隨著科技的進步，在凡事講求數位化的時代下，大眾運輸事業也將資訊科技帶入其票證系統中，由傳統的投幣式系統演進到接觸式票卡，再到目前的非接觸票證系統。票證系統的改革不僅讓民眾使用大眾運輸更為便利，也希望讓業者的營收計算更為快速、正確與透明。台北悠遊卡（EasyCard）的發行將台灣大眾運輸的票證系統帶入一個新的里程碑，除了簡化票證程序外，並整合台北市的主要大眾運輸系統，讓民眾使用單一票證即可搭乘公車與捷運系統並獲得轉乘優惠。由過去的實施經驗證明台北市的票證系統在悠遊卡的幫助下有了大幅的改善，使用人數也日益增加。然而，實施悠遊卡的利益應不僅止於乘客的便利與業者的營收計算，悠遊卡每次刷卡的交易紀錄亦隱含大眾運輸使用者的旅次特性資料，可產製大眾運輸規劃與營運的重要資訊－旅次起迄分布，卻因缺乏適當的工具與方法自龐大的交易資料庫中發掘此一有價值的資訊，而任憑閒置，殊為可惜。
目前國內、外探討交通領域智慧卡的研究，大部分集中於探討智慧卡交易的技術與應用方式，而針對智慧卡在交通領域所產出的交易資料如何應用，很少有研究探討，所以本研究希望藉由台北市悠遊卡所產出的交易資料，來找出公車使用者的起迄對，讓起迄對的產出可以藉由科技的進步，有更為快速方便且品質不錯的方式來產製起迄分佈表。
因為研究規模的關係，本研究只探討一段票公車的悠遊卡交易如何推估起迄表，希望由公車交易中較為簡單的交易方式先找出悠遊卡交易間的關係，描繪出整個推估方法的框架與流程，以期後續研究可以根據此框架擴充到其他營運方式，進而使此方法的應用層面更廣。
本研究所發展的方法是利用悠遊卡本身的資料特性，將交易資料分為兩個面向探討，其一是班次內交易間的關係，其二是相同卡號不同交易日間的關係，將兩個面向所發展的方法結合處理，不是以單一方法就能達成研究目的，而根據本研究所發展的方法，目前所產製的起迄表，限於在上午尖峰與下午尖峰都有交易的經常性使用者，可以得知這些使用者的交易起迄表為何，而其站位估計誤差在2至3佔之內，並且可得到一個月內的交易資料之起迄對筆數為2500多筆以上。

Taipei EasyCard (Smart IC Card) brings the Taipei bus fare collection system into a new era, it reduces the transaction process and integrate the bus and Mass Rapid Transit in Taipei metropolitan. Most of the present researches focus on the technology and the potential applications of smart card, few of them discuss the characteristics of transaction data. The objective of this study is to use the transaction data of smart card to produce the O-D table efficiently.
The method of this study uses two transaction characters of EasyCard’s to produce the O-D table of bus line. One is the relationship between all transactions data within a single bus shift, the other is the every single card’s transaction data within a period (e.g. two weeks). The method developed in this study can produce the O-D table which include more than 2500 O-D pairs of regular passengers at the peak hors in one route, and the error of estimation under 3 stops.

目錄
目錄	I
圖目錄	II
表目錄	III
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 研究範圍與對象	3
1.4 研究架構	4
1.5 研究流程	5
第二章 文獻回顧	6
2.1 資料探勘	6
2.2智慧卡產出資料之相關研究	10
2.3悠遊卡資料庫說明	11
2.4文獻回顧小結	16
第三章 站位推估方法	17
3.1班次時間軸說明	17
3.2 K-means演算法應用說明	20
3.3 度量數線的說明	23
3.4 交易時間差法	31
3.5 旅行平均速率法	35
3.6 小結	39
第四章 起迄推估方法	40
4.1 常客種子方法	40
4.2 規律常客種子方法與平均旅行速率方法結合	45
4.3 最終產製流程	48
4.4 起訖表產製	64
第五章 結論與建議	74
5.1結論	74
5.2建議	76
參考文獻	77



圖目錄
圖1.1 研究架構圖	4
圖1.2 研究流程圖	5
圖2.1 台北市大眾運輸系統交易方式演變	12
圖3.1 班次時間軸示意圖	18
圖3.2  K-means 概念圖	22
圖3.3 度量數線示意圖	24
圖3.4 調查計畫所蒐集資料	25
圖3.5 802區間路線	28
圖3.6 站位推估方法架構圖	30
圖3.7 方案選擇模式示意圖	31
圖3.8 交易時間差法不同方案績效圖	33
圖3.9 交易時間差法演算流程	34
圖3.10 調查班次時空圖	36
圖3.11 平均旅行速率法流程圖	37
圖4.1 常客群組判定示意圖	43
圖4.2 常客種子方法流程圖	44
圖4.3 常客種子方法衝突示意圖	45
圖4.4 規律的常客種子方法流程圖	47
圖4.5 本研究方法架構圖	48
圖4.6 518路線圖	65
圖4.7 OD產製所得結果	72
圖4.8 OD產製所得結果(放寬常客定義)	73



表目錄
表2.2 本研究所抓取悠遊卡欄位	13
表3.1 悠遊卡公車交易資料時間與空間關係	19
表3.1 調查班次基本資料	27
表3.2 802區間站位基本資料	29
表3.3 各種方案示意圖	32
表3.4 交易時間差法-不同方案績效表	33
表3.5 平均旅行速率法績效表	38
表4.1  802區間不同交易日交易次數與卡號數間關係	40
表4.2  802區間不同交易時段交易次數與卡號數間關係	41
表4.3  802區間平常日交易次數與卡號數關係	42
表4.4 802區間站位基本資料	64
表4.5  518不同交易日交易次數	66
表4.6  518不同交易時段交易次數	67
表4.7  518常客卡號數量與規律常客關係表	68
表4.8   上午尖峰518規律常客與抽樣資料合併後所能推估交易關係表	68
表4.9  下午尖峰518規律常客與抽樣資料合併後所能推估交易關係表	69
表4.10  518常客卡號數量與規律常客關係表(放寬常客定義)	70
表4.11  上午尖峰518規律常客與抽樣資料所推估交易關係表(放寬常客定義)	71
表4.12  下午尖峰518規律常客與抽樣資料所推估交易關係表(放寬常客定義)	71

1.	邱詩淳（2005）。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論文。
2.	林祥生(1991)，「票證電腦化實施後台北聯營公車的票務系統規劃」，運輸學刊，第12期，第15~26頁。
3.	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屆學術論文研討會論文集，367-387。
4.	尹相志（2003）。SQL 2000 Analysis Service資料採礦服務。維科圖書。
5.	李卓翰（2003）。資料倉儲理論與實務，學貫行銷股份有限公司。
6.	陳麗君（2002）。應用資料探勘技術於信用卡黃金級客戶之顧客關係管理。碩士論文，元智大學工業工程與管理研究所。
7.	陳佳楨（2003），「資料探勘應用於就診行為與醫師排班之研究─ 以埔里基督教醫院」，暨南大學資訊管理研究所碩士論文。
8.	張忠琦（2000），「資料探勘於網站使用度與網頁內容探索之研究」，輔仁大學資訊管理學研究所碩士論文。
9.	邱創政（2003），「以消費表現為基礎之顧客群集分析」，元智大學工業工程與管理研究所碩士論文。
10.	邱義堂（2000），「通信資料庫之資料探勘：客戶流失預測之研究」，中山大學資訊管理學研究所碩士論文。
11.	彭文正譯（2000）。Data Mining資料採礦顧客關係管理暨電子行銷之應用。維科圖書。
12.	曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯等（2005）。資料探勘。旗標出版社。
13.	Bagchi, M. and White, P.R. (2005). The potential of public transport smart card data. Transport Policy, 12, 464-474.
14.	Berry, M.J.A. and Linoff, G. (1997). Data mining technique for marketing, sale, and customer support. Wiley Computer.
15.	Berry, M.J.A. and Linoff, G. (1999). Mastering data mining: The art and science of customer relationship management, sale, and customer support. Wiley Computer.
16.	Cabena, P., Hadjinaian, P. O., Stadler, D. R. J., Verhees, J. and Zanasi, A. (1997). Discovering data mining from concept to implementation. Prentice Hall.
17.	Fayyad, U., Piatetsky, G., and Smith, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 37-54.
18.	Feeldersa, A., Danielsa, H., Holsheimer, M. (2000). Briefings methodological and practical aspects of data mining. Information & Management, 37, 271-281.
19.	Grupe, F. H., Owrang, M. M. (1995). Database mining discovering new knowledge and cooperative advantage. Information systems management, 12(4), 26-31.
20.	Han, J., Kamber, M. (2000). Data mining: Concepts and techniques. Morgan Kaufmann Publisher, Inc.
21.	MIT (2001). The technology review ten. MIT technology review.
22.	Piatetsky, G., Fayyad, U., and Smith, P. (1996). From data mining to knowledge discovery: An overview. In Advances in Knowledge Discovery and Data Mining, AAAI Press, pp. 1-34.
23.	Roger, R.J., Geatz, M.W. (2002). Data mining: A tutorial-based primer.