進階搜尋


   電子論文尚未授權公開,紙本請查館藏目錄
(※如查詢不到或館藏狀況顯示「閉架不公開」,表示該本論文不在書庫,無法取用。)
系統識別號 U0026-1608202017023100
論文名稱(中文) 應用非負矩陣分解技術探討公共自行車使用之基本型態與租賃站點區位因素之影響
論文名稱(英文) Categorizing the Basic Using Patterns of Bicycle Sharing System and Investigating the Effects of Location Factors: A Non-Negative Matrix Factorization Approach
校院名稱 成功大學
系所名稱(中) 都市計劃學系
系所名稱(英) Department of Urban Planning
學年度 108
學期 1
出版年 109
研究生(中文) 羅先豪
研究生(英文) Hsien-Hao Lo
學號 P26074151
學位類別 碩士
語文別 中文
論文頁數 114頁
口試委員 口試委員-林楨家
口試委員-石豐宇
口試委員-解巽評
指導教授-李子璋
中文關鍵字 公共自行車  基本使用型態  借還行為  非負矩陣分解  區位因素 
英文關鍵字 Bicycle sharing system  Basic using patterns  Borrow-return behavior  Non-negative matrix factorization  Location factors 
學科別分類
中文摘要 公共自行車系統 (Bicycle Sharing System) 可追溯自1965年的阿姆斯特丹,發展至今已成國內外各大城市之永續交通政策的重要環節。公共自行車系統的密集設站與廣泛使用產生了旅運行為的巨量資料 (Bid data),成為分析都市活動的資料來源之一,許多文獻嘗試運用此數據來歸納公共自行車的使用型態,並分析不同因素對各個使用型態的影響關係,然而這些研究大多未針對使用者租用的時間長度或起迄點之間的距離來探討等變數來探討。這些變數可能含有旅次目的資訊,可以用來解讀公共自行車租借站使用者的結構,並推論租借站週邊的土地使用特性。此外,文獻上大多以集群分析的技術來歸納自行車租借站的使用型態,未對租借站的借還行為的組成特性來分析。本研究以這些研究缺口切入,藉以更全面的了解公共自行車使用型態的特性。
本研究之資料來源為臺北市公共自行車系統YouBike的營運資料庫,擷取其中2018年3至5月的租借紀錄,共計7,067,104筆旅次紀錄進行分析。本研究之分析流程共可分為三個階段:第一階段,本研究利用租用時長、移動距離、平均速度等微觀交通行為變數,將旅次的借還行為分類為「一般借還」、「長時借還」及「原地借還」等三種類型。同時考量了時間背景與旅次發生的型態,將公共自行車的使用情境予以分離,各自彙整成站點層級的使用資料表。第二階段,本研究嘗試使用非負矩陣分解技術將公共自行車的使用資料分解為不同的基本使用型態。該方法限制運算結果不為負數,且分析結果具有稀疏性,可將整體借還使用現象表現為各種類型使用現象之加總疊合。第三階段,本研究收集了各個公共自行車租賃站點週邊的區位因素,包含活動可及性及交通易行性等指標,以多元線性迴歸模型探討各項區位因素對各個基本使用型態的影響關係,並藉此推論各個借還行為的旅行目的與隱含行為意義。
本研究利用非負矩陣分解歸納出48個基本使用型態,其表現了各個使用情境下分佈在各個時段的尖峰使用現象。透過時序分佈、空間分佈及區位因素影響等分析,本研究發現不同旅次借還行為類型具有相當顯著的差異表現,在理解公共自行車之整體使用特性時發揮了強烈的調節作用。而研究結果也顯示整體借還現象可以被解讀為基本使用型態的疊加結構:多個特徵相似的個體旅次構成集體旅運行為,再疊加構成租賃站點的整體使用現象。本研究貢獻前述結論於公共自行車使用行為的知識前緣,增進相關議題的學術理解,並在實務上提供交通與都市計劃領域之規劃者對於自行車相關政策的決策依據。
英文摘要 The use of bicycle sharing systems (BSS) has generated a large amount of data for transport and urban studies. This study aims to categorized BSS using patterns and to evaluate the relationship between location factors and BSS use. Non-negative matrix factorization (NMF) was employed, which can disintegrate a large amount of data into several more comprehensible components. The relationships between BSS uses and surrounding location factors were investigated using linear regression.
Data were extracted using the BSS database from Taipei City, Taiwan. First, the BSS trips were categorized by renting durations and the distances between origin and destination (OD) to differentiate borrow-return behavior patterns. Then, the NMF was performed to decompose the overall temporal distribution of trips in BSS stations into several sets of peak-time using patterns. Each pattern was assumed to represent the urban activities generated from some specific location factors. Finally, linear regression models were built to test the relationship between the BSS using patterns and location factors.
The outcomes of this study show that the overall temporal distribution of trips in a BSS station is aggregated from the trips of several BSS user groups, and the NMF can extract the latent patterns within the overall data. In addition, we used a novel microscopic approach to categorize each trip by its attributes and found that the type of borrow-return behavior plays a significant role on analyzing BSS using patterns. This research contributes to a better understanding of BSS travel behavior, supporting decision making in bicycle policy and urban planning.
論文目次 摘要 i
誌謝 ix
目錄 xi
表目錄 xiii
圖目錄 xiv
第一章 緒論 1
第一節 研究背景、動機與目的 1
第二節 研究流程、方法與資料 4
第二章 文獻回顧 15
第一節 歸納公共自行車的使用型態 15
第二節 盲訊號分離與非負矩陣分解 25
第三節 公共自行車使用的影響因素 31
第四節 綜合評析 36
第三章 研究設計 39
第一節 分類旅次借還行為 40
第二節 歸納基本使用型態 46
第三節 探討區位因素影響 51
第四節 分析流程 57
第四章 研究結果 65
第一節 時序分佈分析 66
第二節 空間分佈分析 74
第三節 區位因素影響分析 82
第四節 綜合討論 99
第五章 結論與建議 107
第一節 研究總結 107
第二節 研究貢獻 109
第三節 後續研究建議 110
參考文獻 111
附錄 I
附錄一 基本使用型態的時序分佈 I
附錄二 基本使用型態的空間分佈 III
附錄三之一 區位因素之迴歸分析校估結果(變數修正前) VII
附錄三之二 區位因素之迴歸分析校估結果(變數修正後) VIII
參考文獻 1. 王少谷(2015)。公共自行車租用與都市土地使用型態關聯性之探討(碩士論文)。取自Airiti Library華藝線上圖書館。
2. 白詩滎(2017)臺北公共自行車使用行為特性分析與友善環境建構之研究(碩士論文)。取自http://nccur.lib.nccu.edu.tw/handle/140.119/64389
3. 交通部運輸研究所(2019)。2020年版運輸政策白皮書。
4. 李亭儀(2016)。探討混合使用發展對於混合使用之影響—以台南市為例(碩士論文)。取自Airiti Library華藝線上圖書館。
5. 凌瑞賢(2004)。運輸規劃原理與實務(第二版)。鼎漢國際工程顧問。
6. 臺北市政府交通局(2015年3月23日)。YouBike設站有準則 今後選點標準一致。【新聞稿】2020年8月15日,取自https://www.dot.gov.taipei/News_Content.aspx?n=D739A9F6B5C0AB95&sms=72544237BBE4C5F6&s=9D0009D2FE920FAD
7. 臺北市政府交通局(2018)。臺北市政府交通政策白皮書。
8. 劉鴻錡(2017)。建成環境對公共自行車使用時空型態之影響(碩士論文)。取自Airiti Library華藝線上圖書館。
9. 蕭金財、蔡瑞彬、陳宇文、張良正、陳祐誠(2015)。應用獨立成分分析法分離地下水位成份之研究-以蘭陽平原為例。中國土木水利工程學,27(4),345-355。
10. 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:以臺北YouBike為例。運輸學刊,28(4),455-478。
11. YouBike(無日期)關於 YouBike。2020年8月15日,取自https://taipei.youbike.com.tw/about/youbike
12. Austwick, M. Z., O’Brien, O., Strano, E., & Viana, M. (2013). The structure of spatial networks and communities in bicycle sharing systems. PloS one, 8(9), e74685.
13. Bordagaray, M., dell’Olio, L., Fonzone, A., & Ibeas, Á. (2016). Capturing the conditions that introduce systematic variation in bike-sharing travel behavior using data mining techniques. Transportation Research Part C: Emerging Technologies, 71, 231-248.
14. Borgnat, P., Abry, P., Flandrin, P., Robardet, C., Rouquier, J.-B., & Fleury, E. (2011). Shared bicycles in a city: A signal processing and data analysis perspective. Advances in Complex Systems, 14(03), 415-438.
15. Brail, R. K., & Chapin, F. S. (1973). Activity Patterns of Urban Residents. Environment and Behavior, 5(2), 163-190. doi:10.1177/001391657300500203
16. Castiglione, J., Bradley, M., & Gliebe, J. (2014). Activity-Based Travel Demand Models: A Primer. Washington, DC: The National Academies Press.
17. Choi, S., Cichocki, A., Park, H.-M., & Lee, S.-Y. (2005). Blind source separation and independent component analysis: A review. Neural Information Processing-Letters and Reviews, 6(1), 1-57.
18. Faghih-Imani, A., Eluru, N., El-Geneidy, A. M., Rabbat, M., & Haq, U. (2014). How land-use and urban form impact bicycle flows: evidence from the bicycle-sharing system (BIXI) in Montreal. Journal of Transport Geography, 41, 306-314.
19. Fishman, E. (2015). Bikeshare: A Review of Recent Literature. Transport Reviews, 36(1), 92-113. doi:10.1080/01441647.2015.1033036
20. Froehlich, J., Neumann, J., & Oliver, N. (2008). Measuring the pulse of the city through shared bicycle programs. Proc. of UrbanSense08, 16-20.
21. Hägerstraand, T. (1970). What about people in regional science? Papers in Regional Science, 24(1), 7-24.
22. Lathia, N., Ahmed, S., & Capra, L. (2012). Measuring the impact of opening the London shared bicycle scheme to casual users. Transportation Research Part C: Emerging Technologies, 22, 88-102. doi:https://doi.org/10.1016/j.trc.2011.12.004
23. Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788-791. doi:10.1038/44565
24. Li, T., Sun, D., Jing, P., & Yang, K. (2018). Smart Card Data Mining of Public Transport Destination: A Literature Review. Information, 9(1), 18. doi:10.3390/info9010018
25. 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. doi:https://doi.org/10.1016/j.jtrangeo.2018.12.010
26. Midgley, P. (2009). The role of smart bike-sharing systems in urban mobility. Journeys, 2(1), 23-31.
27. Munoz-Mendez, F., Klemmer, K., Han, K., & Jarvis, S. (2018). Community structures, interactions and dynamics in London's bicycle sharing network. arXiv preprint arXiv:1804.05584.
28. O’Brien, O., Cheshire, J., & Batty, M. (2014). Mining bicycle sharing data for generating insights into sustainable transport systems. Journal of Transport Geography, 34, 262-273. doi:https://doi.org/10.1016/j.jtrangeo.2013.06.007
29. Paatero, P., & Tapper, U. (1994). Positive matrix factorization: A non‐negative factor model with optimal utilization of error estimates of data values. Environmetrics, 5(2), 111-126.
30. Pearson, K. (1901). LIII. On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11), 559-572. doi:10.1080/14786440109462720
31. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Dubourg, V. (2011). Scikit-learn: Machine learning in Python. Journal of machine learning research, 12(Oct), 2825-2830.
32. Poussevin, M., Tonnelier, E., Baskiotis, N., Guigue, V., & Gallinari, P. (2015). Mining ticketing logs for usage characterization with nonnegative matrix factorization Big Data Analytics in the Social and Ubiquitous Context (pp. 147-164): Springer.
33. Romanillos, G., Zaltz Austwick, M., Ettema, D., & De Kruijf, J. (2015). Big Data and Cycling. Transport Reviews, 36(1), 114-133. doi:10.1080/01441647.2015.1084067
34. Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with python. Paper presented at the Proceedings of the 9th Python in Science Conference.
35. Shaheen, S., Guzman, S., & Zhang, H. (2010). Bikesharing in Europe, the Americas, and Asia: past, present, and future. Transportation Research Record: Journal of the Transportation Research Board(2143), 159-167.
36. Shi, X., Lv, F., Seng, D., Xing, B., & Chen, J. (2019). Exploring the Evolutionary Patterns of Urban Activity Areas Based on Origin-Destination Data. IEEE Access, 7, 20416-20431.
37. Stone, J. V. (2004). Independent component analysis: a tutorial introduction: MIT press.
38. Tan, P.-N. (2007). Introduction to data mining: Pearson Education India.
39. Vogel, P., Greiser, T., & Mattfeld, D. C. (2011). Understanding bike-sharing systems using data mining: Exploring activity patterns. Procedia-Social and Behavioral Sciences, 20, 514-523.
40. Wei, S., Xu, J., & Ma, H. (2019). Exploring public bicycle network structure based on complex network theory and shortest path analysis: the public bicycle system in Yixing, China. Transportation Planning and Technology, 1-15.
41. Wong, J.-T., & Cheng, C.-Y. (2015). Exploring activity patterns of the taipei public bikesharing system. Journal of the Eastern Asia Society for Transportation Studies, 11, 1012-1028.
42. Wu, Y.-H., Kang, L., Hsu, Y.-T., & Wang, P.-C. (2019). Exploring trip characteristics of bike-sharing system uses: Effects of land-use patterns and pricing scheme change. International Journal of Transportation Science and Technology. doi:https://doi.org/10.1016/j.ijtst.2019.05.003
43. Xu, Y., Chen, D., Zhang, X., Tu, W., Chen, Y., Shen, Y., & Ratti, C. (2019). Unravel the landscape and pulses of cycling activities from a dockless bike-sharing system. Computers, Environment and Urban Systems, 75, 184-203.
44. Yue, Y., Lan, T., Yeh, A. G., & Li, Q.-Q. (2014). Zooming into individuals to understand the collective: A review of trajectory-based travel behaviour studies. Travel Behaviour and Society, 1(2), 69-78.
45. Zhang, Y., Brussel, M. J., Thomas, T., & van Maarseveen, M. F. (2018). Mining bike-sharing travel behavior data: An investigation into trip chains and transition activities. Computers, Environment and Urban Systems, 69, 39-50.
46. Zhou, X. (2015). Understanding Spatiotemporal Patterns of Biking Behavior by Analyzing Massive Bike Sharing Data in Chicago. PloS one, 10(10), e0137922. doi:10.1371/journal.pone.0137922
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2023-01-07起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2023-01-07起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw