建立臺灣高鐵場站進出人次預測模型之初步研究-以台北、台中、高雄為例

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：45

、訪客IP：3.145.176.88

姓名

吳卓倫(Chuo-Lun Wu) 查詢紙本館藏

畢業系所

土木工程學系

論文名稱

建立臺灣高鐵場站進出人次預測模型之初步研究-以台北、台中、高雄為例
(Estbilshing the prediction model of passenger arrivals and departures of Taiwan′s high-speed rail stations - Taking Taipei, Taichung, and Kaohsiung station as examples)

相關論文

★ Engineering and Environmental Analysis of Maintenance Interval in Taiwan Freeway -the Case of Guanxi Section	★ 3D 鋪面調查車之驗證與國道應用分析
★ 營建剩餘土石方物流監控及管理系統之建置	★ 透水性鋪面保水與溫差成效之評估 -以中壢市龍慈路為例
★ 以生命週期評估滾筒碴與轉爐石應用於瀝青混凝土之研究	★ 傳統單點雷射與2D雷射應用於平坦度之比較研究
★ 鋪面劣化影像自動辨識應用於鋪面巡查精進研究	★ 自動化鋪面破壞影像辨識系統導入鋪面破壞維護管理系統之研究
★ 以ETC大數據結合FWD建立台灣區高速公路鋪面結構評估準則之研究	★ The Comparison Study of Various Surface Maintenance Alternatives in Taiwan Freeway
★ The Preliminary Study of conducting Pavement Maintenance Model for Taiwan Provincial Highways using Life-Cycle Cost Analysis	★ 冷拌再生瀝青混凝土應用於管線挖掘回填層之可行性研究
★ 台灣現行修補材料運用於柔性鋪面表層裂縫與坑洞修補之耐久性初步探討	★ 以車載藍光雷射建構國道鋪面抗滑值與二維紋理之關聯模型
★ 以不同光譜雷射應用於鋪面平坦度量測之綜合性評估	★ 冷拌再生瀝青混凝土應用於道路管線挖掘回填工程之現地驗證

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 (2025-12-31以後開放)

摘要(中)

台灣高鐵於2007年通車，距今已17年，是一般民眾日常生活中相當依賴的交通工具。本研究為了預測高鐵旅客進站、出站，從沿線的12站中，挑選出其中3個場站，分別是台北、台中和高雄，先以資料收集方式，收集這3站進出站的運量，資料期間為2007年1月至2022年12月共72筆月資料。並運用指數平滑法、遺傳表達規劃法建立這3個場站旅客進、出站的預測模型，得到的結果以平均絕對百分誤差及判定係數來作評估。此外，建立2023年1~5月這3個場站進出站的預測模型，用來驗證預測的精準度。本研究以SPSS軟體建立指數平滑法、ARIMA的預測模型，從SPSS的運算過程中發現最佳模式為指數平滑法，並從結果觀察出高鐵台北站進站判定係數=0.92、平均絕對百分誤差5.1%和出站判定係數=0.92、平均絕對百分誤差5%，高鐵台中站進站判定係數=0.91、平均絕對百分誤差5.3%和出站判定係數=0.91、平均絕對百分誤差4.8%，高鐵高雄站進站判定係數=0.89、平均絕對百分誤差4.9%和出站判定係數=0.88、平均絕對百分誤差5.2%。從研究方法遺傳表達規劃法所預測出的結果發現，判定係數R2皆大於0.7，而且沒有過度訓練之現象，平均絕對百分誤差高鐵台北站分別是進站4%和出站7%、高鐵台中站進站10%和出站7%及高鐵高雄站進站11%和出站11%。比較GEP和指數平滑法2023年1~5月，平均絕對百分誤差GEP 10%、指數平滑法15%，預測成效GEP優於指數平滑法，綜合以上結果，在本文獻中GEP是較適合的模式用於預測台灣高鐵旅客運量。

摘要(英)

The Taiwan High-Speed Railway (THSR) has been in operation since 2007, the passenger of THSRs is increasing by the day and THSRs are already an important vehicle for Taiwan residents. The objective of this study is to forecast passengers′ departure and arrivals at the main stations including Taipei, Taichung, and Kaohsiung. Firstly, the passengers′ departure and arrivals data were collected and the date was from Jan. 2007 to Dec. 2022, and the data number by month is 72. Simple Smooth, ARIMA and Genetic Expression Programming (GEP) were adopted to establish those forecasting models of passengers′ departure and arrivals at the three main stations, mean absolute percent Error (MAPE) and Determination coefficient(R2) were used to evaluate the model performance. In addition, the passengers′ departures and arrivals of the three main stations Jan. 2023 to May 2023 were tested on the accuracy of the forecasting model. The SPSS was utilized to build up the Simple Smooth, and ARIMA model, and the best feasible model of SPSS was simple smooth. Based on the results of the Simple smooth using SPSS, the R2 and MAPE of the passengers′ arrivals model of Taipei were 0.92 and 5.1%, the R2 and MAPE of the passengers′ departure model of Taipei were 0.92 and 5%, the R2 and MAPE of the passengers′ arrivals model of Taichung were 0.91 and 5.3%, the R2 and MAPE of the passengers′ departure model of Taichung were 0.91 and 4.8%, the R2 and MAPE of the passengers′ arrivals model of Kaohsiung were 0.89 and 4.9%, and the R2 and MAPE of the passengers′ departure model of Kaohsiung were 0.88 and 5.2%. Based on the results of GEP, the training, and validation R2 of all models of the main stations were above 0.7 and there is no overfitting situation. The MAPE of the passengers′ departure and Arrivals model using GEP of Taipei were 4% and 7%, The MAPE of the passengers′ departure and Arrivals model using GEP of Taichung were 10% and 7%, and The MAPE of the passengers′ departure and Arrivals model using GEP of Kaohsiung were 11%. Comparing the prediction capacity between Simple smooth and GEP from Jan. 2023 to May 2023, the MAPE of the GEP Model is 10%, the MAPE of the Simple Smooth Model is 15%, and the forecasting performance of the GEP model is better than Simple Smooth model. Based on the above, the GEP is the better feasible method to build up a passenger forecasting model of THSR and it is worthy of further study.

關鍵字(中)

★ 台灣高鐵
★ 指數平滑法
★ 遺傳表達規劃法

關鍵字(英)

★ High-speed railway
★ forecasting
★ GEP

論文目次

目錄

目錄 I
圖目錄 III
表目錄 V
第一章緒論 1
1-1研究背景 1
1-2 研究目的 2
1-3 研究範圍與限制 2
1-4 研究計畫 3
第二章文獻回顧 4
2-1 運輸需求預測相關文獻 4
2-2 其他需求預測相關文獻 11
2-3 需求預測方法比較 15
2-4 GEP and GP的比較 16
第三章研究方法 21
3-1 ARIMA 21
3-2 指數平滑法 22
3-3 遺傳表達規劃法 23
3-4 評估準則 24
第四章研究結果 25
4-1 現況分析 25
4-2 時間序列預測結果與分析 30
4-2-1 時間序列台北站分析結果 30
4-2-2 時間序列台中站分析結果 36
4-2-3 時間序列高雄站分析結果 41
4-3 GEP預測結果與分析 47
4-3-1 GEP台北站分析結果 47
4-3-2 GEP台中站分析結果 55
4-3-3 GEP高雄站分析結果 66
4-4 GEP預測式之綜合比較 97
4-5 指數平滑法與遺傳表達規劃法(GEP)的比較 99
4-5-1台北站進站 99
4-5-2台北站出站 100
4-5-3台中站進站 101
4-5-4台中站出站 102
4-5-5高雄站進站 103
4-5-6高雄站出站 104
第五章結論與建議 106
5-1 結論 106
5-2 建議 108
參考文獻 109

圖目錄
圖4.1 台北站旅客人數進站 25
圖4.2 台北站旅客人數出站 26
圖4.3 台中站旅客人數進站 27
圖4.4 台中站旅客人數出站 27
圖4.5 高雄站旅客人數進站 28
圖4.6 高雄站旅客人數出站 29
圖4.7 台北站進站預測與實際值比較 32
圖4.8 台北站2023年前二季進站預測結果 32
圖4.9 台北站出站預測與實際值比較圖 35
圖4.10台北站2023年前二季出站預測結果 35
圖4.11台中站進站預測與實際值比較圖 38
圖4.12台中站2023年前二季進站預測結果 38
圖4.13台中站出站預測與實際值比較圖 40
圖4.14台中站2023年前二季出站預測結果 41
圖4.15高雄站進站預測與實際值比較圖 43
圖4.16高雄站2023年前二季進站預測結果 44
圖4.17高雄站出站預測與實際值比較圖 46
圖4.18高雄站2023年前二季出站預測結果 46
圖4.19 TPE__GEP_D7 2023年前5個月進站預測結果 51
圖4.20 TPE__GEP_A1 2023年前5個月出站預測結果 55
圖4.21 TAC__GEP_D7 2023年前5個月進站預測結果 60
圖4.22 TAC__GEP_A9 2023年前5個月出站預測結果 66
圖4.23 KAO__GEP_D4 2023年前5個月進站預測結果 80
圖4.24 KAO__GEP_A67 2023年前5個月出站預測結果 96
圖 4.25 台北站進站APE值比較圖 99
圖 4.26 台北站出站APE值比較圖 100
圖 4.27 台中站進站APE值比較圖 101
圖 4.28 台中站出站APE值比較圖 102
圖 4.29 高雄站進站APE值比較圖 103
圖 4.30 高雄站出站APE值比較圖 104
圖 4.31 指數平滑法與遺傳表達規劃法APE值比較圖 105

表目錄
表2.1 四種預測方法之比較 15
表3.1 GEP的一般求解過程 23
表4.1 台北站進站預測模式之比較 31
表4.2 台北站進站預測模式各項參數評估 31
表4.3 台北站進站預測模式殘差 31
表4.4 台北站出站預測模式之比較 33
表4.5 台北站出站預測模式各項參數評估 34
表4.6 台北站出站預測模式殘差 34
表4.7 台中站進站預測模式之比較 36
表4.8 台中站進站預測模式各項參數評估 37
表4.9 台中站進站預測模式殘差 37
表4.10 台中站出站預測模式之比較 39
表4.11 台中站出站預測模式各項參數評估 40
表4.12 台中站出站預測模式殘差 40
表4.13 高雄站進站預測模式之比較 42
表4.14 高雄站進站預測模式各項參數評估 42
表4.15 高雄站進站預測模式殘差 43
表4.16 高雄站出站預測模式之比較 45
表4.17 高雄站出站預測模式各項參數評估 45
表4.18 高雄站出站預測模式殘差 45
表4.19台北站進站之GEP模式之相關設定 48
表4.20台北站進站之GEP模式之結果比較表 49
表4.21台北站進站之GEP最適模式比較表格 51
表4.22台北站出站之GEP模式之相關設定 52
表4.23台北站出站之GEP模式之結果比較表 53
表4.24台北站出站之GEP最適模式比較表格 54
表4.25台中站進站之GEP模式之相關設定_1 56
表4.26台中站進站之GEP模式之相關設定_2 57
表4.27台中站進站之GEP模式之結果比較表 58
表4.28台中站進站之GEP最適模式比較表格 60
表4.29台中站出站之GEP模式之相關設定 62
表4.30台中站出站之GEP模式之相關設定_1 63
表4.31台中站出站之GEP模式之結果比較表 64
表4.32台中站出站之GEP最適模式比較表格 65
表4.33高雄站進站之GEP模式之相關設定_1 67
表4.34高雄站進站之GEP模式之相關設定_2 68
表4.35高雄站進站之GEP模式之相關設定_3 69
表4.36高雄站進站之GEP模式之相關設定_4 71
表4.37高雄站進站之GEP模式之相關設定_5 72
表4.38高雄站進站之GEP模式之結果比較表_1 73
表4.39高雄站進站之GEP模式之結果比較表_2 74
表4.40高雄站進站之GEP模式之結果比較表_3 77
表4.41高雄站進站之GEP最適模式比較表格 80
表4.42高雄站出站之GEP模式之相關設定_1 81
表4.43高雄站出站之GEP模式之相關設定_2 83
表4.44高雄站出站之GEP模式之相關設定_3 84
表4.45高雄站出站之GEP模式之相關設定_4 85
表4.46高雄站出站之GEP模式之相關設定_5 86
表4.47高雄站出站之GEP模式之結果比較表_1 88
表4.48高雄站出站之GEP模式之結果比較表_2 90
表4.49高雄站出站之GEP模式之結果比較表_3 92
表4.50高雄站出站之GEP最適模式比較表格 96
表4.51 高鐵站最佳預測模式 97
表4.52 最佳模式比較表 98
表4.53台北站進站2023年前5個月預測結果APE比較表 99
表4.54台北站出站2023年前5個月預測結果APE比較表 100
表4.55台中站進站2023年前5個月預測結果APE比較表 101
表4.56台中站出站2023年前5個月預測結果APE比較表 102
表4.57高雄站進站2023年前5個月預測結果APE比較表 103
表4.58高雄站出站2023年前5個月預測結果APE比較表 104
表4.59指數平滑法與遺傳表達規劃法APE值比較表 105

參考文獻

1. 張原賓，「以類神經網路模型預測航空旅客運量」，國立成功大學民用航空研究所碩士論文，2008
2. 洪瑞霙，「東南亞與歐洲重點航線運量預測模式之建構」，逢甲大學運輸科技與管理學系碩士論文，2011
3. 李婉婷，「機場運量需求預測模式之研究-南部國際機場」，國立高雄大學都市發展與建築研究所碩士論文，2009
4. 林東慶，「以灰色理論和類神經網路預測航空客、貨運量之變化」，國立成功大學民用航空研究所碩士論文，2007
5. 楊文瑋，「中正國際機場需求預測模式建構與評估-時間序列之應用」，淡江大學管理科學研究所碩士論文，2003
6. 張雲萍，「國際航空客運之需求預測模型」，國立交通大學交通運輸研究所碩士班碩士論文，2004
7. 蔡宗憲，「短期列車旅運需求預測~類神經網路模式之應用」，國立成功大學交通管理學系碩士論文，2000
8. 陳欣欣，「台鐵旅運需求預測之研究」，國立成功大學交通管理學系碩士論文，2000
9. 林士傑，「高速公路旅行時間預測模式之研究-類神經網路之應用」，國立成功大學交通管理學系碩士論文，2000
10. 胡雅智，「運用時間序列分析預測晶圓代工廠產出需求-以A公司為例」，國立交通大學工業工程與管理學程碩士論文，2019
11. 黃思婷，「不同客源住房數需求預測之研究-以新北市商務飯店為例」，國立高雄科技大學觀光管理系觀光與餐旅管理碩士班碩士論文，2019
12. 樋口隆行，「日本旅遊需求預測之研究」，國立台灣大學社會科學院國家發展研究所碩士論文，2019
13. 陳泉蒲，「國際來台旅遊需求預測模型之先期研究」，國立台灣大學工業工程學研究所碩士論文，2014
14. 李宗翰，「LED封裝體需求預測-以智慧型手機產業為例」，國立交通大學管理學院管理科學學程碩士論文，2016
15. 鄭皓宇，「以時間序列對台灣電腦公司進行商業解析及績效預測」，國立交通大學工業工程與管理學系碩士論文，2017
16. 李台亮，「旅館需求預測之研究-以花蓮C飯店為例」，國立東華大學高階經營管理碩士班碩士論文，2013
17. 吳巧薇，「結合時間序列分析與機器學習演算法於原油價格預測之應用」，國立台北大學統計學系碩士論文，2021
18. 陳俊男，「臺灣地區國際商港營運量預測模式之探討」，逢甲大學交通工程與管理學系研究所，2008
19. 李慶揚，「季節因子與區位條件對台灣旅館房價之影響」，國立中山大學經濟學系研究所，2019
20. 陳天賜，「旅館日用備品採購數量預測」，銘傳大學觀光事業學系研究所， 2019
21. 張玖，「精進臺灣市區道路養護管理策略之初步探討」，國立中央大學土木工程學系研究所，2017
22. Sameera Ramadhani,Arian Dhini,Enrico Laoh，“Airline Passenger Forcasting using ARIMA and Artificial Neural Networks Approaches”，IEEE Xplore，2020
23. Ziemska Monika,Leszek Smolarek，“Analysis of the Effect of Mass Events on Car Traffic in the City in the Daily Interval”，2017 2nd International Conference on System Reliability and Safety，IEEE Xplore，2017
24. Ismail Koc,Emel Arslan，“Demand Forecasting for Domestic Air Transportation in Turkey using Artificial Neural Networks”，2018 6th International Conference on Control Engineering & Information Technology，IEEE Xplore，2018
25. Anila Cyril,Raviraj H.Mulangi,Varghese Gerge,“Modelling and Forvasting Bus Passenger Demand using Time Series Method”，2018 7th International Conference on Reliability, Infocom Technologies and Optimization，IEEE Xplore，2018
26. Ioannis Loumiotonos,Konstantions Demestichas,Evgenia Adamopoulou,Pavlos Kosmides,Vasilis Asthenopoulos,Efstathios Sykas，“Road Traffic Prediction Using Artifical Neural Networks”，IEEE Xplore，2020
27. Triyanna Widiyaningtyas,Muladi,Adiba Qonita，“Use of ARIMA Method To Predict The Number of Train Passenger In Malang City”，IEEE Xplore，2019
28. Candida Ferreira，“Gene Expression Programming A New Adaptive Algorithm for Solving Problems” Complex Systems Publications, Inc，2001
29. Roohollah Shirani Faradonbeh, Alireza Salimi, Masoud Monjezi，“Roadheader performance prediction using genetic programming (GP) and gene expression programming (GEP) techniques”，Springer-Verlag GmbH Germany，2017
30. Z. Saghian, A. Esfahanipour , B. Karimi，“A novel Kumaraswamy interval type-2 TSK fuzzy logic system for subway passenger demand prediction”，Iranian Journal of Fuzzy Systems，Volume 19，No.3，pp.69-87，2022
31. Divya J, Divyasindhu P and Joan Reshmi L，“Flight Delay Prediction using GANN - An Improved Artificial Neural Network Model Integrating Genetic Algorithm”，IEEE Xplore，2023
32. Melek Nar, Seher Arslankaya，“Passenger demand forecasting for railway systems”，DE GRUYTER，pp.105-119，2022
33. Abbas Khosravi a, Ehsan Mazloumi b , Saeid Nahavandi a,b,c , Doug Creighton a , J.W.C. Van Lint c，“A genetic algorithm-based method for improving quality of travel time prediction interval”，Transportation Research PartC，pp.1364-1376，2011
34. Prakash Ranjitkar, Li-Sian Tey, Enakshi Chakravorty , and Kirsten L. Hurley，“Bus Arrival Time Modeling Based on Auckland Data”， Transportation Research Record，Volume 2673，No.6，pp.1-9，2019
35. 台灣高鐵公司，https://www.thsrc.com.tw，擷取日期:2023年3月1日
36. 許純君，預測的原理與應用(第一版)，台灣西書出版社，1999

指導教授

陳世晃(Shi Huang Chen)

審核日期

2023-12-18

推文