臺北捷運木柵延伸線將於98年6月底正式通車，成為國內軌道運輸系統使用移動閉塞行車制之先例。在過去制度中，列車一般由軌道之閉塞區間進行定位，無法精確得知列車所處之位置，造成軌道空間利用上之浪費。本研究旨在建立一套能反應移動閉塞行車制度之模擬模式，供營運者在不需以實體列車測試下進行策略分析，進而作為營運上之參考。

本研究以移動閉塞行車制度為前提，建構包含旅客、列車、營運者之模擬模式，以充分反應各層面之互動。過去捷運列車調度之模擬模式大致可分為不連續事件模擬以及連續性時間模擬。不連續事件模擬有著快速求解、處理便利之優勢，然其無法描述系統細部模組互動。本研究考量到移動閉塞行車制下車與車互相影響之特性，決定以連續性時間模擬作為模式構建之依據。並基於模糊理論能反應調度措施對列車影響之優勢，選擇以模糊跟車方法取代傳統行車動力學。

鑒於派翠網路能傳達多種資訊之優勢。本研究將模糊跟車規則之推論過程以模糊派翠網路進行呈現，再以時間派翠網路架構車站內旅客之上下車行為，並將兩者混合以描述列車運行與停站時旅客行為之切換。同時營運者可分別透過改變模糊派翠網路之模糊指標以及時間派翠網路之時間區間影響列車與旅客之行為。

本研究以臺北捷運木柵線與內湖線(包含木柵線區段)作為模擬對象，探討在引進移動閉塞行車制後可能之運轉策略、最短發車班距、延誤發生時採行之調度策以及月台旅客過多造成車站壅塞時之反應策略之績效。

研究結果發現：
1.捷運公司實測之最短班距72秒，經模擬驗證後認為應可再下修至68秒。透過本研究提出之營運模式，能在有條件之狀況下進一步縮短至61秒。
2.延誤發生後之班距回復時間受發車班距長短、時刻表調整門檻、時刻表調整程度、車站駐車時間等多方因素影響。
3.提出旅客適應性之調度策略，能在不縮短發車班距之情形改善旅客候車時間。

Taipei Nei-Hu Rapid Transit Line applying the first Moving Automatic-Blocking System (MAS) in Taiwan has been officially in operation since 4th July 2009. Comparing with MAS, current train control systems using Fixed Automatic-Blocking System (FAS) result in problems of insufficient railway capacity. This study aimed at developing a simulation model to conduct several scenario surveys on operational strategies for Taipei Nei-Hu Rapid Transit Line.

Based on Petri Nets approach, a simulation model considering interactions among passengers, trains and the rapid transit operator was developed. Referring to literature review, there are three types of simulation models of train dispatching for urban rapid transit systems – discrete event, continuous time and the hybrid simulation. Discrete event simulation models have the advantages of quick solution and convenience of handling; however, it could not describe the detailed interaction of models. Considering continuous train positioning by using MAS, continuous time simulation model was chosen. Besides, considering the influence of dispatching measures on train, fuzzy theory was used to depict train moving behavior instead of using traditional train movement dynamics.

In addition, Petri Nets can transmit different kinds of information, the inference process of fuzzy train moving rule by Fuzzy Petri Nets (FPN) was used. Time Petri Nets (TPN) was used to describe passengers’ behavior of getting on and off within the stations. These both approaches were used to describe passengers’ change in behavior as trains move and stop at stations. Besides, operators could influence trains and passengers’ behavior by changing the fuzzy index of FPN and the time interval of TPN.

Taipei Mucha Line with Neihu Line was taken as the empirical study to investigate possible operation strategies such as rescheduling, the shortest headway, performance of dispatching when delays occur and responsive strategies toward stations with crowded passengers.

The results of this study revealed:
1.The shortest headway in Taipei Nei-Hu Rapid Transit Line field trial was 72 seconds, however, with numerous simulation tests it could be reduced to 68 seconds.
2.The restoring time when delays occur was influenced by factors such as the duration of headway, threshold in adjusting timetable, adjustment extent of timetable and duration that trains stop at stations.
3.A dispatching strategy of passengers’ adaption which could reduce the time of waiting without reducing train headway was suggested in this study.

目錄
目錄	i
表目錄	iv
圖目錄	vi
第一章  緒論	1
1.1研究背景與動機	1
1.2研究目的	2
1.3研究範圍與限制	2
1.4研究方法與流程	3
第二章  文獻回顧	5
2.1閉塞制度	5
2.1.1固定閉塞制度	5
2.1.2移動閉塞制度	7
2.2移動閉塞相關文獻	9
2.3國內捷運系統之調度模擬研究	9
2.4小結	10
第三章 研究方法	11
3.1派翠網路	11
3.1.1派翠網路基本組成	11
3.1.2派翠網路推論機制	12
3.1.3派翠網路與流程圖之比較	14
3.2高階派翠網路	16
3.2.1模糊派翠網路	16
3.2.1時間派翠網路	18
3.3派翠網路於交通領域之文獻探討	20
3.4小結	21
第四章　模式構建	22
4.1系統組成	22
4.2列車控制模組	23
4.2.1子模組劃分	23
4.2.2模糊函數建立	24
4.2.3模糊規則之設立	28
4.2.4跟車派翠網路	29
4.3月台監控模組	31
4.3.1旅客到達調查方法與處理	32
4.3.2調查結果與分析	33
4.3.3旅客OD產生方式	34
4.3.4旅客上下車人數與時間之關係	36
4.3.5月台時間派翠網路	36
4.4營運管理模組	39
4.4.1延誤反應策略	39
4.4.2旅客適應性策略	40
4.4.3站間停等營運模式	41
4.5績效指標	44
4.5.1旅客指標	44
4.5.2列車指標	44
第五章　實證分析	46
5.1輸入參數	46
5.1.1時刻表參數	46
5.1.2其他參數	49
5.2模式驗證	50
5.3班距測試	52
5.3.1極限班距測試	52
5.3.2站間停等營運模式測試	52
5.4延誤反應策略敏感度分析	56
5.4.1木柵線模擬分析	57
5.4.2內湖線模擬分析	69
5.4.2.1發車班距90秒模擬	69
5.4.2.2發車班距170秒模擬	72
5.5旅客適應性策略敏感度分析	76
第六章  結論與建議	79
6.1結論	79
6.2建議	80
參考文獻	81
 
表目錄
表3.1 流程圖與派翠網路模式比較	15
表4.1 列車跟車模糊指標	25
表4.2 本研究篩選之模糊指標	25
表4.3 跟車模組模糊規則表	28
表4.4 跟車模組模糊規則表	29
表4.5 車站分級結果	33
表4.6 旅客調查人數	33
表4.7 旅客OD比率	35
表4.8 狀態節點敘述表	38
表4.9 轉移節點敘述表	38
表4.10 轉移節點運作時間限制	39
表5.1 內湖線與木柵線車站駐車時間	47
表5.2 內湖線與木柵線站間行駛時間	48
表5.3 內湖線與木柵線站間行駛距離	49
表5.4 內湖線與木柵線行駛時間驗證表	51
表5.5 小時通過列車數與門檻值之關係	53
表5.6 各情境小時停車時間與68秒班距差異	54
表5.7 各情境瓶頸車站小時總停車時間與68秒班距差異	55
表5.8 忠孝復興站時刻表調整績效指標	58
表5.9 不同延誤下之時刻表調整策略使用情形	63
表5.10 忠孝復興站駐車時間調整方案	66
表5.11 東湖站時刻表調整績效指標(發車班距90秒)	70
表5.12 東湖站駐車時間調整方案(發車班距90秒)	72
表5.13 東湖站時刻表調整績效指標(發車班距170秒)	73
表5.14 東湖站駐車時間調整方案(發車班距170秒)	75
表5.15 增加駐車時間調整方案之績效指標	76
表5.16 加開班次方案之績效指標	77
表5.17 增加駐車時間方案與加開班次方案混合之績效指標	78
 
圖目錄
圖1.1 研究流程	4
圖2.1 感應線圈式移動閉塞	7
圖2.2 移動閉塞定位方式	8
圖3.1 派翠網路基本組成	12
圖3.2 派翠網路基本推論網路	13
圖3.3 單一輸入模糊派翠網路(狀態推論)	16
圖3.4 多輸入模糊派翠網路(狀態推論)	17
圖3.5 單一輸入模糊派翠網路(轉移推論)	17
圖3.6 多輸入模糊派翠網路(轉移推論)	17
圖3.7 模糊派翠網路、模糊理論、知識庫推論之關係	18
圖4.1 本研究模擬模組之劃分與輸出入關係	23
圖4.2 跟車子模組適用狀況(1)	24
圖4.2 跟車子模組適用狀況(2)	24
圖4.4 效率糢糊函數	27
圖4.5 安全模糊函數	27
圖4.6 舒適糢糊函數	27
圖4.7 停車糢糊函數	27
圖4.8 模糊指標與加減速之關係圖	28
圖4.9 列車控制模組模糊派翠網路	30
圖4.10 月台行為流程劃分	31
圖4.11 木柵線南下、北上進站人數(98.3,16~20平均)	32
圖4.12 月台監控模組時間派翠網路	37
圖4.13 內湖線運轉時空圖(班距60秒)(1)	42
圖4.14 內湖線運轉時空圖(班距60秒)(2)	42
圖4.15 內湖線運轉時空圖(班距60秒、門檻值10)(1)	43
圖4.16 內湖線運轉時空圖(班距60秒、門檻值10)(2)	43
圖5.1 木柵暨內湖線班距與小時通過列車數關係圖	52
圖5.2 方案啟動值與平均車內旅行時間關係圖(木柵線)	59
圖5.3 方案啟動值與平均車站等候時間關係圖(木柵線)	59
圖5.4 方案啟動值與班距復原時間關係圖(木柵線)	60
圖5.5 方案啟動值與列車總延滯關係圖(木柵線)	60
圖5.6 木柵線運行時空圖(延誤300秒，90秒時刻表策略門檻)	61
圖5.7 木柵線運行時空圖(延誤300秒，240秒時刻表策略門檻)	62
圖5.8 不同延誤下之時刻表調整策略之調整秒數	63
圖5.9 木柵線運行時空圖(延誤300秒，不進行調度策略)	65
圖5.10 停車時間調整值與平均車內旅行時間關係圖	67
圖5.11 停車時間調整值與平均車站等候時間關係圖	67
圖5.12 停車時間調整值與班距復原時間關係圖	68
圖5.13 停車時間調整值與列車總延滯關係圖	68
圖5.14 方案啟動值與班距復原時間關係圖(內湖線，90秒發車班距)	70
圖5.15 方案啟動值與列車總延滯關係圖(內湖線，90秒發車班距)	71
圖5.16 方案啟動值與班距復原時間關係圖(內湖線，170秒發車班距)	73
圖5.17 方案啟動值與列車總延滯關係圖(內湖線，170秒發車班距)	74

參考文獻
1.	臺北大眾捷運股份有限公司(2006)，「95年度木柵延伸（內湖）線機電系統整合國外承商合約訓練－第九梯次國外訓練」，民國95年。
2.	臺北市捷運工程局(2007)，「捷運號制系統實務」，民國96年。
3.	田榮生、歐陽成(2005)，「內湖線新型中運量電聯車」，捷運技術半年刊，第33期，頁23-38，民國94年8月。
4.	安信誠二(1992)，「FUZZY工學」，全華科技圖書公司，民國81年。
5.	李治綱、陳朝輝、簡聰裕(2002)，「捷運鐵路列車延滯事件發生後行車調度策略之模擬分析」，運輸計劃季刊，第31卷，第2期，頁299-321，民國91年。
6.	張恩輔(2002)，「捷運系統運轉整理之模擬分析」，國立成功大學交通管理科學研究所碩士論文，民國91年。
7.	陳柏穎、林建仁(2006)，「內湖線行車控制系統功能」，捷運技術半年刊，第35期，頁65-76，民國95年8月。
8.	楊立安(2004)，「台灣鐵路運轉整理之研究」，國立高雄第一科技大學運籌管理研究所碩士論文，民國96年。
9.	劉嵩瀚(2006)，「不同行車制度下台鐵區段容量分析模擬模式之研究」，淡江大學運輸科學研究所碩士論文，民國95年。
10.	蔡青峰(2006)，「捷運固定閉塞區間與移動閉塞區間運能比較之研究」，國立交通大學交通運輸研究所碩士論文，民國95年。
11.	鄭元正(2004)，「依據路口壅塞偵測的機動式交通號誌控制系統之研究」，國立東華大學電機工程研究所碩士論文，民國93年。
12.	謝興盛(2003)，「捷運列車延誤時班距調整模式之模擬分析－以台北捷運中、高運量系統為例」，國立成功大學交通管理科學研究所博士論文，民國92年。
13.	Cai, G., Zhao, S., Jia, L., Ye, Y., Li, X. (2008), “Approach of Train Group Operation Conflict Prevention Reasoning Based on Fuzzy Time Petri Nets,” Networked Computing and Advanced information Management, 2008, Vol. 2, pp. 272-277
14.	Chang, C.S., Chua, C.S., Quek, H.B., Xu, X.Y., Ho, S.L. (1998), “DEVELOPMENT OF TRAIN MOVEMENT SIMULATOR FOR ANALYSIS AND OPTlMlSATlON OF RAILWAY SIGNALLING SYSTEMS,“ International Conference on Developments in Mass Transit Systems, 1998, (Conf. Publ. No. 453), pp. 243-248
15.	Chang, C.S., Xu, D.Y. (2000), “Differential evolution based tuning of fuzzy automatic train operation for mass rapid transit system,” Electric Power Applications, Vol. 147, pp. 206-212
16.	Cheok, A.D., Shiomi, S. (1998), “A Fuzzy Logic Based Anti-skid Control System for Railway Applications,” Knowledge-based intelligent Electronic Systems, 1998, Vol. 1, pp. 195-201
17.	Dutilleul, S.C., Deffossez, F., Bon, P. (2006), “safety requirements and p-time petri nets: a level crossing case study,” Computational Engineering in Systems Applications, Vol. 2, pp. 1118-1123
18.	Fay, A. (2000), “A fuzzy knowledge-based for railway traffic control,” Engineering Application of Artificial Intelligence, Vol. 13, pp. 719-729
19.	Fay, A. (2001), “A Fuzzy Petri Net approach to decision-making in case of railway track closures,” IFSA World Congress and 20th NAFIPS International Conference, 2001. Joint 9th, Vol.5, pp. 2858-2863
20.	Fay, A., Schnieder, E. (1999), “Knowledge-Based Decision Support System for Real-Time Train Traffic Control,” Lecture notes in economics and mathematical systems, Vol.471, pp. 347-370
21.	Li, K.P., Gao, Z.Y. (2007), “An improved equation model for the train movement,“ Simulation Modelling Practice and Theory, Vol. 15, pp. 1156-1162
22.	Li, K.P., Gao, Z.Y., Ning, B. (2005), “Cellular automaton model for railway traffic,” Journal of Computational Physics, Vol. 209, pp. 179–192
23.	Mar, J., Lin, H.T. (2005), “A car-following collision prevention control device based on the cascaded fuzzy inference system,” Fuzzy Sets and Systems, Vol. 150,  pp.457-473
24.	Oshima, H., Yasunobu, S., Sekino, S.I. (1988), “Automatic train operation system based on predictive fuzzy control,” Artificial Intelligence Industrial Application, pp. 485-489
25.	Takeuchi, H., Goodman, C.J., Sone, S. (2003),  “Moving block signaling dynamics: performance measures and re-strating queued electric train,” Electric Power Applications, Vol. 150, pp. 483-492
26.	Zimmermann, A., Hommel, GÃÃnter., (2005), “Towards modeling and evaluation of ETCS real-time communication and operation,” The Journal of Systems & Software, Vol. 77, pp. 47-54