源，公車動態資訊系統可用來 彌補悠遊卡系統未記錄地點的缺憾。業者應要善用系統紀錄的資料，使其 可轉換成有用、寶貴的資訊及商業智慧。
三、過去業者在經營公車路線時，過於依賴每站皆停的靠站型態，不過在大台 北地區捷運路網的建構完成後，勢必會衝擊公車業者，因此業者應想辦法 讓路線的經營方式更有彈性，如提供更客製化的靠站型態，在根據不同時 段的乘客需求提供因時因地制宜的靠站型態。國內有關公車營運的研究已 不在少數，但多研究公車排班及人車調度領域，鮮少有關公車靠站型態研 究，未來可多加研究靠站型態建構之相關課題。
四、本研究係以單一路線為研究課題，未來後續研究可善用悠遊卡資料，建構 出大眾運輸乘客的總體需求特性及其相關課題的改善方案。
五、802 公車路線乘客付費使用悠遊卡比率約為 60%，再加上並非每輛公車皆 裝有衛星定位系統及乘客刷卡行為差異，使得乘客起迄需求推估率約 70%，因 此尚無法代表整條路線乘客之需求，未來若因業者詳加規定刷卡 方式和每輛公車皆能裝有衛星定位系統，而政府也能加以推廣行銷使用悠 遊卡，提高悠遊卡使用比率，則可建構出完整正確之乘客需求起迄表，供 業者及政府進行相關研究使用。
六、本研究所構建之各單一時段的最佳路線解，為考量業者實務容易操作，乘 客容易辨別，後續研究者可將本模式擴充為考量多時段方案評比模式，以 更符合實務需求。
七、本研究對於區間車或直達車之方案產出，未考慮剩餘全程班次之政策班距 及容量問題，後續可將其列為限制條件，可使本模式更趨嚴謹和合理。
參考文獻
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. 5th 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
附錄一 符號表
BC：公車每公里之營運成本 （元/公里）
Ds：所減少行駛里程數（公里）
H：原本班距(分)
H1：路線實施新靠站型態後之班車班距(分)
Kij：起迄點符合路線實施新靠站型態之靠站站別集合乘客人數 N：所減少靠站的數目
nr：第r 位乘客所節省的停靠站數 PBC：乘客在車上每單位時間成本
PWC：乘客每單位時間之等車成本(元/分鐘) Q：研究範圍的所有乘客數總數
Qs：能搭乘路線實施新靠站型態之乘客搭乘數 Q’：無法搭乘路線實施新靠站型態之乘客數 qrh：第r 位乘客所節省的上車人數
qrb：第r 位乘客所節省的下車人數
r：能搭乘路線實施新靠站型態乘客之乘客代號，共有 R 位乘客 S：路線實施新靠站型態之靠站站別集合
Ta：公車因離站所增加之加速度時間 （秒）
Tb：乘客下車時間（秒）
Tc：車門關門時間（秒）
Td：公車因靠站所增加之減速度時間（秒）
Th：乘客上車時間（秒）
To：車門開門時間（秒）
TPWT：乘客總增加等車時間(分)
△Tr：第r 位乘客所節省的車上時間（秒）
△TSC：系統總節省成本（元）
△TPBSC：可服務之乘客車上時間總節省成本（元）
△TBLC：營運路線總節省成本（元）
△TBSC：營運時間總節省成本（元）
△TPWAC：無法服務之乘客等車時間總增加成本（元）
附錄二 上午尖峰時段 OD 表
11 12 16 23 24 27 28 30 38 39 44 45 46 49 50 52 53 56
2 1 15 1 17
3 1 8 1 1 11
4 1 3 1 5
5 2 2
7 1 1
8 1 1 2
12 1 1
13 4 1 5 1 11
14 1 1
18 1 1 1 3
20 1 1 2
21 1 1
23 2 1 3
24 1 1
25 1 1
26 1 1
27 1 1
28 1 5 6
1 1 4 3 1 39 5 1 1 0 0 0 1 2 0 1 8 2 70
11 12 16 23 24 27 28 30 38 39 44 45 46 49 50 52 53 56
30 2 2
33 1 1
34 1 1
35 1 1 2
36 1 1
37 1 1 2
38 1 1
39 1 1 2 4
40 2 2
41 1 1 2 4
42 3 5 8
43 1 1
44 3 6 9
46 1 3 4
49 1 1
50 1 1
51 1 1
52 5 5
53 12 12
54 1 1
1 1 4 3 1 39 5 1 1 1 1 2 1 3 1 1 21 46 133
59 60 61 63 64 65 66 71 84 85 86 87 90 91 93 95 96 97 100 101 103 105 109 110 111 112 113 114 116
56 2 3 1 5 33 1 2 47
58 1 1 4 1 1 1 1 10
59 1 1
60 1 1 2
61 1 1 2
64 1 1
67 1 1
72 1 1
73 1 1 2
74 1 1
75 1 1
76 1 1
77 1 1
79 1 1
85 1 1
86 1 1 2 1 1 2 8
87 1 1 1 3
88 1 1 1 3
90 1 1 1 1 4
3 4 1 5 37 1 2 1 1 1 6 1 1 2 2 2 1 1 1 1 1 1 1 1 3 1 4 2 3 224
59 60 61 63 64 65 66 71 84 85 86 87 90 91 93 95 96 97 100 101 103 105 109 110 111 112 113 114 116
94 1 1
95 1 1
98 1 1
101 1 1
102 1 1
3 4 1 5 37 1 2 1 1 1 6 1 1 2 2 2 1 1 1 2 1 1 1 1 3 3 6 2 3 229
附錄三 平日離峰時段 OD 表
6 8 14 15 18 23 24 25 27 31 42 49 52 53 56 59 60 61 62 64 68 70 71 73 85 86 99 100 101 103 106 111 112 113 114 合計
3 1 1 1 1 6 10
4 1 1 2
7 1 1
13 1 1
15 1 1
18 4 1 2 3 10
22 1 1
23 1 1
25 1 1
26 1 1
27 1 1
43 2 2
51 1 1
56 1 2 1 2 1 1 8
58 1 1 2 1 5
59 1 1
62 1 1
64 2 2 4
71 1 1
75 1 1
77 1 1
78 1 1
83 2 2
85 1 1
86 1 1 1 2 5
87 1 1
90 1 1 2
102 1 1
110 1 1
1 1 1 1 1 4 1 2 6 1 1 1 1 2 9 1 2 1 1 3 2 2 2 1 1 1 1 1 1 1 1 1 1 10 2 69
附錄四 假日時段 OD 表
21 23 27 43 44 47 49 50 51 52 55 56 59 60 61 62 64 68 69 70 71 72 73 76 78 83 85 86 90 94 96 99 100 101 111 112 113 合計
2 2 2 4
3 1 2 1 4
4 2 2
6 1 1 2
7 1 1
13 1 1
14 1 1
18 1 1
20 1 1
21 1 1
23 1 1 2
24 1 1
26 1 1 2
27 1 1 2
31 1 1
34 1 1
36 1 1
40 1 1
42 2 2