在整個台北捷運場站環境中，廣告數量不斷持續增加的情形下，恐會對行經於場站中的旅客產生所謂的廣告干擾(Advertising Clutter)影響。然而目前台北捷運公司在廣告的規範上，並沒有對於廣告數量的限制設定。基於期望能在未來提供管理單位，對於交通環境中的廣告數量設定建議，本研究將初步探討個別單幅廣告對於旅客的影響。
本研究工作內容包含三部分：(1)本研究將運用資訊理論(Information Theory)將廣告量化，將廣告的資訊量以(Shannon Entropy)作為控制量。(2)透過控制實驗的方式，控制單一幅廣告的資訊量層級大小，觀測受測者對於廣告的反應。(3) 建立支援向量迴歸(Support Vector Regression, SVR)模式，探討個別單幅廣告對旅客之影響。本研究建立模式分為兩個部分，核心模式為僅考慮廣告「資訊量」與「廣告干擾」的關係，另一模式為基於核心模式上加入個人對於廣告的「偏好」。另外，亦使用順序羅吉斯迴歸(Ordered Logistic Regression Model)，分別建立「偏好-主觀情緒」與「偏好-客觀情緒」模式；前者探討廣告偏好與Russell環境體驗情緒之間的關係，後者為探討廣告偏好與表情分析情緒之間的關係。
歸納本研究的重要發現：(1)本研究運用支援向量迴歸建立廣告「資訊量」與「廣告干擾」的關係以及加入「偏好」變數的兩種SVR模式，雖然兩種模式預測效能與我們的預期有些許落差，但已達到可接受之預測能力(MAPE<50%)。(2)運用情感運算(Affective Computing)的表情分析，所建立的「客觀情緒」與「偏好」順序羅吉斯迴歸模式，可用於預測人對於廣告的偏好感受；並且納入偏好感受可提升支援向量迴歸對於廣告干擾值的預測能力。而在構建「主觀情緒」與「偏好」的部分，則其結果不符合等成比例發生比假設條件(proportional odds assumption)。(3)本研究將SVR預測結果進行落點分佈檢視，並依循落點分佈層級進行分群結果能有效提升SVR之預測能力。惟本研究嘗試以現有的「性別」與「捷運搭乘頻率(每週搭乘天數)」兩種外顯變數，分別以「決策樹」與「潛在類別」兩種分群法的方式進行落點集群之分群效果不佳，且依據此分群結果所建立的SVR模式之預測能力亦無顯著的提升。

The number of advertisement has increased enormously in the stations of Taipei Metro System, which may cause so-called “Advertising Clutter” to Metro commuters. However, this issue has long been neglected and there is no such regulation regarding total quantity control by the management of Taipei Rapid Transit Corporation (TRTC). Due to this particular concern, this thesis proposes an initiative study on how the presence of an individual commercial advertisement affects the metro commuters. Hopefully, it may serve the foundation to total advertisement quantity control in each Metro station, where the effects of all advertisements will be accumulated.
There are three major parts in this thesis: (1) To quantify each advertisement by the concept of Shannon Entropy, (2) Using controlled experiment technique to observe the response of a selected group of commuters to each single advertisement with various designated Entropy level, (3) Two variant support vector regression (SVR) models being constructed to relate the advertisement entropy to the advertising clutter with or without including individual commuter’s preference toward the advertisement. In addition, Ordered Logistic Regression Models were investigated to depict the relation between commuter’s preference to subjective affective components defined by Russell’s eight emotional experience variables and objective affective components defined by eight emotional attributes of Microsoft Emotion API using Azure Media Face Detector.
The major findings of this thesis are: (1) The SVR models being successfully constructed with acceptable MAPE (less than 50%), although not ideal; (2) Preference-objective affection model being a better model than preference-subjective affection model due to the violation of proportional odds assumption by the later; and (3) Market segmentation by placement showing dramatic improvement over generic SVR model, however, efforts to construct placement clusters by Latent Preference model or decision tree technique being not successful using current data available.

目錄
第1章	緒論	1
1.1	研究動機與背景	1
1.2	研究目的	3
1.3	研究範圍與對象	4
1.4	研究流程	4
第2章	文獻回顧	6
2.1	交通場站視覺環境	6
2.1.1	交通環境中的交通資訊	7
2.1.2	交通環境中的廣告現況與規範	7
2.2	廣告的影響與環境視覺認知	9
2.2.1	廣告的影響定義	9
2.2.2	廣告影響效果	10
2.2.3	小結	10
2.2.4	環境視覺認知	12
2.3	資訊量化的方式	13
2.3.1	資訊理論-訊息熵	13
2.3.2	資訊量的影響	15
2.3.3	資訊量相關實證研究	16
2.4	環境情緒與情感運算	17
2.4.1	環境情緒感受	17
2.4.2	環狀情緒模型	18
2.4.3	情緒與環境色彩的關係	19
2.4.4	情感運算	20
2.5	文獻小結	21
第3章	研究方法	22
3.1	廣告物理量	24
3.1.1	RGB色彩空間	24
3.1.2	影像色彩複雜度	25
3.1.3	廣告資訊量計算方式與範例	26
3.1.4	廣告影像收集	28
3.1.5	廣告資訊量分組方法與結果	29
3.2	控制實驗設計	30
3.2.1	主觀情緒調查	31
3.2.2	客觀情緒測量-情感運算(Affective Computing)	34
3.2.3	第一階段實驗	36
3.2.4	第二階段實驗	39
3.3	資料分析與模式建立方式	44
3.3.1	資料分析方式	44
3.3.2	支援向量迴歸基本理論	46
3.3.3	參數篩選	51
3.3.4	參數調校法則	52
3.3.5	羅吉斯迴歸基本理論	53
第4章	實驗結果與模式構建	56
4.1	調查資料分析	56
4.1.1	基本資料分析	56
4.1.2	控制實驗結果	60
4.2	模式構建	62
4.2.1	模式1-核心預測模式設計	62
4.2.2	模式2-加入廣告偏好變數之預測模式	62
4.2.3	模式校估	63
4.2.4	模式驗證	64
4.2.5	模式比較分析	65
第5章	實證分析	66
5.1	支援向量迴歸預測模式	66
5.1.1	資料預處理-正規化	66
5.1.2	K-fold交叉驗證調校最佳參數	67
5.1.3	模式自我驗證	71
5.1.4	模式比較	72
5.2	支援向量迴歸模式分群討論	73
5.2.1	各落點分佈層級之分群模式結果	73
5.2.2	決策樹分群與潛在類別分群結果	76
5.2.3	決策樹分群與潛在類別分群SVR模式建立	81
5.3	廣告偏好感受與主、客觀情緒	82
5.3.1	模式a-廣告偏好-客觀情緒模式	82
5.3.2	模式b-廣告偏好-主觀情緒模式	83
5.3.3	等成比例發生比假設條件檢定(proportional odds assumption)	83
5.3.4	資訊量與客觀情緒預測偏好之干擾值預測SVR模式	85
第6章	結論與建議	86
6.1	結論	86
6.2	建議	88
參考文獻	 
中文文獻	89
英文文獻	90
附錄一、 問卷	93

 
圖目錄
圖 2-1  S-O-R理論關係圖	12
圖 2-2  環境-情緒-行為反應關係圖	18
圖 2-3  情緒體驗環狀模式	19
圖 3-1  研究流程圖	23
圖 3-2  RGB色彩組成	24
圖 3-3  影像數位化流程	25
圖 3-4  廣告範例	26
圖 3-5  廣告範例之各階像素點出現機率分布圖	27
圖 3-6  EMOTION API運作畫面	35
圖 3-7  測試畫面廣告範例	37
圖 3-8  第一階段實驗流程圖	38
圖 3-9  模擬畫面範例	42
圖 3-10 第二階段實驗流程圖	43
圖 3-11 非線性映射函數	46
圖 3-12 支援向量迴歸架構示意圖	49
圖 4-1  綜覽角度畫面評分佔比長條圖	59
圖 5-1  模式1之SVR參數選擇結果圖	68
圖 5-2  模式1之SVR參數選擇結果圖(精準搜尋)	68
圖 5-3  模式2之SVR參數選擇結果圖	69
圖 5-4  模式2之SVR參數選擇結果圖(精準搜尋)	70
圖 5-5  模式1決策樹分類規則圖	77
圖 5-6  模式2決策樹分類規則圖	78

表目錄
表 2-1  視覺資訊分類表	6
表 2-2  台北捷運廣告媒體類型	8
表 2-3  SHANNON資訊熵公式	15
表 3-1  廣告資訊量計算彙整表	27
表 3-2  廣告品項現況比例	28
表 3-3  資訊層級分類表	29
表 3-4  控制實驗研究內容	30
表 3-5  控制實驗階段執行工作摘要表	31
表 3-6  問卷結構表	32
表 3-7  EMOTION API 客觀表情值	35
表 3-8  控制因子表	39
表 3-9  觀測變數表	39
表 4-1  受測者社經特性分配比例彙整表	56
表 4-2  受測者認知態度比例彙整表	57
表 4-3  不適當廣告擺放位置比例彙整表	58
表 4-4  廣告偏好評分敘述統計	60
表 4-5  廣告偏好值敘述統計	60
表 4-6  主觀情緒敘述統計	61
表 4-7  模式預測能力評估準則	65
表 5-1  兩模式使用資料筆數	67
表 5-2  兩預測模式參數調校結果	70
表 5-3  兩預測模式權重係數	70
表 5-4  前75%訓練資料模式自我驗證彙整表	71
表 5-5  後25%資料模式自我驗證彙整表	71
表 5-6  模式參數比較彙整表	72
表 5-7  模式預估精準度比例分配表	72
表 5-8  各落點層級分群結果彙整表	74
表 5-9  模式1各落點分佈層級分群預測能力彙整表	74
表 5-10 模式2各落點分佈層級分群預測能力彙整表	75
表 5-11 模式1決策樹分群結果正確百分比彙整表	76
表 5-12 模式2決策樹分群結果正確百分比彙整表	78
表 5-13 模式1潛在類別分群統計分析結果	79
表 5-14 模式1潛在類別分群彙整表	80
表 5-15 模式2潛在類別分群統計分析結果	80
表 5-16 模式2潛在類別分群彙整表	80
表 5-17 模式1分群、不分群模式預測能力彙整表	81
表 5-18 模式2分群、不分群模式預測能力彙整表	81
表 5-19 偏好與客觀表情顯著性分析表	82
表 5-20 偏好與主觀情緒感受顯著性分析表	83
表 5-21 等比例發生比條件檢定表	84
表 5-22 模式預估比較結果	85

中文文獻
1.	臺北市政府捷運工程局(2017) ，「台北捷運媒體手冊」。

2.	陳育文(2004)，「廣告招牌及植栽對視覺認知與街道景觀偏好之影響」。

3.	蘇韋誠(2011)，「網路廣告干擾性對廣告效果與干擾效果影響之研究」。

4.	李素馨(1997)，「都巿視覺景觀偏好之研究」，行政院國家科學委員究計畫成
會專題研果報告。

5.	翁婉如(2004)，「網路廣告設計呈現方式對廣告價值、廣告效果的影響—以產品涉入與廣告涉入為干擾效果之探討」。

6.	李英弘、梁文嘉(2000)，「景觀評估中之心理學模式之探討」。

7.	劉長儒(2013)，「運用情感運算技術分析行動媒體介面配置對使用者疲勞及注意力的影響」。

8.	林珮寧(2009)，「從通用設計觀點探討指標系統設計之研究-以捷運臺北車站和站前地下街為例」。

9.	李素馨(1995)，「環境知覺與環境美質評估」。

10.	李素馨(1997)，「都巿視覺景觀偏好之研究」。

11.	魏碩廷、楊清田(2006)，「色彩數量與面積因素影響圖像複雜度之量化研究」。

12.	溫道遠(2008)，「地下街『引導性指標』對尋路行為影響之研究-以台北車站周邊標示大眾運輸系統位置之引導資訊的評估為例」。

13.	李英弘、梁文嘉(2000)，「景觀評估中之心理學模式之探討」。

14.	林品章、許子凡(2007)，「圖像符號視覺文法的判讀樣態」。

15.	林立農，2000，交通標誌內含資訊量與駕駛者行為反應關係之研究。國立雲林科技大學工業工程與管理研究所碩士論文。

16.	董啟崇、葉蕢誠(2016)，「應用支援向量迴歸於交通資料遺失值之插補：以固定式車輛偵測器資料為例」。淡江大學運輸管理學系碩士論文。


英文文獻
1.	Burke, M., Hornof, A., and Nilsen E., “High-Cost Banner Blindness: Ads Increase Perceived Workload, Hinder Visual Search, and Are Forgotten,” ACM Transactions on Computer-Human Interaction, 2005, Vol. 12, No.4, pp. 423-445
2.	Ducoffe, R. "How consumers assess the value of advertising," Journal of Current Issues and Research in Advertising (17:1) 1995, pp 1-18.
3.	Edwards, Steven M; Li, Hairong; Lee, Joo-Hyun, “Forced exposure and psychological reactance: antecedentd and consequences of the perceived intrusiveness of pop-up ads,”Journal of Advertising, 2002, Vol. 31, No. 3, pp. 83-95.
4.	Gordon, D. A., 1981, Assessment of Guide Sign Informational Load, HUMAN FACTORS. Vol. 23, no. 4, pp. 453-466.
5.	Holahan C.J., Culler R.E., and Wilcox B.L., 1978, “Effects of Visual Distraction on Reaction Time in a Simulated Traffic Environment”, Human Factors, vol. 20, no. 4, pp.409-413.
6.	Jacob, J., Speller, D. E., & Berning, C. K., 1974, “Brand choice behavior as a function of information load”, Journal of marketing research, vol. 11, pp. 63-69.
7.	Katov, M., Nomura, N. & Ito, K., 2003, The visual information load as a parameter for designing pleasurable environment, DPPI 03, ACM1-58113-652-8/03/0006, Pittsburgh, Pennsylvania, USA.
8.	Keller, K. L. & Staelin, R., 1987, “Effects of quality and quantity of information on decision effectiveness”, Journal of consumer research, vol.14, pp.200-213.
9.	Li, H., Edwards, S., & Lee, J., “Measuring the intrusiveness of advertisements: scale development and validation,” Journal of Advertising, 2002, Vol. 31, No. 2, pp. 37-47.
10.	Lurie, N. H., 2004, “Decision marking in information rich environments: the role of information structure”, Journal of consumer research, vol.30, pp.473-487.
11.	Picard, R. W. (1997). Affective Computing, Cambridge: MIT Press.
12.	Settle, R. B. & Linda, L. G., 1974, “Attribution theory and advertiser credibility”,Journal of marketing research, vol. 11, pp.181-185.
13.	Winter, F. W. F., 1973, “A laboratory of individual attitude response to advertising exposure”, Journal of marketing research, vol.10, pp.130-140.
14.	Yukiharu Akagi, Takuya Seo, Yoshitaka Motoda, 1997, “Influence of Visual Environments on Visibility of Traffic Signs”, Transportation Research Record, 1553, pp.53-58.
15.	Zheng, M-C. (2012). Time constraints in emergencies affecting the use of information signs in wayfinding behavior. Procedia - Social and Behavioral Sciences, 35, pp.440-448.
16.	Zube, E. H., Sell, j. l, Taylor, J, G.(1982). Landscape perception research,application and theory. Landscape Planning, 9(1), 1-33.