第四章 實例驗證
4.1 演算法邏輯測試
4.1.3 檢驗是否能利用兩班次的銜接使得旅行時間減少
當系統規劃出轉乘方案時，本研究追求，在轉乘次數內旅行時間最少者，旅 行時間包括，乘車時間加上轉乘等待時間。而本研究將利用班次銜接，減少相同 路線組合中，使用者在轉乘站等待之時間。而此部份，利用表4.5 中測試編號 1 之範例檢驗，檢驗本研究所提供出之方案，是否為在轉乘站等待時間最少之班次 組合。表4.9 顯示出，本研究所提供之方案在轉乘站所等待的時間為 20 分鐘，而 其餘之班次組合的等待時間，皆大於本研究所提供之方案，因而驗證，本研究所 提供之方案，乃為所考慮之班次中，轉乘花費時間為最少者。
表 4.9 是否能利用兩班次的銜接將在轉乘站等待時間減少
起點站 迄點站 時間窗 班次組
合
轉乘站等 待時間
方案
Location1 Location17 08:00 到達 2-2 20 在Location 1 搭乘06:30:00 到站的1(去) 路線到達 Stop16，轉 5(去)路線至 Location 17，
約07:50:00 抵 達
Location1 Location17 08:00 到達 1-2 35 Location1 Location17 08:00 到達 1-1 25 4.1.4 測試是否可因為時間窗限制而提供不相同之方案
測試目的在於驗證本研究所提出之演算法，是否能夠可解決，以轉乘次數最 少為首要目標式，其演算法所無法考量的問題：在時間窗的限制下，因為，以轉 乘次數最少為原則，而忽略了其餘轉乘方案的現象。也就是，倘若直達方案因為 時間窗的限制，而無法提供方案時，將提供使用者無方案可行，而無法進一步告 知使用者，一次轉乘存在可行方案。本研究解決了此現象，測試結果顯示表4.10
表 4.10 測試時間窗限制
起點站 迄點站 時間窗 方案
Location37 Location6 07:00 到達 06:31:00 在 Location 37 搭乘 6(返)路線 到達Stop5，轉 7(去)路線抵達 Location 6。約 06:45:00 抵達
Location37 Location6 07:30 到達 07:10:00 在 Location 37 搭乘 8(去)路線 直達Location 6,約 07:20:00 到達
4.2 新竹市區公車測試
本研究以實際之都市交通路網進行測試實驗，希望了解此演算法在大型路網 下之應用與效率。此路網為新竹市區公車路線，其中包括 13 條路線、284 個停靠 站，本研究僅考慮早上 9 點至下午兩點中的 50 個班次。如圖 4.2 所示。新竹市區 公車交通路網，在本研究所利用之加強式網路中，共有 653 個節點。
圖 4.2 新竹市公車營運路線圖 本研究測試步驟主要分為以下三點，說明如下：
一、演算邏輯測試：本步驟測試，主要希望能觀察演算結果是否會因路網結構、
起迄點設定、出發時間的不同、或者時刻表的差異而產生謬誤。根據本文，
大眾運輸路網具有不同一般公路網的特殊性，若未能解決路網特性所產生的
問題，則發展的演算法，就無法協助旅行者作出最有效的旅運決策。因此，
實驗設計利用人為控制行前旅次規劃需求資料(包括旅次起迄點、出發時間、
轉乘次數限制)，並將測試狀況依照大眾運輸路網特性，分為轉乘次數限制不 同之狀況、往返路線停靠站並不對稱、出發時間不同。之後，透過實體時刻 表和營運圖來對照方案的輸出結果，藉以判斷正確性，最後，彙整分析所獲 得的結果。實驗結果的評估準則以正確率做為指標。
二、演算效能分析：由於本研究發展之演算法，會依照使用者的轉乘次數上限不 同，而有可能會有不同的方案，故利用轉乘次數上限為零次、一次、兩次、
三次進行各三十筆的測試，分別紀錄計算時間，實驗結果以平均執行時間作 為評估的準則。
三、敏感度分析：由於本研究在測試演算邏輯以及效能分析時，將控制變數：轉 乘門檻β皆設為三分鐘，也就是兩班次到站時間差必須大於三分鐘方能轉 乘。故在此部份，將對轉乘門檻β值做敏感度分析，試著觀察隨著轉乘門檻 的改變，演算法所提供的方案旅行時間的變化，並隨機選取固定的 30 個起迄 點配對，進行不同的轉乘門檻值分析，而分析的依據則以 30 條方案之平均旅 行時間作為指標。
表 4.12 效能分析
轉乘次數限制 測試筆數 平均執行時間(秒) 準確度
零次 30 0.164 100％
一次 30 0.546 100％
兩次 30 1.672 100％
三次 30 2.394 100％
4.2.1 演算法合理性確認
一、不對稱的往返路線停靠站測試
在實際公車路網中，常會發現單邊設站的情形。因此，主要在測試，演算法 是否可判別單邊設站的路線，提供正確的規劃方案。此測試將轉乘次數固定 為一次、時間窗限制為早上九點至九點三十分，藉由下圖所示可知文教新村 在 1 路返程路線設站，因此，當起點設定為清華大學、迄點設定為文教新村 時，將無法求得 1 路公車，直接在文教新村下車，還必須在文教新村，下一 站－金城新村口往回走一些距離，方能到達文教新村。但當使用者設定起點 為文教新村、迄點為清華大學，演算法才會提供 1 路公車路線的可行方案。
表 4.13 不對稱的往返路線停靠站測試
表 4.14 不同的轉乘次數限制測試
圖 4.4 新竹市 2 號路線公車停靠站
4.2.2 演算法運算效率分析
本演算法利用轉乘次數上限，作為讀取即時資訊的次數，故當使用者將 轉乘次數上限，設定的越高則執行時間將會越高。在表 4.12 中也顯示出，當 轉乘上限設定的越高時，執行時間越高。但實際上，在新竹市區公車交通路 網中，大部分的配對起迄點，皆可在一次轉乘或直達即可到達，故導致本研 究，在新竹市區公車範例，可能，因為建構網路的停止條件，而花費了一些 不必要的時間，可是，均可在三秒鐘內做出回應，應該還在使用者能夠接受 的範圍內。在此，希望後續研究者，可以改善此現象，讓執行時間變得更短。
4.2.3 敏感度分析
本演算法利用轉乘門檻β判斷兩路線是否能夠進行轉乘，而本研究利用 3 分鐘作為轉乘門檻，在此部份，利用固定的 30 個起迄點配對進行β的敏感 度分析，利用規劃出的 30 個方案之平均旅行時間作為指標進行分析。首先，
利用每 5 分鐘作為間隔進行敏感度分析，判斷轉乘門檻值落在哪個時間範圍 內，平均旅行時間最短。由下表得知，當轉乘門檻設定在 5 分鐘、10 分鐘、
15 分鐘、20 分鐘、25 分鐘時，平均旅行時間並未有明顯的改變，而當轉乘 門檻值設定為 25 分鐘與 30 分鐘時，可能會因為在轉乘站沒有符合轉乘門檻 的班次，導致無法提供方案。當演算法無法提供方案時，本研究令其旅行時 間為 120 分鐘，故當轉乘門檻值過高時，平均旅行時間將會比較高。
表 4.15 敏感度分析表一
轉乘門檻值 平均旅行時間(分鐘)
5 分鐘 42.8465
10 分鐘 43.1953
15 分鐘 43.5472
20 分鐘 45.5477
25 分鐘 50.1184
30 分鐘 62.7482
而在零分鐘到五分鐘這區間內，再進行一次敏感度的分析，從零分鐘開 始，以每一分鐘作為間隔，來觀察當轉乘門檻設定為多少值，平均旅行時間 為最短。由表可得知，在此時間範圍內，平均旅行時間並沒有明顯的減少，
主要原因推測為，轉乘站的等待時間，若以五分鐘為門檻，導致每個班次皆 可進行轉乘，故在此區間內無任何明顯的差距。然而當轉乘門檻值設定的越 高，所提供的方案之旅行時間有機會變得比較高。但也不能夠選擇最少平均 旅行時間的轉乘門檻：0 分鐘作為轉乘門檻，因為乘客還必須上車、下車、
或者步行一段距離至轉乘站。由下表得知，將轉乘門檻設定為 3 分鐘到 5 分 鐘，規劃 30 次的行前旅次規劃，其平均旅行時間並未有明顯的不同，故將轉 乘門檻設定為 3 分鐘到 5 分鐘，應該為合理的轉乘門檻。
表 4.16 敏感度分析表二
轉乘門檻值 平均旅行時間(分鐘)
0 分鐘 42.8494
1 分鐘 42.8494
2 分鐘 42.8494
3 分鐘 42.8455
4 分鐘 42.8455
5 分鐘 42.8465
第五章 結論與建議
5.1 結論
1. 本研究將大眾運輸行前旅次規劃，定義為單一邏輯的規劃，並認為其餘邏輯 可供使用者，自行作為限制條件進行行前旅次規劃， 將原本的 NP-hard 問 題，修改為可使用最短路徑演算法進行求解的問題。以最少旅行時間作為主 要邏輯、轉乘次數作為限制式進行求解，並加入動態資訊反應，當使用者開 始查詢時，該時間點的運具到站情況，實際反應出較為準確的行前旅次規劃。
有效地解決，僅考量時刻表之大眾運輸旅次規劃問題。
2. 利用本研究可以解決過去文獻中，以最少轉乘次數為第一目標式，將會低估 起迄點配對之方案數的問題，且當最少轉乘演算法，因時間窗的限制而無法 提供時，亦無法提供使用者，任何替代方案的問題，而提供了多一次轉乘，
或許可以符合時間窗限制且到達起迄點。如此一來，將可以更加完善的建議 使用者，如何在時間窗限制內到達目的地。
5.2 建議
1. 在本研究的網路架構中，可以解決市區公車的單邊設站，以及起迄路線不對 稱的現象，但實際上，市區旅運以及城際旅運仍有些不相同，如同在2.4 節 所述說的一些情況，因此，本研究認為，若要將此網路架構以及演算法套入 至城際旅運，尚必須將網路架構稍做修改，以便考量到城際旅運的一些特殊 的現象。
2. 本研究在本篇論文中，有個強烈的假設：在最少旅行時間邏輯中，使用者僅 追求旅行時間最短，並未考慮到票價、步行距離等因素，在大部分的情況都 可提供出合理的方案，倘若遇到文中提及的：在每個轉乘站進行轉乘，旅行 時間都相同的情況下，將會指派使用者，在轉乘站等待時間最短的站牌進行 轉乘。然而，若此現象發生在城際旅次，則乘客有可能必須多付一些費用，
故在後續的研究，是否能夠增加票價的限制，或利用本研究之網路架構提出 最少票價的規劃邏輯。
3. 本研究在進行新竹市區公車時，利用最傳統的最短路徑演算法，進行選取目 前最少成本點的選擇，倘若能夠將站牌座標考量至演算法中，則可進一步使 用啟發式解法A*演算法加快執行的速度。
3. 本研究在進行新竹市區公車時，利用最傳統的最短路徑演算法，進行選取目 前最少成本點的選擇，倘若能夠將站牌座標考量至演算法中，則可進一步使 用啟發式解法A*演算法加快執行的速度。