應用類神經網路於公共自行車需求預測之研究－以中壢火車站前站為例

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：104

、訪客IP：3.15.146.43

姓名

李宥瑩(You-Ying Li) 查詢紙本館藏

畢業系所

土木工程學系

論文名稱

應用類神經網路於公共自行車需求預測之研究－以中壢火車站前站為例
(Rental Demand Prediction for Public Bicycle Using Artificial Neural Network－A Case Study of Zhongli Railway Station (Front))

相關論文

★ 紅燈右轉人車衝突風險分析	★ 機車騎士紅燈怠速熄火意願及其預期成效之研究
★ 雪山隧道路徑導引策略研究	★ 利用回饋式類神經插補探討路段車輛偵測器佈設間距
★ 利用基因規劃法進行車輛偵測器資料填補	★ 機車紅燈怠速熄火節能減碳效果評估
★ 應用存活分析法於運具移轉行為之研究	★ 利用基因規劃法預測高速公路旅行時間
★ 以鏈結串列搜尋車輛偵測器遺漏值最佳填補方式	★ 應用存活分析法於鋪面坑洞影響因素及使用年限之研究
★ 機車隨機到達情況下紅燈怠速熄火效果之研究	★ 雪山隧道行車速率特性分析
★ 應用存活分析法於公路長隧道事故分析之研究	★ 需求反應式運輸系統營運模式與績效評估－以復興鄉為例
★ 應用存活分析於市區公車駕駛行為異常之研究	★ 市區公車油耗與節能減碳之研究

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]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

公共自行車甲租乙還的需求時段不對稱性問題長久以來一直為社會大眾所關切，亦是經營者感到棘手的問題之一，所以解決借車問題刻不容緩。近年來由於智慧運輸系統的發達以及用路人資訊日益受到重視，因此即時的借車資訊也顯得格外重要。由於租賃站的借車數具有依時間而變化的動態借還特性，為了對此作有效的管理與控制，必須精確地預測未來借車需求量，以便即時擬定控制策略進行事前管理與調度。

本研究以桃園市境內之月租借數量最高的租賃站―中壢火車站前站為研究對象，先將借車需求量每十五分鐘作為一個時間單元，以今日變動、長期變動及今日變動結合長期變動共三方向做實驗設計。本研究引用類神經網路，以遞歸神經網路建構一個公共自行車之借車需求預測模式，採用三層、完全連結節線及回饋式的網路架構，配合即時遞歸演算法建構不同輸入資料之預測，利用歷史借車需求量資料作為遞歸神經網路訓練與測試基礎。經由各種情境條件設計下不斷測試，比較分析結果得知，本研究所構建之借車需求量預測模式，以當日結合前三周之輸入方法預測效果最好，欲使平均誤差降到最低，輸入數量以前10筆最佳，準確度可達92.169%。因此在公共自行車即時借車需求量預測方面，本研究可提供未來相關單位，作為後續營運上策略研擬之參考。

摘要(英)

Borrowing public bicycle problem is one of the main concerns of public for a long time, and the thorny problems of the government. Therefore, to solve borrowing problem is the most urgent. Owing to the development of Intelligent Transportation Systems and user’s information have attracted much interest, real-time information of borrowing bicycle is getting more and more important. As to numbers of borrowed bicycles are changeable with time, it’s necessary to make efficiently real-time controlling policies by forecast rental demands accurately.

This study have selected the rental station of Zhongli rail-way station (Front) which rented bicycle the most per month in Taoyuan City. In order to promote the forecasting ability of model, it reviews kinds of rental demand forecasting modeling and analyzes the rental demand of public bicycle, quote from Recurrent Neural Network with three layers, fully connected and feedback network, and Real-Time Recurrent Learning to build forecasting model. Using the historical rental data of public bicycle would be the base of training and testing mode of Recurrent Neural Network. After repeatedly correcting and testing, this model would forecast effectively with small error and high accuracy. As a result, this thesis can be provided a way to forecast rental station in real-time rental demand estimation.

關鍵字(中)

★ 公共自行車系統
★ 借車需求量預測
★ 遞歸神經網路

關鍵字(英)

★ Public bicycle system
★ Rental demand prediction
★ Recurrent Neural Network

論文目次

目錄
摘要 i
Abstract ii
致謝 iii
目錄 iv
圖目錄 vi
表目錄 viii
第一章、緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究範圍 3
1.4 研究內容與流程 3
第二章、文獻回顧 6
2.1 公共自行車 6
2.2 需求預測 9
2.3 類神經網路 16
第三章、需求預測方法 28
3.1 遞歸神經網路 28
3.1.1 基本理論與特性 28
3.1.2 網路架構與運算流程 30
3.1.3 前提假設與限制 40
3.2 需求預測模式建構 41
3.2.1 輸入變數選擇 43
3.2.2 相關參數設定 44
第四章、實證分析 48
4.1 實驗設計 48
4.2 資料內容 55
4.3 預測模式訓練與測試 57
4.3.1 基本輸入變數 57
4.3.2 預測結果與相對績效值 58
4.3.3 模式評估與比較分析 65
第五章、結論與建議 89
5.1 結論 89
5.2 建議 90
參考文獻 92

參考文獻

一、尹相志(2009)，「SQL Server 2008 Data Mining資料採礦」，悅知文化，頁145-167。
二、李恒綺等(2016)，「公共腳踏車使用者特性及偏好分析─以高雄市C-Bike為例」，運輸計劃季刊，第45卷，第4期，頁331-356。
三、李舒媛(2018)，「以悠遊卡大數據探YouBike租賃及轉乘捷運之使用者行為」，淡江大學運輸管理學系運輸科學碩士班碩士論文。
四、李冠頡(2010)，「應用DEMATEL及ANP決策方法於自行車道系統評估改善之研究─以桃園縣自行車道系統為例」，國立中央大學土木工程學系研究所碩士論文。
五、吳佩倫(2018)，「深度學習應用於短期國道交通量預測」，中華民國運輸學會107年學術論文國際研討會，第五冊，頁2466-2483。
六、余書玫(2009)，「公共自行車租借系統選擇行為之研究」，國立交通大學交通運輸研究所碩士論文。
七、呂宣霆(2018)，「ARIMA模型和人工神經元網路模型在時間序列資料預測的應用與比較」，國立清華大學統計學研究所碩士論文。
八、呂孟學(2000)，「應用類神經網路於即時停車需求預測之研究」，國立中央大學土木工程學系研究所碩士論文。
九、林祥煙(1999)，「類神經網路於高速公路交通量預測之研究」，國立中央大學土木工程學系研究所碩士論文。
十、林士傑(2000)，「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研究所碩士論文。
十一、林鈺翔(2010)，「利用時空資料插補車輛偵測器遺漏值之研究」，國立中央大學土木工程學系研究所碩士論文。
十二、周榮昌等(2017)，「捷運轉乘公共自行車之租賃租金願付價格」，運輸計劃季刊，第46卷，第2期，頁165-190。
十三、周秉誼(2016)，「淺談Deep Learning原理及應用」，國立臺灣大學計算機及資訊網路中心電子報，第0038期。
十四、倪如霖等(2016)，「公共自行車租借量之影響因素分析―地理加權迴歸和函數資料分析方法之應用」，中華民國運輸學會105年學術論文國際研討會。
十五、曹壽民、林俊宏(2004)，「臺北都會區捷運車站腳踏車停車需求之研究」，都市交通季刊，第19卷，第3期，頁16-31。
十六、張斐章、張麗秋(2005)，「類神經網路」，東華書局股份有限公司。
十七、許添本(2003)，「人本交通與綠色交通的發展理念」，都市交通季刊，第18卷，第3期，頁41-52。
十八、黃俊良(2016)，「臺北市公共自行車系統旅次特性分析」，淡江大學運輸管理學系運輸科學碩士班碩士論文。
十九、馮正民、邱裕鈞(2004)，「研究分析方法」，建都文化出版社。
二十、廖梓淋(2009)，「利用資料填補概念探討車輛偵測器佈設間距」，國立中央大學土木工程學系研究所碩士論文。
二十一、廖敏婷(2012)，「考慮需求比例及暫時人力配置之公共自行車租借系統管理策略研究」，國立成功大學工業與資訊管理學系研究所碩士論文。
二十二、葉怡成(2009)，「類神經網路模式應用與實作」，儒林圖書有限公司。
二十三、賴淑芳(2012)，「公共自行車接受度與滿意度研究─以臺北微笑單車為例」，運輸學刊，第24卷，第3期，頁379-405。
二十四、陳柏僑(2014)，「公共自行車租賃站使用需求之研究―以高雄市公共自行車為例」，國立臺灣大學土木工程學系研究所碩士論文。
二十五、戴威(2018)，「臺北市公共自行車系統營運特性分析」，淡江大學運輸管理學系運輸科學碩士班碩士論文。
二十六、蕭傑諭、蔡宗佑(2017)，「公共自行車之替代性與互補性—以臺北都會區為例」，中華民國運輸學會106年學術論文國際研討會，第四冊，頁411-434。
二十七、鍾智林、黃晏珊(2016)，「開放式數據為基礎之公共自行車營運特性分析：以臺北YouBike為例」，運輸學刊，第28卷，第4期，頁455-478。
二十八、Bordagaray, M., Dell’Olio, L., Fonzone, A., and Ángel Ibeas. (2016). Capturing the conditions that introduce systematic variation in bike-sharing travel behavior using data mining techniques. Transportation Research Part C Emerging Technologies, 71, 231-248.
二十九、Hwarng, H. B., and Ang, H. (2001). A simple neural network for ARMA(p,q) time series. Omega, 29(4), 319-333.
三十、M. Castro-Neto, Y.-S. Jeong, M.-K. Jeong, and L. D. Han (2009). Online svr for short-term traffic flow prediction under typical and atypical traffic conditions, Expert systems with applications, 36 (3), 6164-6173.
三十一、Nicholas G. Polson, Vadim O. Sokolov (2017). Deep learning for short-term traffic flow prediction, Transportation Research Part C: Emerging Technologies, Volume 79, 1-17.
三十二、R. Fu, Z. Zhang and L. Li (2016). Using LSTM and GRU neural network methods for traffic flow prediction, 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC), Wuhan, 324-328.
三十三、Tang, Y., Pan, H., and Fei, Y. (2017). Research on users’ frequency of ride in shanghai minhang bike-sharing system. Transportation Research Procedia, 25, 4983-4991.
三十四、Xiaolei, M., Zhimin, T., Yinhai, W., Haiyang, Y., Yunpeng, W. (2015). Long short-term memory neural network for traffic speed prediction using remote microwave sensor data. Transportation Research Part C, 187-197.
三十五、Y. Zhang and G. Huang (2018). traffic flow prediction model based on deep belief network and genetic algorithm, IET Intelligent Transport Systems, 12 (6), 533-541.
三十六、Y. Tian and L. Pan (2015). Predicting Short-Term Traffic Flow by Long Short-Term Memory Recurrent Neural Network, 2015 IEEE International Conference on Smart City/SocialCom/SustainCom (SmartCity), Chengdu, 153-158.
三十七、Zhang and M. R. Kabuka (2017). Combining Weather Condition Data to Predict Traffic Flow: A GRU Based Deep Learning Approach, 2017 IEEE 15th Intl Conf on Dependable, Autonomic and Secure Computing, 15th Intl Conf on Pervasive Intelligence and Computing, 3rd Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress (DASC/PiCom/DataCom/CyberSciTech), 1216-1219.
三十八、Zeng, M., Yu, T., Wang, X., Su, V. and Nguyen, L.T. (2016). Improving Demand Prediction in Bike Sharing System by Learning Global Features. Retrieved from https://pdfs.semanticscholar.org/6b26/f821af3593eecb8e9a9cd2f103b3bebdbd78.pdf.
三十九、Zhao, J., Deng, W., and Song, Y. (2014). Ridership and effectiveness of bikesharing: the effects of urban features and system characteristics on daily use and turnover rate of public bikes in china. Transport Policy, 35, 253-264.
四十、Andrew Trask，https://github.com/iamtrask/Grokking-Deep-Learning

指導教授

吳健生(Jiann-Sheng Wu)

審核日期

2019-7-29

推文