近年來政府雖積極推動公共運輸相關建設，然而公共運輸市佔率比例始終不如預期。根據交通部統計處資料顯示，我國公共運輸市佔率連續三年雖呈現持續成長狀態，但每年成長幅度仍為逐年遞減，此顯示我國公共運輸服務與民眾實際之旅運需求仍有相當程度的落差，因此大多數民眾仍仰賴私人運具。
  有鑑於此，本研究期望以大數據分析來探討使用者之實際旅運行為，並選定目前使用者人數最多之悠遊卡票證資料為大數據資料來源，然後瞭解國內公共運具市場提供服務之特質，再建立通勤族群之旅運特質時空間關聯模式。本研究係依照資料挖掘技術流程，依序將使用者通勤旅次長度及旅次起始時間等旅運特性資料進行分群，以此建立旅運特質之時空間關聯規則，並輔以問卷調查分析結果，進而探究民眾真實之旅運型態，以瞭解民眾對於公共運輸服務認知之缺口。
本研究經由時間分群之結果可得知多數通勤族群接受公共運輸服務之時間分布，同時亦透過通勤距離分群瞭解多數民眾之乘車旅運特性，而檢視出在若干之旅次長度或是起點下，民眾對於運輸系統的選擇偏好。根據研究結果顯示，在旅次長度落於1至5公里的區間內，民眾較偏好選擇公車；在旅次長度高於15公里以上，民眾則較偏好捷運。
本研究進一步進行旅運型態之問卷分析，結果得知在票價優惠、乘車次數上限及里程計費等三個乘車誘因情境，能有效改變機車族群使用公共運具之頻率，而在票價優惠的情境條件能吸引每週騎車通勤1至2次及搭乘大眾運具每週1至2次的族群；在乘車扣款上限的情境下，能吸引所得1萬元以下且幾乎每天騎車通勤的族群；而在里程計費的情境下則能吸引，所得1萬元以下、平均通勤時間為40至50分、每週搭乘大眾運具一至兩次的族群。
  綜合上述，本研究透過悠遊卡電子票證乘車交易資料的挖掘，建立通勤族群對於選擇大眾運具之旅運時空間關聯規則，並改善機車族群使用公共運具之頻率。後續研究可再精進探討國內公共運輸服務缺口之分析程序，而提供兼具有效性與可行性之公共運輸服務缺口改善方案。

In recent years central and local governments have deployed public transportation systems; however, the growth rate of public transportation usage is still below the expected level. According to results of Ministry of Transportation and Statistics Department the proportion of public transportation usage has grown in recent three years but the scale of growth proportion decreases annually. It shows that a gap exists between public transportation service supply and travel demand. Therefore, most of people still rely on private transportation instead of public transportation.
In order to understand characteristics of public transportation service and to construct relevance models of travel pattern according to time and space for public transportation commuters, this study will focus on analyzing big data of Easycard and clustering commuters by using trip length and trip time. Furthermore, a questionnaires survey is also conducted to explore travel patterns and service gap cognition of commuters in a real case.
Results show that most of commuters really travel according to trip time and trip length. It is also shown that commuters will take bus when their trip lengths are between 1 and 5 kilometers, while take MRT when their trip lengths are over 15 kilometers. The results of the questionnaires survey shows three incentive scenarios of concessionary fare, the maximum frequency of taking public transportation and the mileage calculation can effectively change usage frequencies of motorcyclists. Using the scenario of concessionary fare it will attract commuters who drive motorcycle once or twice every week or take public transportations once to twice every week. In the scenario of the maximum frequency of taking public transportation, it will attract commuters who drive motorcycle every week with income per month below 10,000 NTD. While in the scenario of mileage calculation it will attract commuters who take public transportation once or twice every week with income per month below 10,000 NTD and average travel time between 40 to 50 minutes. 
In summary, this study constructs travel patterns of public transportation commuters by using big data from Easycard database. It is suggested to explore more detailed travel behavior relevance models in future.

目錄

第一章、緒論	1
1.1研究動機及背景	1
1.2研究目的	3
1.3研究範圍	4
1.4研究架構與流程	5
第二章、文獻回顧	7
2.1大眾運具及私人運具之關聯特性	8
2.2.1運具使用頻率改變之策略	9
2.2 旅次回饋案例回顧	11
2.2.1香港案例	12
2.2.2新加坡案例	18
2.2.3各國城市比較小結	25
2.3大數據(Big Data)	26
2.3.1 大數據於交通類別的應用	26
2.3.2智慧卡票證相關應用	28
2.4資料採礦相關技術	32
2.4.1 資料採礦(Data Mining)之定義	33
2.4.2 資料採礦的功能與流程	34
2.4.3 集群化	35
2.4.4 關聯規則	36
2.4.5 資料採礦之技術應用	37
2.5文獻小結及評析	37
第三章 研究方法	39
3.1研究架構	40
3.2.1資料庫初步處理	41
3.2.2資料轉選及處理流程	43
3.2.3 研究區域背景特性	44
3.3時距分析法	45
3.3.1 時間分析-群聚分析法	45
3.3.2空間分析-資料分群	47
3.3.3關聯法則	49
3.4 私人運具旅次調查	52
3.4.1 問卷設計內容	52
3.4.2問卷發放對象與樣本數量	53
3.4.3 問卷調查與抽樣方法	56
3.4.4問卷資料分析法	58
3.5 研究假說	65
3.6資料分析工具	66
3.6.1 R語言	66
3.7 小結	68
第四章 實證分析-電子票證分析結果	69
4.1 智慧卡資料庫資料採礦	69
4.1.2 關聯規則檢定結果	76
4.2 小結	80
第五章 實證分析-私人運具旅次調查結果	81
5.1 敘述性統計結果	81
5.2.2 比較平均數法-變異數分析	86
5.2.3 單因子變異數分析小結	93
第六章 結論與建議	94
6.1 結論	94
6.2建議	96
參考文獻	97
附件一	102

表目錄
表2-1：世界主要都市捷運基本需求特性彙整表	11
表2-2：香港人口資料彙整表	12
表2-3：各車輛型態持有數量	19
表2-4：新加坡大眾運輸平均每日旅次(千人)	20
表2-5：新加坡年度地鐵服務數據	20
表2-6：新加坡TSR實施方案	22
表2-7：大眾運輸系統營運比較表	25
表2-8：大數據於交通相關應用彙整	27
表2-9：資料採礦於電子票證之相關研究彙整	30
表2-10 各學者對資料採礦定義及方法	33
表3-1：智慧卡欄位明細	42
表3-2：續智慧卡欄位明細	42
表3-3：資料前置處理結果	44
表3-4：公共運具轉乘運量統計	45
表3-5：時段區間分群表	46
表3-6：發放手法比較表	54
表3-7：抽樣對項統計表	57
表3-8：多重比較法優缺點比較	64
表4-1：平假日各族群間離峰時段使用比例	69
表4-2：捷運族群旅次長度分佈表	71
表4-3：公車族群旅次長度分佈表	71
表4-4：捷運站點分群表	72
表4-5：公車站點刪除項目	73
表4-6：公車站點分群1	74
表4-7：公車站點分群2	75
表4-8：公車站點分群3	76
表4-9：捷運族群旅次關聯特質	77
表4-10：通勤旅次量表	77
表4-11：公車族群通勤旅次關聯規則	78
表4-12：大眾運具族群通勤旅次關聯式	79
表5-1：基本敘述性統計-性別	81
表5-2：基本敘述性統計-年齡	82
表5-3：基本敘述性統計-平均月收入	82
表5-4：基本敘述性統計-家中機車數	83
表5-5：基本敘述性統計-居住狀況	83
表5-6：通勤旅次調查統計-每周騎車通勤數	84
表5-7：通勤旅次調查統計-每日通勤時間	84
表5-8：通勤旅次調查統計-通勤節省時間	85
表5-9：通勤旅次調查統計-搭乘公共運輸頻率	85
表5-10：變異數同值檢定表-收入水準-研擬方案	86
表5-11：單因子變異數分析表-收入水準-研擬方案	86
表5-12：多重比較分析表-收入水準-研擬方案	87
表5-13：偏好比較分析-收入水準-研擬方案	87
表5-14：變異數同值檢定表-通勤次數-研擬方案	88
表5-15：單因子變異數分析表-通勤次數-研擬方案	88
表5-16：多重比較分析表-通勤次數-研擬方案	89
表5-17：偏好比較分析-通勤次數-研擬方案	89
表5-18：變異數同質性檢定-平均通勤時間-研擬方案	90
表5-19：單因子變異數分析-平均通勤時間-研擬方案	90
表5-20：多重比較分析表-平均通勤時間-研擬方案	90
表5-21：偏好比較分析-通勤次數-研擬方案	91
表5-22：變異數同質性檢定-搭乘頻率-研擬方案	91
表5-23：單因子變異數分析-搭乘頻率-研擬方案	92
表5-24：多重比較分析表-搭乘頻率-研擬方案	92
表5-25：多重比較分析表-搭乘頻率-研擬方案	93
表5-26：研擬方案比較表	93




圖目錄

圖1-1：台灣各縣市公共運輸使用率	1
圖2-1：乘車依賴度級別	23
圖3-1：研究架構圖	40
圖3-2：智慧卡原始資料欄位	41
圖3-3：資料前置處理流程	41
圖3-4：智慧卡原始資料集交易欄位	43
圖3-5：智慧卡預處理後交易欄位	43
圖3-6：旅次變化趨勢圖	46
圖3-7：K-means演算流程	48
圖3-8：站距分群換算示意	49
圖3-9 Apriori演算法運作架構	50
圖3-10 數據挖掘程式語言市占調查結果	67
圖4-1：時距分析趨勢圖-平日	70
圖4-2：時距分析趨勢圖-假日	70

參考文獻
中文部分
1.吳秀玲(2001)，台北市信義區大眾運輸路線規劃之研究，交通大學交通運輸研究所碩士論文。
2.邱瑋亭(2006)，消費者著迷對象、消費行為、產品與代言人選擇關聯性探勘之研究，淡江大學管理科學研究所碩士論文。
3.邱詩淳(2006)，運用悠遊卡及資料探勘求解公車營運改善方案，中華大學運輸科技與物流管理學系碩士論文。
4.吳沛樵(2007)，非接觸式智慧卡對政府效益之分析，國立臺灣大學土木工程學研究所碩士論文。
5.林祥生、劉益豪(2007)，應用資料採礦探討航空旅客之線上購票行為，中華大學運輸科技與物流管理學系碩士論文。
6.林良泰、陳乃萁. (2010)，K-means集群分析法應用於號誌定時時制時段劃分之研究，運輸學刊第二十二卷第四期。
7.林祥生、邱詩淳、劉益豪(2005)，應用悠遊卡資料挖掘公車乘客之需求特性，中華民國運輸學會第20屆論文研討會論文集，367-387。
8.胡建勳、陳宗亮(2008)，應用資料群聚與關聯法則於網路拍賣使用者之特性與偏好研究，2008知識社群與系統發展研討會。
9.郭奕杖等人(2012)，探討高鐵實施不同票種之價格促銷方案對小汽車駕駛人運具選擇行為的影響，運輸學刊第二十四卷第四期。
10.黃中怡(2002)，策略性人力資源管理-組織策略、人力資源策略、人資部門涉入程度、核心競爭力、國家文化與組織績效之關聯，成功大學國際企業研究所碩士論文。
11.陳鴻文(2002)，家戶特性與汽機車持有數及使用量關係之研究-以台北市為例，國立交通大學運輸科技與管理科學系碩士論文。
12.張新立(2004)，民眾機車使用依賴性影響因素之探討---以台北市為例，行政院國家科學委員會專題研究計畫成果報告。
13.張恭碩(2007)，非接觸式智慧卡於停車收費之效益分析，國立臺灣大學土木工程學研究所碩士論文。
14.張智勝(2013)，以質性研究方法探究大學生使用機車與大眾運輸工具之態度 -以高雄師範大學為例，國立成功大學都市計劃研究所碩士論文。
15.陳民祐(2012)，應用資料探勘探討線上訂票乘客行為以台鐵西幹線為例，中興大學行銷學研究所碩士論文。
16.陳偉穎(2012)，通勤運具選擇行為異質性之研析：混合羅吉特模式應用，交通大學交通運輸研究所碩士論文。
17.莊依珊(2015)，滿意度指數為基礎之國到計乘電子收費服務預警機制之研究，淡江大學運輸科學研究所碩士論文。
18.黃俊擇(2015)。公車使用者涉入程度與運具選擇行為意向之研究-台南市實證分析，成功大學交通管理科學系學位論文。
19.楊志文、段良雄(2004)，考慮選擇集合及異質性之個體城際客運選擇模式，運輸計畫學刊第三十三捲。
20.蕭珝君(2008)，消費者行為理論於城際公共運輸旅客行為意象與搭乘因素之研究，淡江大學運輸科學所碩士論文。
21.蕭宇軒(2010)，影響大眾運輸因素之研究，成功大學都市計畫研究所碩士論文。
22.謝萬興、張學孔(2015)， 運用悠遊卡巨量資料分析公車乘客行為之研究，台灣大學土木研究所交通組碩士論文。
23.羅惟元(2008)，以悠遊卡交易資料探索公車路線之旅客起迄.淡江大學運輸管理學系碩士班學位論文。
24.尹相志，「SQL Server 2005 Data Mining資料挖掘與Office 2007資料挖掘增益集」，台北市：悅知文化，民國96年。
25.交通部統計處，「民眾日常使用運具狀況調查摘要分析」，民國104年。
26.交通部統計處，「機動車輛登記數」，民國104年02月。
27.吳明清，「教育研究法－基本觀念與方法分析」，臺北：五南，民國80年。
28.吳明隆，「SPSS與統計應用分析」，臺北：知城數位科技，民國94年。
29.吳明隆，「SPSS操作與應用：問卷統計分析實務」，臺北：五南，二版，民國98年。
30.王正林、黃文，「利用R語言打通大數據經脈」，臺北：佳魁，二版，民國105年。
英文部分
1.Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22(2), 207-216.
2.Berson, A., & Smith, S. J. (2002). Building data mining applications for CRM. McGraw-Hill, Inc.
3.Bagchi, M., & White, P. R. (2005). The potential of public transport smart card data. Transport Policy, 12(5), 464-474.
4.Champney, W. S., & Burdine, R. (1995). Macrolide antibiotics inhibit 50S ribosomal subunit assembly in Bacillus subtilis and Staphylococcus aureus.Antimicrobial agents and chemotherapy, 39(9), 2141-2144.
5.Cullinane, S., & Cullinane, K. (2003). Car dependence in a public transport dominated city: evidence from Hong Kong. Transportation research part D: Transport and environment, 8(2), 129-138.
6.Chapleau, R., & Chu, K.(2007). Modeling transit travel patterns from location-stamped smart card data using a disaggregate approach. In 11th World Conference on Transport Research.
7.Farhi, E., Goldstone, J., Gutmann, S., & Sipser, M. (2000). Quantum computation by adiabatic evolution. arXiv preprint quant-ph/0001106.
8.Fong, A.M., Hui, S. C., & Jha, G. (2002). Data mining for decision support.IT professional, 4(2), 9-17.
9.Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information & Management, 38(1), 1-13.
10.Hsieh, N. C. (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert systems with applications, 27(4), 623-633.
11.Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666.
12.Kenworthy, J. R., & Laube, F. B. (1999). Patterns of automobile dependence in cities: an international overview of key physical and economic dimensions with some implications for urban policy. Transportation Research Part A: Policy and Practice, 33(7), 691-723.
13.Kleissner, C. (1998). Data mining for the enterprise. In System Sciences, 1998., Proceedings of the Thirty-First Hawaii International Conference on (Vol. 7, pp. 295-304). IEEE.
14.Kim, Y., & Street, W. N. (2004). An intelligent system for customer targeting: a data mining approach. Decision Support Systems, 37(2), 215-228.
15.Kim, Y., & Street, W. N. (2004). An intelligent system for customer targeting: a data mining approach. Decision Support Systems, 37(2), 215-228.
16.Rygielski, C., Wang, J. C., & Yen, D. C. (2002). Data mining techniques for customer relationship management. Technology in society, 24(4), 483-502.
17.Piateski, G., & Frawley, W. (1991). Knowledge discovery in databases. MIT press.
18.Pelletier, M. P., Trépanier, M., & Morency, C. (2011). Smart card data use in public transit: A literature review. Transportation Research Part C: Emerging Technologies, 19(4), 557-568.
19.Thøgersen, J., & Mller, B. (2008). Breaking car use habits: The effectiveness of a free one-month travelcard. Transportation, 35(3), 329-345.