公共自行車具通勤與休閒的功能，騎乘中無噪音與空氣污染，更能達到環境永續，近年來在世界各地被廣泛建置。台灣地區以YouBike（微笑單車）為大宗，分布於12個縣市，其使用受到人口規模、建成環境、競合運具、天候與地理等因素影響，導致地區差異性大。過往文獻大多探討台北市或高雄市之公共自行車系統，較少見台中市相關之研究，而缺車/缺位、車輛週轉率等議題廣受各界關注之餘，尚缺乏一套整合的系統評估方法，作為主管機關、營運單位、使用者之間的溝通基礎。
有鑑於此，本研究以生活圈概念擇定台中市11個行政區、911個YouBike站點，蒐集2023年8月18日至2023年9月28日每5分鐘的各站車輛數與空閒車柱數（本研究稱站點即時資料，屬開放資料），以及使用者借還時間與起迄點交易紀錄141萬餘筆（本研究稱租借交易資料，透過台中市交通局申請獲取），創建適用於公共自行車的服務水準(Level of Service, LOS)及績效水準(Level of Performance, LOP)雙指標評估模型。服務水準反映使用者關切的借還便利性，沿續先前研究之結果，以站點即時資料計算各站乃至全系統之可靠度，亦即研究期間之缺車與缺位發生風險機率之對稱差集結果。然而，高可靠度恐存在低使用率的隱憂，故本研究首創績效水準指標，以租借交易資料計算日平均站點週轉率，亦即每站每柱日均借車與還車總數，來評量營運單位關切的微觀營運績效，並可輔助現行常見的巨觀（全系統）營運績效－車輛週轉率。
考量到YouBike 2.0系統站點密度高，鄰近站點有互相替代與支援的效果，與YouBike 1.0系統各站分散、獨立運作狀況不同，故每站之服務水準指標與績效水準指標係對應其方圓200公尺涵蓋「站點群組」的加權平均值，另依據使用者問卷調查結果設定可接受門檻值，將911個站點/站點群組分成(1)高服務水準且高績效水準、(2)低服務水準且高績效水準、(3)高服務水準且低績效水準、(4)低服務水準且低績效水準四種「站點組別」，各組透過地理資訊系統擷取站點周邊社會經濟特性、建成環境、土地使用類別等變數資料，以決策樹與隨機森林二種機器學習演算法探究各組之特性。二種演算法準確率皆超過80%，其分析結果相近，故皆採用之。具體研究發現如下：
一、透過時空分析發現，平日使用尖峰與一般通勤尖峰時段相符（上午7~9時、下午5~7時）、假日尖峰則出現在下午4~6時。租賃時間多為30分鐘內（中位數為9~12分鐘），對應之旅次距離中位數為1.2~1.7公里、90百分位數可達3.1~4.5公里。熱門旅次起迄短點多為高中大專院校周邊、中心商業區、行政辦公區以及交通場站。
二、營運績效方面，研究期間一般自行車車輛週轉率為3.49次/日/車，電輔車為4.25次/日/車，前20名站點之站點週轉率達10次/柱/日；可靠度方面，9月各級學校新學年開始後，可靠度與8月相比偏低，尖峰時段全系統可靠度甚至僅有70%，缺車狀況比缺位狀況嚴重約8倍。
三、服務水準與績效水準俱佳之站點占總量3.95%~7.68%（平日36站、假日70站），大多數附近有公車停靠站與路邊停車格，周圍人口密度小於約19,000人/平方公里，站點規模介於19~44柱，且站點所在路寬大於8公尺；服務水準與績效水準俱差之站點占總量3.51%~3.84%（平日35站、假日32站），大多數站點附近無公車停靠站，周邊站點數量小於1站，且位於公園附近；服務水準差但績效水準佳之站點占總量12.73%~5.26%（平日116站、假日48站），大多數站點周圍家戶數大約1,800戶，且站點所在路寬大於8公尺；服務水準佳但績效水準差之站點占總量79.47%~83.53%（平日724站、假日761站），此組周邊站點數量小於1站，周圍人口密度小於約19,000人/平方公里，且站點規模小於19柱。
本研究亦向主管機關與營運單位提出以下二點建議，作為提升公共自行車服務水準與績效水準以及後續研究之參考：
一、基於尖峰時段可靠度比全天可靠度低，營運單位應於尖峰時段加強調度運補，或者在系統可靠度低於80%情況下，發展尖峰定價模式；主管機關應檢討設站標準，站點周圍人口密度須達到標準（如19,000人/平方公里），或者是所在地路寬須大於8公尺方得設站。
二、後續研究可嘗試套用其他站點組別劃分方式，並對每個組別之特性進行探討；此外，建議主管機關應儘速完成圖資的建置，以及提升開放資料存取便利性。

Public bikes system have been considered an alternative mode of transport for first/last mile trips. It not only reduces air pollution but also protects the environment simultaneously and meets the goal of sustainable development. In Taiwan Region, the public bikes system known as "YouBike" holds the largest market share and has been widely implemented in recent years across every city and county. Its usage is affected by population size, built environment, competing transportation modes, weather, and geography, leading to significant regional variations. Previous literature takes Taipei City and Kaohsiung City as a case study largely, but Taichung City has hitherto not been explored in the literature. In addition, the issues about bikes and docks shortages attention by public, but an integrated evaluation approach has been lacking as a basis for interaction between administration, operational company, and users.
Given that the reason above mention, this study selected 11 districts in Taichung City as case study, collected two different types of data, one is the number of bicycles and available docks at each station every 5 minutes from August 18, 2023, to September 28, 2023, referred to as "Station-based data". The other type of data includes records of user rental and return times and transaction data for origin-destination(O-D) pairs, referred to as "Trip-based data". We employed these data to establish a dual-indicator evaluation model applicable to public bikes system, composed of Level of Service(LOS) and Level of Performance(LOP). Building on previous studies, LOS reflected convince of rental and return which users concerned. The reliability indicator was existed, referring to symmetry complement between probability of bikes and docks unavailable or shortages. Nevertheless, high reliability concerns low usage. Therefore, we developed new LOP indicators using the station turnover rate calculated from trip-based data. Station turnover rate is equal to the total number of rentals and returns per dock per day at each station, evaluates the micro-level operational performance of concern to operators, and complements the macro-level daily average bike turnover rate of entire system.
Considering the high station density of the YouBike 2.0 system in urban areas, neighboring stations can support each other, unlike the YouBike 1.0 system where each station operates independently and is more dispersed. Therefore, LOS and LOP for each station correspond to the weighted average values of the "Station Group" within a 200-meter radius. Based on objective classification criteria, stations/station groups are divided into 4 "Station Class": (1) high LOS and high LOP, (2) low LOS and high LOP, (3) high LOS and low LOP, and (4) low LOS and low LOP. Subsequently, we utilized Geographic Information Systems (GIS) to identify various characteristics, including but not limited to the socioeconomic attributes of each station. Finally, we investigated the characteristics of stations within each class using decision tree and random forest approaches. We adopted the result generated by both models based on their accuracy rate of more than 80%, and their analysis results are similar. The significant findings include the following main items:
A. We found that peak usage times on weekdays are similar to typical commuting peak hours (7~9 am. and 5~7 pm.), whereas weekend peaks occur between 4~6 pm. by spatio-temporal analysis. Most rental durations are within 30 minutes (with a median of 9~12 minutes). Correspondingly, the median trip distance is 1.2~1.7 kilometers, with the 90th percentile reaching 3.1~4.5 kilometers. Popular trip origins and destinations are primarily around high schools, universities, central business districts (CBD), administrative areas, and transportation stations.
B. In terms of operational performance, the bike turnover rate of normal bikes is 3.49 times/day/bike, and electric-assisted bikes are 4.25 times/day/bike in whole research period. In terms of reliability, in September was lower compared to August, coinciding with the start of the new semester for schools. During peak hours, the overall system reliability dropped to as low as 70%, with bike shortages being approximately 8 times more severe than dock shortages.
C. Stations with both high LOS and LOP accounted for 3.95% to 7.68% of the total (36 stations on weekdays, 70 stations on weekends). Most of these stations were located near bus stops and curb parking spaces, with surrounding population densities less than approximately 19,000 people per square kilometer, station scale ranges from 19 to 44 docks as well as located at roads which wider than 8 meters. Stations with both low LOS and LOP accounted for 3.51% to 3.84% of the total (35 stations on weekdays, 32 stations on weekends), most of these stations have not nearby bus stops, the number of surrounding stations is less than one, and they are located near parks.
Stations with low LOS but high LOP accounted for 12.73% to 5.26% of the total (116 stations on weekdays, 48 stations on weekends), most of stations have approximately 1,800 households in their surrounding areas as well as located at roads which wider than 8 meters. Stations with high LOS but low LOP accounted for 79.47% to 83.53% of the total (724 stations on weekdays, 761 stations on weekends). Stations in this class with surrounding population densities less than approximately 19,000 people per square kilometer, the number of surrounding YouBike stations is less than one, as well as station scale less than 19 docks. 
We provide strategy suggestions for administration, and operational company as below, as a reference for enhancing the LOS and LOP of public bicycle systems and for future research:
A. Given that peak hour reliability is lower than overall daily reliability, operational company should enhance dispatching and replenishment during peak hours. Therefore, we suggest strengthening dispatch during peak hours or developing a peak pricing policy when the reliability indicator falls below 80%. The administration should review station settings standards, ensuring that the surrounding population density meets the criteria(e.g., 19,000 people per square kilometer) or that the road width at the station location exceeds 8 meters.
B. Future research could explore other methods of station class classification and investigate the characteristics of each class. Additionally, it is recommended that administration expedite the completion of mapping data and improve the accessibility of open data.

目錄
第一章 前言    1
1-1 研究背景    1
1-2 研究動機    3
1-3 研究目的    4
1-4 研究範圍    6
1-5 研究流程    9
第二章 文獻回顧    12
2-1 運用開放資料相關文獻    12
2-2 公共自行車相關研究    13
2-3 環境區位特性相關研究    26
2-4 機器學習相關研究    32
2-5 文獻回顧小結    38
第三章 研究方法    39
3-1 研究架構    39
3-2 資料蒐集與處理     40
3-3 服務水準指標與績效水準指標    46
3-4 服務水準與績效水準建立    50
3-5 機器學習    54
第四章 研究結果    60
4-1 旅次基礎特性分析    60
4-2 營運績效表現    75
4-3 站點時空特性分析    78
4-4 問卷調查結果    82
4-5 站點群組與雙指標整合分析    86
4-6 站點建成環境與社會經濟特性分析    92
4-7 機器學習演算結果    97
第五章 綜合討論    107
5-1 站點營運服務與績效表現影響因素    107
5-2 政策管理面向    111
5-3 站點規模與服務/績效水準之關係    119
第六章 結論與建議    125
6-1 結論    125
6-2 後續研究    128
6-3 建議    135
附件    138
參考文獻    176

圖目錄
圖 1-1 台中市公共自行車營運狀況與重要事紀	1
圖 1-2 平均各站點分配車輛變化	1
圖 1-3 兩代系統之間站點分佈差異	1
圖 1-4 台中市公共自行車各行政區站點數量	7
圖 1-5 站點分佈熱力圖	8
圖 1-6 研究流程圖	9
圖 3-1 研究架構圖	39
圖 3-2 數據處理過程	40
圖 3-3 站點即時資料變數列表與擴充衍生	41
圖 3-4 站點即時資料示意	42
圖 3-5 租借交易資料變數列表與擴充衍生	44
圖 3-6 取得建議路徑距離與建議路徑距離預估旅行時間說明	45
圖 3-7 租借交易資料示意	45
圖 3-8 營運狀態類型說明	47
圖 3-9 車輛週轉率與站點週轉率示意圖	50
圖 3-10 服務水準(X)與績效水準(Y)分佈示意圖	53
圖 3-11 決策樹與隨機森林模型程式架構	57
圖 3-12 決策樹模型部分Python程式碼	57
圖 3-13 隨機森林模型部分Python程式碼	58
圖 4-1 旅次時段分佈(平日與假日)	60
圖 4-2 旅次時段分佈(平日時，一般自行車與電輔車)	61
圖 4-3 旅次時段分佈(假日時，一般自行車與電輔車)	61
圖 4-4 旅次時間長度(平日與假日)	62
圖 4-5 旅次時間長度(平日時，一般自行車與電輔車)	63
圖 4-6 旅次時間長度(假日時，一般自行車與電輔車)	63
圖 4-7 旅次費用(平日與假日)	65
圖 4-8 旅次費用(平日時，一般自行車與電輔車)	66
圖 4-9 旅次費用(假日時，一般自行車與電輔車)	66
圖 4-10 建議路徑距離(平日與假日)	67
圖 4-11 建議路徑距離(平日時，一般自行車與電輔車)	68
圖 4-12 建議路徑距離(假日時，一般自行車與電輔車)	68
圖 4-13 建議路徑預估旅行時間(平日與假日)	69
圖 4-14 建議路徑預估旅行時間(平日時，一般自行車與電輔車)	70
圖 4-15 建議路徑預估旅行時間(假日時，一般自行車與電輔車)	70
圖 4-16 旅次起迄分佈(行政區間)－旅次數	71
圖 4-17 旅次起迄分佈(行政區間)－排名	71
圖 4 18 旅次量>1%之旅次起迄對空間分佈	74
圖 4-19 時空特性分析示意	79
圖 4-20 平日全天/尖峰時段可靠度變化	81
圖 4-21 假日全天/尖峰時段可靠度變化	82
圖 4-22 站點群組之建立示意圖	86
圖 4-23 站點/站點群組之服務水準/績效水準之差異	87
圖 4-24 平日站點組別分佈	90
圖 4-25 假日站點組別分佈	90
圖 4-26 平日績效指標水準內部比較	91
圖 4-27 假日績效水準指標內部比較	91
圖 4-28 輸入數據示意圖	97
圖 4-29 模型目標變量(Y)與特徵變量(X)	98
圖 4-30 平日站點決策樹演算結果	100
圖 4-31 假日站點組別決策樹演算結果	102
圖 4-32 平日站點組別隨機森林演算結果	104
圖 4-33 假日站點組別隨機森林演算結果	106
圖 5-1 重點改善站點分佈圖	115
圖 5-2 平日站點組別1, 2, 4分佈情形	116
圖 5-3 假日站點組別1, 2, 4分佈情形	117
圖 6-1 中停時間散佈圖（平日）	129
圖 6-2 中停時間散佈圖（假日）	130
圖 6-3 中停時間散佈圖（全時段）	131
圖 6-4 另種站點組別劃分方式（平日）	133
圖 6-5 另種站點組別劃分方式（假日）	133
圖 6-6 績效水準替換成站點延車時間之站點組別劃分方式（平日）	134
圖 6-7 績效水準替換成站點延車時間之站點組別劃分方式（假日）	134

表目錄
表 1-1 各公共自行車營運數據類型之分析項目	3
表 2-1 公共自行車營運特性相關研究	18
表 2-2 公共自行車使用者意向/行為/偏好相關研究	23
表 2-3 其他公共自行車相關研究	26
表 2-4 環境區位特性相關研究	29
表 2-5 決策樹相關研究	34
表 2-6 隨機森林相關研究	37
表 3-1 租借交易資料異常值刪減	43
表 3-2 旅次依照平/假日進行分類	43
表 3-3 旅次依照車種進行分類	43
表 3-4 台中市行政區代號與相應名稱	44
表 3-5 道路服務水準等級劃分標準	50
表 3-6 問卷第三部分敘述統計結果	52
表 3-7 決策樹構成元素	55
表 3-8 不同的決策樹演算法	56
表 3-9 混淆矩陣	59
表 4-1 旅次時間長度敘述統計分析	62
表 4-2 適用於台中市公共自行車系統之費率表	64
表 4-3 旅次費用敘述統計分析	65
表 4-4 建議路徑距離敘述統計分析	67
表 4-5 建議路徑預估旅行時間敘述統計分析	69
表 4-6 前20名熱門旅次起迄	72
表 4-7 車輛週轉率	75
表 4-8 排名前20位之站點週轉率	76
表 4-9 排名前10位之站點延車時間	78
表 4-10 平日尖峰時空特性分析結果	80
表 4-11 假日尖峰時空特性分析結果	81
表 4-12 問卷第一部分敘述統計結果	83
表 4-13 問卷第二部分敘述統計結果	84
表 4-14 各行政區站點群組內包含站點數量	88
表 4-15 站點組別劃分門檻值	89
表 4-16 散佈圖各座標軸配置與各組別站點數量與比例	89
表 4-17 社會經濟特性	92
表 4-18騎乘環境與周圍交通	93
表 4-19 土地利用與設施	95
表 4-20 土地使用分區類別整併	96
表 4-21 模型準確率與F1分數	98
表 4-22 平日決策樹最終分類結果	101
表 4-23 假日決策樹最終分類結果	103
表 4-24 平日隨機森林特性交集內站點組別比例	105
表 4-25 假日隨機森林特性交集內站點組別比例	105
表 5-1平日站點組別相應之具代表性特性交集及其站點特性	108
表 5-2 假日站點組別相應之具代表性特性交集及其站點特性	110
表 5-3 重點改善站點	114
表 5-4 平、假日各站點規模營運表現	123
表 5-5 不同時段下個別站點與不同營運指標之單因子變異數分析	124
表 5-6 站點規模之間對應營運指標（站點群組）單因子變異數分析事後檢驗	124
表 5-7 不同時段下站點群組與不同營運指標之單因子變異數分析	124
表 6-1 個別站點/站點群組營運指標成對樣本T檢驗	126
表 6-2 中停時間敘述統計分析	128
表 6-3 失效站點	135
表 6-4 套用敏感度分析之門檻值	136

附件目錄
附件一 問卷調查內容	138
附件二 地理資訊系統地圖	139
附件三 站點規模與個別站點/站點群組營運表現單因子變異數分析事後檢驗完整結果	159

中文文獻
AlphaCamp（2021）。機器學習是什麼、有何應用？和深度學習、強化學習的差異。取自https://tw.alphacamp.co/blog/machine-learning-and-deep-learning-intro
Chen, T.-P.（2019）。Precision, recall, f1-score簡單介紹。取自https://medium.com/nlp-tsupei/precision-recall-f1-score%E7%B0%A1%E5%96%AE%E4%BB%8B%E7%B4%B9-f87baa82a47
Chen, Y.-C.（2017）。如何辨別機器學習模型的好壞？秒懂confusion matrix。取自https://ycc.idv.tw/confusion-matrix.html
Koehrsen, W. (2018). 一文讀懂隨機森林的解釋和實現. https://www.twblogs.net/a/5c1f5584bd9eee16b3da8f9a
Sakura. (2018). 決策樹 C&RT、CHAID、QUEST、C5.0的區別. https://www.twblogs.net/a/5b81da8c2b71772165ae9dfc
Yong, R. (2021). 決策樹(Decision Tree)常見的三種算法(ID3、C4.5、CART). https://roger010620.medium.com/%E6%B1%BA%E7%AD%96%E6%A8%B9-decision-tree-%E5%B8%B8%E8%A6%8B%E7%9A%84%E4%B8%89%E7%A8%AE%E7%AE%97%E6%B3%95-id3-c4-5-cart-54091ca85044
王銘亨（2023）。影響高速公路事故發生之車流特性暨即時交通事故預測模式之研究。運輸學刊，35（4），449-476。https://doi.org/10.6383/jcit.202312_35(4).0003
台中市政府（2022）。中市公共自行車騎乘人次再創新高 單月突破120萬人次租借。取自https://www.taichung.gov.tw/2150401/post
台中市政府（2024a）。都市計畫法臺中市施行自治條例。取自https://lawsearch.taichung.gov.tw/GLRSout/LawContent.aspx?id=GL002020
台中市政府（2024b）。台中市公共自行車租賃情形。取自https://govstat.taichung.gov.tw/TCSTAT/page/kcg08.aspx
交通部（2023）。運輸資料流通服務平台。取自https://tdx.transportdata.tw/
交通部統計處（2022）。民眾日常使用運具狀況簡析
交通部運輸研究所（2022）。2022年台灣公路容量手冊。於交通部運輸研究所編著。台灣地區。
吳恩瑋（2021）。應用隨機森林與約略集合理論於道路交通事故資料分析之研究–以新北市自行車事故資料為例。淡江大學運輸管理學系運輸科學碩士班。
呂千慈、鍾易詩、馮正民（2018）。環境空間與站點數對公共自行車租借量之影響分析。運輸學刊，30（2），113-137。https://doi.org/10.6383/jcit.201809_30(2).0002
李恒綺、楊大輝、楊明德、巫妮蓉（2016）。公共腳踏車使用者特性及偏好分析－以高雄市c-bike為例。運輸計劃季刊，45（4），331-355。
李舒媛（2018）。以悠遊卡大數據探討youbike租賃及轉乘捷運之使用者行為。淡江大學運輸管理學系碩士班。
科技島（2022）。「機器學習」究竟是什麼？定義、四大類型一次看。取自https://www.technice.com.tw/issues/ai/2517/
胡守任、劉昭堂（2014）。公共自行車租賃站最佳區位選擇模式：以高雄市公共自行車為例。運輸計劃季刊，43（4），367-392。
倪如霖（2016）。公共自行車租借量之影響因素分析-地理加權迴歸和函數資料分析方法之應用。國立交通大學運輸與物流管理學系。
陳時仲（2015）。隨機森林模型效力評估。國立交通大學統計學研究所。
陳穆臻、許嘉霖、曾莉晴（2020）。分析共享單車使用意圖之決定因素及市場區隔。運輸計劃季刊，49（1），1-41。
曾平毅、張瓊文、林國顯、蘇振維（2008）。都市幹道服務水準等級劃分方式芻議。都市交通，23（2），41-48。https://doi.org/10.29774/ut.200812.0004
黃美禎（2020）。地理資訊系統及資料探勘技術在公共自行車設站之分析與研究 - 以台北市公共自行車系統為例。國立清華大學經營管理碩士在職專班。
黃晏珊（2015）。台北市公共自行車系統營運特性分析。淡江大學運輸管理學系碩士班。
微笑單車股份有限公司（2022）。Youbike 2.0 滿站增時功能。取自https://www.youbike.com.tw/region/i/news/service/636dadfab4d24b651b690267/
微笑單車股份有限公司（2023）。2023/06/28(三) 00:00起，台中市youbike 1.0系統 停止營運，中苗跨縣市騎行請使用youbike 2.0 系統。取自https://www.youbike.com.tw/region/i/news/service/649163f4b61535b36e0870f2/
微笑單車股份有限公司（2024）。收費方式。取自https://www.youbike.com.tw/region/i/rate/
趙家芸、王聖鐸（2019）。以開放街圖與開放資料分析公共自行車使用率－以台北市為例。航測及遙測學刊，24（4），245-255。https://doi.org/10.6574/jprs.201912_24(4).0004
樂宸豪（2023）。公共自行車系統服務能力與使用者體驗對照研究 -以新北市youbike系統為例。淡江大學運輸管理學系碩士班。
蔡宗佑（2017）。公共自行車之替代性與互補性—以台北都會區為例。國立交通大學運輸與物流管理學系。
鄭群彥（2014）。台北公共自行車租賃系統使用型態之分析。國立交通大學運輸與物流管理學系。
盧宗成、吳東凌、陳翔捷（2020）。交通行動服務方案購買之決策樹分析與行銷策略中華民國運輸學會學術論文研討會。
戴威（2018）。台北市youbike開放大數據為基礎的公共自行車旅次與租賃站特性分析。淡江大學運輸管理學系碩士班。
鍾智林、徐美蕙（2023）。以開放資料探究新冠疫情對台北捷運旅運量之影響。運輸學刊，35（3），328-352。
鍾智林、黃晏珊（2016）。開放式數據為基礎之公共自行車營運特性分析：以台北youbike為例。運輸學刊，28（4），455-478。https://doi.org/10.6383/jcit.201612_28(4).0003
鍾智林、簡佑勳（2014）。公共自行車時空分析法之構建與營運策略改善－以台北微笑自行車為例。都市交通，29（1），1-10。
魏健宏、羅鈺雯（2021）。基於駕駛風險等級建立決策樹模型以探討國道客運偏差駕駛行為之管理。運輸學刊，33（2），195-218。https://doi.org/10.6383/jcit.202106_33(2).0003

英文文獻
Cheng, L., De Vos, J., Zhao, P. J., Yang, M., & Witlox, F. (2020). Examining non-linear built environment effects on elderly's walking: A random forest approach [Article]. Transportation Research Part D-Transport and Environment, 88, 11, Article 102552. https://doi.org/10.1016/j.trd.2020.102552 
Cho, J. H., Seo, Y. H., & Kim, D. K. (2021). Efficiency Comparison of Public Bike-Sharing Repositioning Strategies Based on Predicted Demand Patterns [Article]. Transportation Research Record, 2675(11), 104-118, Article 03611981211016859. https://doi.org/10.1177/03611981211016859
Chung, C. L., & Huang, C. L. (2023). Impacts Of Imposing A Start Fee On The Bikesharing Program: Empirical Evidence Of Taipei YouBike [Article]. Journal of Applied Science and Engineering (Taiwan), 26(11), 1563-1571. https://doi.org/10.6180/jase.202311_26(11).0006
Guo, Y., Zhou, J., Wu, Y., & Li, Z. (2017). Identifying the factors affecting bike-sharing usage and degree of satisfaction in Ningbo, China. PLOS ONE, 12(9), e0185100. https://doi.org/10.1371/journal.pone.0185100
He, X., & He, S. Y. (2023). Using open data and deep learning to explore walkability in Shenzhen, China [Article]. Transportation Research Part D-Transport and Environment, 118, 20, Article 103696. https://doi.org/10.1016/j.trd.2023.103696
Huting, J., Reid, J., Nwoke, U., Bacarella, E., & Ky, K. E. (2016). Identifying Factors That Increase Bus Accident Risk by Using Random Forests and Trip-Level Data [Article]. Transportation Research Record(2539), 149-158. https://doi.org/10.3141/2539-17
IBM. (2024). What is a decision tree? https://www.ibm.com/topics/decision-trees
Kim, K. (2023). Investigation of modal integration of bike-sharing and public transit in Seoul for the holders of 365-day passes [Article]. Journal of Transport Geography, 106, 16, Article 103518. https://doi.org/10.1016/j.jtrangeo.2022.103518
Kim, M., & Cho, G.-H. (2021). Analysis on bike-share ridership for origin-destination pairs: Effects of public transit route characteristics and land-use patterns. Journal of Transport Geography, 93, 103047. https://doi.org/https://doi.org/10.1016/j.jtrangeo.2021.103047
Lee, J., Yu, K., & Kim, J. (2021). Public Bike Trip Purpose Inference Using Point-of-Interest Data [Article]. Isprs International Journal of Geo-Information, 10(5), 23, Article 352. https://doi.org/10.3390/ijgi10050352
Lin, J.-J., Wang, N.-L., & Feng, C.-M. (2017). Public bike system pricing and usage in Taipei. International Journal of Sustainable Transportation, 11(9), 633-641. https://doi.org/10.1080/15568318.2017.1301601
Lin, J. J., Zhao, P. J., Takada, K., Li, S. X., Yai, T. S., & Chen, C. H. (2018). Built environment and public bike usage for metro access: A comparison of neighborhoods in Beijing, Taipei, and Tokyo [Article]. Transportation Research Part D-Transport and Environment, 63, 209-221. https://doi.org/10.1016/j.trd.2018.05.007
Liu, H.-C., & Lin, J.-J. (2019). Associations of built environments with spatiotemporal patterns of public bicycle use. Journal of Transport Geography, 74, 299-312. https://doi.org/https://doi.org/10.1016/j.jtrangeo.2018.12.010
Manzi, G., & Saibene, G. (2018). Are they telling the truth? Revealing hidden traits of satisfaction with a public bike-sharing service [Article]. International Journal of Sustainable Transportation, 12(4), 253-270. https://doi.org/10.1080/15568318.2017.1353186
Namkung, O. S., Park, J., & Ko, J. H. (2023). Public bike users' annual travel distance: Findings from combined data of user survey and annual rental records [Article]. Transportation Research Part a-Policy and Practice, 170, 14, Article 103619. https://doi.org/10.1016/j.tra.2023.103619
O'Brien, O., Cheshire, J., & Batty, M. (2014). Mining bicycle sharing data for generating insights into sustainable transport systems [Article]. Journal of Transport Geography, 34, 262-273. https://doi.org/10.1016/j.jtrangeo.2013.06.007
O'Brien, O., Renata Rabello, Steve Chou, Thiago Beniccio. (2024). Bike Sharing World Map. https://bikesharingworldmap.com/#/taichungcity/
Park, J., Honda, Y., Fujii, S., & Kim, S. E. (2022). Air Pollution and Public Bike-Sharing System Ridership in the Context of Sustainable Development Goals. Sustainability, 14(7), 3861. https://www.mdpi.com/2071-1050/14/7/3861
Pekdemir, M. I., Altintasi, O., & Ozen, M. (2024). Assessing the Impact of Public Transportation, Bicycle Infrastructure, and Land Use Parameters on a Small-Scale Bike-Sharing System: A Case Study of Izmir, Türkiye [Article]. Sustainable Cities and Society, 101, 17, Article 105085. https://doi.org/10.1016/j.scs.2023.105085
Pitombo, C. S., de Souza, A. D., & Lindner, A. (2017). Comparing decision tree algorithms to estimate intercity trip distribution [Article]. Transportation Research Part C-Emerging Technologies, 77, 16-32. https://doi.org/10.1016/j.trc.2017.01.009
Policy, I. f. T. a. D. (2018). The Bikeshare Planning Guide. In I. f. T. a. D. Policy (Ed.), Institute for Transportation and Development Policy. Institute for Transportation and Development Policy.
Radzimski, A., & Dziecielski, M. (2021). Exploring the relationship between bike-sharing and public transport in Poznan, Poland [Article]. Transportation Research Part a-Policy and Practice, 145, 189-202. https://doi.org/10.1016/j.tra.2021.01.003
Schimohr, K., & Scheiner, J. (2021). Spatial and temporal analysis of bike-sharing use in Cologne taking into account a public transit disruption [Article]. Journal of Transport Geography, 92, 12, Article 103017. https://doi.org/10.1016/j.jtrangeo.2021.103017
scikit-learn. (2024). Confusion matrix. https://scikit-learn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html
Sun, F. Y., Chen, P., & Jiao, J. F. (2018). Promoting public bike-sharing: A lesson from the unsuccessful Pronto system [Article]. Transportation Research Part D-Transport and Environment, 63, 533-547. https://doi.org/10.1016/j.trd.2018.06.021
Teixeira, J. F., Silva, C., & Moura e Sá, F. (2023). Potential of Bike Sharing During Disruptive Public Health Crises: A Review of COVID-19 Impacts. Transportation Research Record, 0(0), 03611981231160537. https://doi.org/10.1177/03611981231160537
Wu, C., Kim, I., & Chung, H. (2021). The effects of built environment spatial variation on bike-sharing usage: A case study of Suzhou, China. Cities, 110, 103063. https://doi.org/https://doi.org/10.1016/j.cities.2020.103063
Yen, B. T. H., Mulley, C., & Yeh, C. J. (2023). How public shared bike can assist first and last mile accessibility: A case study of the MRT system in Taipei City, Taiwan [Article]. Journal of Transport Geography, 108, 13, Article 103569. https://doi.org/10.1016/j.jtrangeo.2023.103569
Zhang, C. K., Bin, J. C., Wang, W., Peng, X., Wang, R., Halldearn, R., & Liu, Z. (2020). AIS data driven general vessel destination prediction: A random forest based approach [Article]. Transportation Research Part C-Emerging Technologies, 118, 19, Article 102729. https://doi.org/10.1016/j.trc.2020.102729
Zhang, Y., Thomas, T., Brussel, M., & van Maarseveen, M. (2017). Exploring the impact of built environment factors on the use of public bikes at bike stations: Case study in Zhongshan, China [Article]. Journal of Transport Geography, 58, 59-70. https://doi.org/10.1016/j.jtrangeo.2016.11.014

日文文獻
国土交通省（2023）。シェアサイクル事業の導入・運営のためのガイドライン。取自https://www.mlit.go.jp/road/ir/ir-council/sharecycle/pdf05/03.pdf
野嶋, 剛.（2023）。台湾のシェアサイクルはなぜ成長を続けるのか : 「youbike」拡大における行政と事業者の関係構築に対する考察。社会学研究所紀要，4，89-101。