時間序列模型預測公共自行車短期需求變化比較研究

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：25

、訪客IP：18.97.14.91

姓名

邱裕軒(Yu-Hsuan Chiu) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

時間序列模型預測公共自行車短期需求變化比較研究
(Comparison of Time Series Models for Public Bicycle Short-Term Demand Prediction)

相關論文

★ 利用資料探勘技術建立商用複合機銷售預測模型	★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例	★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 資料探勘應用於半導體雷射產業-以A公司為例	★ 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例
★ 使用資料探勘分類技術優化YouBike運補作業	★ 特徵屬性篩選對於不同資料類型之影響
★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例	★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術
★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型	★ 基於卷積神經網路之身分識別系統
★ 能源管理系統電能補值方法誤差率比較分析	★ 企業員工情感分析與管理系統之研發
★ 資料淨化於類別不平衡問題: 機器學習觀點	★ 資料探勘技術應用於旅客自助報到之分析—以C航空公司為例

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 (2030-7-1以後開放)

摘要(中)

隨著永續發展與淨零排放成為全球關注議題，公共自行車系統在推動綠色運輸與智慧城市建設中展現了潛在的價值。透過各區域站點所蒐集之即時資料，結合天氣與時間等外部資訊，可以有效預測需求變化量並有系統地調整營運資源。本研究以臺中市 YouBike 2.0 系統為研究對象，比較不同時間序列模型於短期需求預測之表現。
雖然近年來已有部分研究應用機器學習方法預測公共運輸需求，但鮮少有研究系統性比較多種時間序列模型在不同場域與預測區間下之表現，導致營運單位做出即時調度決策時缺乏足夠的參考依據。本研究實驗利用 ARIMA、XGBoost 與 LSTM 三種預測模型，並加入時間與天氣特徵進行預測分析，從站點層級評估模型在短期預測任務下的準確性，並透過消融實驗分析特徵組合對預測準確度之影響。實驗結果顯示，XGBoost 在大多數情境中具備最佳整體預測表現，特別是在高使用量站點與較長預測時間下，R² 可達 0.53 以上。LSTM 模型於部分站點亦表現穩定，惟對資料完整性與特徵變動較為敏感，在較長時間預測下具有較佳準確性。ARIMA 模型整體表現不佳，無法有效處理非線性與高波動性資料。此外，加入過多時間與天氣特徵未能進一步提升預測效能，反而在僅使用單一天氣特徵時表現更佳。空間場域分析結果顯示，學區型與商圈型站點因使用模式較為規律，預測效果較佳。
本研究建立一套具擴展性與實務應用價值的預測流程，提供模型選擇與特徵設計之建議，期能作為未來智慧交通管理與綠色運輸調度政策的重要參考。

摘要(英)

This study explores short-term demand forecasting for public bicycle systems using the YouBike 2.0 system in Taichung. Although machine learning has been applied to transport demand prediction, few studies have systematically compared statistical, machine learning, and deep learning models across different station types and forecast horizons. This research develops ARIMA, XGBoost, and LSTM models, integrating temporal and weather features, and evaluates their performance through feature combination and ablation experiments.
Results show that XGBoost consistently outperforms other models, achieving R2 values above 0.53 at high-demand stations and longer intervals. LSTM demonstrates stable performance at select stations but is more sensitive to data quality and feature dimensions. ARIMA performs poorly overall due to its limited adaptability to nonlinear and volatile demand. Moreover, including too many time and weather features does not improve performance. On the contrary, excessive features reduce accuracy, while using a single weather variable (e.g., rainfall or temperature) yields better results. Spatial analysis also reveals that stations in school and commercial zones, where usage patterns are more regular, yield higher predictive accuracy.
This study offers a scalable forecasting framework and practical insights for model selection, feature engineering, and real-time dynamic deployment in public bicycle systems.

關鍵字(中)

★ 機器學習
★ 時間序列預測
★ 公共自行車
★ 資料探索分析
★ 特徵工程

關鍵字(英)

★ machine learning
★ time series forecasting
★ public bicycle
★ exploratory data analysis
★ feature engineering

論文目次

一、緒論 1
1.1. 研究背景 1
1.2. 研究動機 2
1.3. 研究目的 4
1.4. 論文架構 5
二、文獻回顧 6
2.1. 公共自行車發展現況 6
2.2. 短期需求預測方法 7
2.3. 影響需求變化之變數 9
2.4. 文獻總結與比較 10
三、研究方法 12
3.1. 研究流程 12
3.2. 資料蒐集 14
3.2.1. 資料來源和範圍 14
3.2.2. 氣象資料 15
3.3. 資料前處理 16
3.3.1. 資料探索分析 16
3.3.2. 特徵工程 20
3.4. 資料分群設定 22
3.5. 模型訓練與參數設定 23
3.6. 模型表現評估與比較 24
3.6.1. 評估指標 24
3.6.2. 比較基準 26
3.7. 實驗環境與工具 26
四、實驗結果 27
4.1. 單一站點預測之實驗結果 27
4.1.1. 不同預測模型之比較 27
4.1.2. 不同預測時間區間之比較 28
4.2. 多站點模型表現分析 30
4.3. 特徵組合對模型影響分析 34
4.3.1. 加入天氣特徵之模型效果分析 34
4.3.2. 單一天氣特徵分析（消融實驗） 38
4.4. 模型整體比較與適用性分析 40
五、結論 42
5.1. 結論與貢獻 42
5.2. 未來研究方向與建議 43
參考文獻 44

參考文獻

交通部運輸研究所（2018）。《規劃運輸部門2050淨零排放路徑、策略及行動計畫》。交通部運輸研究所。
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, 28(4). doi:10.6383/JCIT.201612_28(4).0003
鍾智林、簡佑勳（2014）。公共自行車時空分析法之構建與營運策略改善-以台北微笑自行車為例。都市交通，29（1），1–10。
侯冠宇, 李有容, 江芝語, & 黃友信. (2022). 臺北市大眾運輸的最後一哩路與YouBike王朝的建立. 理論與政策, 25(1), 47-68.
陳哲安. (2019, January 1). LSTM及GRU模型用於預測市區交通流量之研究. 政治大學學位論文.
YouBike 微笑單車公司. (2024). YouBike微笑單車-認識YouBike-大事記. Retrieved April 27, 2025, from https://www.youbike.com.tw/region/main/about-youbike/milestones/
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785-794). San Francisco California USA: ACM. doi:10.1145/2939672.2939785
Cheng, H., Li, M., & Zhang, H. (2024). Research on the Urban Bike-sharing Usage based on ARIMA Model. Transactions on Computer Science and Intelligent Systems Research, 5, 166-172. doi:10.62051/v10qqh77
Cheng, J., Gonçalo, C., Oded, C., & Shadi, S. A. (2024). Short-term bike-sharing demand forecasting incorporating multiple sources of uncertainties.
Easwaramoorthy, S. V., Park, J., & Cho, Y. (2020). Using data mining techniques for bike sharing demand prediction in metropolitan city. Computer Communications, 153, 353-366. doi:10.1016/j.comcom.2020.02.007
Faghih-Imani, A., Eluru, N., & Paleti, R. (2017). How bicycling sharing system usage is affected by land use and urban form: analysis from system and user perspectives. European Journal of Transport and Infrastructure Research. doi:10.18757/EJTIR.2017.17.3.3205
Feng, Y., & Wang, S. (2017). A forecast for bicycle rental demand based on random forests and multiple linear regression. In 2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS) (pp. 101-105). Wuhan, China: IEEE. doi:10.1109/ICIS.2017.7959977
Fishman, E. (2016). Bikeshare: A Review of Recent Literature. Transport Reviews, 36(1), 92-113. doi:10.1080/01441647.2015.1033036
He, L., Guo, T., & Tang, K. (2020). Dynamic Scheduling Model of Bike-Sharing considering Invalid Demand. Journal of Advanced Transportation, 2020, 1-10. doi:10.1155/2020/8843783
Jiang, W. (2022). Bike sharing usage prediction with deep learning: a survey. Neural Computing and Applications, 34(18), 15369-15385. doi:10.1007/s00521-022-07380-5
Kinoshita, S. ichi, Bando, Y., & Sayama, H. (2024, December 26). Spatio-Temporal Differences in Bike Sharing Usage: A Tale of Six Cities. arXiv. doi:10.48550/arXiv.2412.19294
Kumar, S., Agam Damaraju, Kumar, A., Kumari, S., & Chen, C. M. (2021). LSTM Network for Transportation Mode Detection. 網際網路技術學刊, 22(4), 891-902. doi:10.53106/160792642021072204016
Mehdizadeh Dastjerdi, A., & Morency, C. (2022). Bike-Sharing Demand Prediction at Community Level under COVID-19 Using Deep Learning. Sensors, 22(3), 1060. doi:10.3390/s22031060
Morton, C., Kelley, S., Monsuur, F., & Hui, T. (2021). A spatial analysis of demand patterns on a bicycle sharing scheme: Evidence from London. Journal of Transport Geography, 94, 103125. doi:10.1016/j.jtrangeo.2021.103125
Olah, Christopher. (2015). Understanding lstm networks.
Robert Nau. (2016). Introduction to ARIMA models. Fuqua School of Business. Retrieved from https://people.duke.edu/%7ernau/411arim.htm
Torrisi, V., Ignaccolo, M., Inturri, G., Tesoriere, G., & Campisi, T. (2021). Exploring the factors affecting bike-sharing demand: evidence from student perceptions, usage patterns and adoption barriers. Transportation Research Procedia, 52, 573-580. doi:10.1016/j.trpro.2021.01.068
United Nations. (2015). Transforming our world: The 2030 agenda for sustainable development. United Nations. Retrieved from https://sdgs.un.org/2030agenda
Zhou, S., Song, C., Wang, T., Pan, X., Chang, W., & Yang, L. (2022). A Short-Term Hybrid TCN-GRU Prediction Model of Bike-Sharing Demand Based on Travel Characteristics Mining. Entropy, 24(9), 1193. doi:10.3390/e24091193

指導教授

蔡志豐

審核日期

2025-7-21

推文