鑒於目前學校電腦教室的普及，尋找學生借用電腦與校園生活的相關性，已經成為如何分配學校資源的重要議題。由於學校生活環境所產生的資訊，如天氣、有無下雨、學校活動等，皆可能影響學生借用電腦的情形，所以利用學生借用電腦情形與學校開放資料進行智能分析，尋找學生借用電腦的模式，以實現校園的資源分配。 
本研究主要透過實習室借用資料、行事曆以及天氣，探討分析實習室的使用情況，探討分析出使用率的影響因素，提供決策者，該時段或者該日是否需要人手調度來管理實習室或該實習室是否需要長時間開放。

In view of the current popularity of school computer classrooms, looking for students to borrow computers and campus life relevance, has become an important issue of how to allocate school resources. Because of the information generated by the school living environment, such as the weather, whether the rain, school activities, etc., may affect the students to borrow the computer situation, so the use of computer users and the school open information for intelligent analysis, to find students to borrow computer model, To achieve the allocation of resources on campus.
This study mainly uses the information, calendar and weather of the practice room to explore the analysis of the use of the practice room, to explore the analysis of the impact of the use of factors to provide decision-makers, the time or whether the need for manual scheduling to manage the practice room or the Whether the internship room needs to be open for a long time.

目錄
目錄	III
圖目錄	VI
表目錄	IX
第一章 緒論	1
1.1研究背景	1
1.2研究動機	2
1.3研究目的	2
1.4論文架構	3
第二章 相關研究	4
2.1關聯規則	4
2.1.1關聯規則定義與說明	5
2.1.2關聯規則類型	8
2.1.3 關聯規則演算法	10
2.1.4 關聯規則的應用	13
2.2舒適度	16
2.2.1舒適度定義與說明	16
第三章 研究方法與案例探討	17
3.1研究流程	17
3.2收集資料	18
3.2.1實習室借用資料	18
3.2.2學校行事曆	18
3.2.3天氣資料	19
3.3預處理	19
3.3.1實習室借用資料預處理	19
3.3.2行事曆資料預處理	22
3.3.3天氣資料預處理	26
3.4統計探討	27
3.4.1實習室與使用率探討	27
3.4.2上午與下午使用率探討	34
3.4.3使用率7成以上與星期探討	44
3.5探討分析	50
3.5.1探討分析流程	50
3.5.2教室之間關聯分析	51
3.5.3行事曆關聯探討	60
3.5.4教室與天氣關聯分析	64
第四章 結論與未來方向	69
4.1結論	69
4.2未來方向	70
參考文獻	71
附錄一 英文論文	74

圖 1 概念層級樹	9
圖 2 流程圖	17
圖 3 使用率sankey	28
圖 4 實習室使用率百分比	29
圖 5  A教室使用率百分比	30
圖 6  B教室使用率百分比	30
圖 7  C教室使用率百分比	31
圖 8  D教室使用率百分比	31
圖 9  E教室使用率百分比	32
圖 10 F教室使用率百分比	32
圖 11 G教室使用率百分比	33
圖 12上午使用率	35
圖 13 A教室上午使用情況	36
圖 14 B教室上午使用情況	36
圖 15 C教室上午使用情況	37
圖 16 D教室上午使用情況	37
圖 17 E教室上午使用情況	38
圖 18 F教室上午使用情況	38
圖 19 G教室上午使用情況	39
圖 20 下午使用率	39
圖 21 A教室下午使用情況	40
圖 22 B教室下午使用情況	40
圖 23 C教室下午使用情況	41
圖 24 D教室下午使用情況	41
圖 25 E教室下午使用情況	42
圖 26 F教室下午使用情況	42
圖 27 G教室下午使用情況	43
圖 28 使用率與星期sankey	44
圖 29 星期與實習室使用率7成以上百分比	46
圖 30 星期一與實習室使用率7成以上百分比	46
圖 31 星期二與實習室使用率7成以上百分比	47
圖 32 星期三與實習室使用率7成以上百分比	48
圖 33 星期四與實習室使用率7成以上百分比	48
圖 34 星期五與實習室使用率7成以上百分比	49
圖 35 關聯分析流程	51
圖 36 A教室關聯規則	52
圖 37 B教室關聯規則	53
圖 38 C教室關連規則	53
圖 39 D教室關連規則	54
圖 40 E教室關連規則	54
圖 41 F教室關連規則	55
圖 42 G教室關連規則	55
圖 43 行事曆事件	60
圖 44 舒適度關聯規則	65
圖 45 有無下雨關聯規則	65

表 1 關聯規則演算法	13
表 2 實習室借用資料來源說明	18
表 3 學校行事曆資料來源說明	18
表 4天氣資料來源說明	19
表 5 每10分鐘各實習室使用數量	20
表 6 每日實習室超過7成使用數量	21
表 7 每日各實習室高使用率	22
表 8 行事曆分類	22
表 9 行事曆學生相關事件	25
表 10 舒適度轉換類別	26
表 11 有無下雨	27
表 12 教室之間準備分析資料	51
表 13 關聯規則-LIFT最高	56
表 14 關聯規則-結果	58
表 15 高使用率關聯對照	59
表 16 行事曆甘特圖1	61
表 17 行事曆甘特圖2	61
表 18 行事曆甘特圖3	62
表 19 行事曆甘特圖4	62
表 20行事曆甘特圖5	62
表 21 行事曆活動整合	63
表 22 教室與天氣準備分析資料	65
表 23 舒適度-LIFT最高	66
表 24 有無下雨-LIFT最高	66
表 25 舒適度-結果	67
表 26 有無下雨-結果	67

[1]	吳鴻志（2002）「運用關連式法則分析異常 WAT 良率之機台組合」，中正大學會計學研究所碩士論文。
[2]	許玉金,張博雄(2014)「台灣體感溫度初步分析」，中央氣象局104年度天氣分析與預報研討會。
[3]	黃裕煒, 鐘太郎(2000)「應用模糊控制在空調舒適度及省能控制之研究」，國立化彰化師範大學工業教育學系碩士論文，P6。
[4]	洪紹鯤（1999）「半導體製程之資料探勘」，台灣科技大學電機工程研究所碩士論文。
[5]	陳建銘（2001）「類神經網路於 Web Mining 之應用」」，台北科技大學商業自動化 與管理研究所碩士論文。
[6]	Han, J. and M. Kamber, Data Mining: Concepts and Techniques, San Francisco, CA, USA: Morgan Kaufmann, 2000.
[7]	Berry, M., and Linoff, G., Data Mining Techniques for Marketing, Sales and Customer Support, John Wiley and Sons, New York, 1997.
[8]	Agrawal, R. and Srikant, R., “Mining Quantitative Association Rules in Large Relational Tables,” Proc. of the ACM-SIGMOD 1996 Conference on Management of Data, Montreal, Canada, June 1996.
[9]	Han, J. and Yongjian, “Discovery of Multiple-Level Association Rules from Large Databases,” Proceddings of the 21st VLDB Conference, 1995.
[10]	Agrawal, R. and Srikant, R., “Fast Algorithms for Mining Association Rule, ” Proc. of the 20th International Conf. on Very Large Data Bases, 1994, pp. 487-499.
[11]	Wur, Suh-Ying and Yungho Leu, “An effective Boolean algorithm for mining association rules in large databases,” Proceedings of the 6th International Conference on Database Systems for Advanced Applications, 1999, pp.179 –186.
[12]	Savasere, A., Omiecinski, E. and S. Navathe(1995),“An Efficient Algorithm for Mining Association Rule in Large Databases,” Proceeding of 21th VLDB, pp. 432-444.
[13]	Jong, S. P., Chen, Ming-Syan, and Yu, P. S., “An Effective Hash-Based Algorithm for Mining Association Rules,” Proc ACM SIGMOD, 1995, pp.175-186.
[14]	Wur, Suh-Ying and Yungho Leu, “An effective Boolean algorithm for mining association rules in large databases,” Proceedings of the 6th International Conference on Database Systems for Advanced Applications, 1999, pp.179 –186.
[15]	Chen, Yun-Shiow and Min-Xun Guo, 2002, “A Study for the Determination of Threshold Value of Supportability in Association Rule – From Cost Viewpoint,” The 16th Asia Quality Symposium 2002, Japan, November 2002.
[16]	Feyyad, U.M., “ Data mining and knowledge discovery: making sense out of data”, IEEE Expert, Vol. 11 , no. 5 , 1996, pp.20 – 25
[17]	Song, H. S., Kim, J. k. and Kim, S. H., “Mining the change of customer behavior in an internet shopping mall”, Expert Systems with Applications,Vol.3,2000,pp18-74.
[18]	Chen, M. C.(2003), “Configuration of Cellular Manufacturing Systems Using Association Rule Induction,” International Journal of Production Research, 41(2.)pp. 381–395.
[19]	葉忠、吳恆睿（2002），「中醫院揀藥作業儲位規劃之研究」，運籌研究期刊，第二期，39-84 頁。
[20]	Zormana, M., Masudab, G., Kokola, P., Yamamotob, R. and B. Stiglica, “Mining Diabetes Database With Decision Trees and Association Rules,” Computer-Based Medical Systems 2002, Proceedings of the 15th IEEE Symposium on, 2002, pp. 134 – 139.