準確的需求預測是營收管理（Revenue management）的重要步驟。大部分旅客運輸業的營收管理系統，都依賴售票歷史資料從事需求預測。本研究利用包括預售之台鐵電腦售票資料，針對售票曲線（Booking curve），以群落分析、區別分析、與多元羅吉斯特迴歸，探討售票曲線之型態與特性，並據之預測某起訖點使用某列車之旅客需求。
　　目前台鐵提供網路、與語音預售訂票，加上旣有的現場窗口預購與當日售票，每列車之每個起訖站範圍均設有座位配額（Booking limit）。本研究蒐集民國92年3月24日至4月20日的自強號預售所有電腦售票資料，分別依起訖站的距離分為中、長途旅行市場，透過群落分析，將預售型態與乘載比例相近之累積比例曲線聚集在同一群中，以風險偏好的觀念解釋旅客預購車票之行為特性。在分群之基礎下，再從列車相關之各種特性中尋找群落分類之解釋變數，並以區別分析與多元羅吉斯特廻歸模式作群落之判別，以解釋與預測某起訖點使用某列車售票曲線之群落歸屬、曲線型態、及曲線反映之旅客量。
本研究結果，發現中、長途旅運市場之售票曲線型態有明顯差異，長途旅運市場的售票型態呈現多樣化，例如旅客對連續假日之熱門班次多提早購票，形成風險趨避之保守購票型態。中途旅運市場，一般言之，預售不多且當天購票比例大，各群落售票型態均呈現風險追求之型態。探討群落分析結果之各群落特性，可發現群落確實與列車時間特性間呈現關聯性。利用區別分析與多元羅吉斯特模式，判別群落類型的分類結果，可以達到相當不錯之判中率。不過，長途旅運市場判中群落的百分比低於中途旅運市場，且多元羅吉斯特模式的判中百分比高於區別分析。此外，如果直接應用群落分析與區別分析的判別結果，以分群之平均售票曲線作為旅運量的預測值，發現其預測誤差百分比(MAPE)相當高，說明售票曲線之型態分析只適合作預測分析之基礎，仍需要引進其他預測技術以精確地預測台鐵各起訖點使用各列車之旅運量。

　　This study uses the historical data of advanced booking from Taiwan Railway Administration (TRA) to plot booking curves. Several methods including cluster analysis, discriminant analysis, and multiple logistic regression were used to analyze the patterns and characteristics of the booking curve, and to forecast the railway passenger travel demand.
　　TRA offers several kinds of ticket sale including internet ticketing service, voice ticketing service, window advanced booking and instant ticketing sales. A fixed quota of seats (Booking limit) on each schedule and each OD is set. This study collected ticketing data of the highest class train (Tzu-Chiang Train) in TRA from 24th of March to 20th of April in 2004, and divided it into long and medium travel markets by the distance.
　　The risk preference is used to explain the passenger ticketing behavior by gathering the similar trend and loading ratio curves into the same group via cluster analysis. Then, the explanatory variables of the clusters from trains related characteristics were selected to discriminate the clusters via discriminant analysis and multiple logistic regression, and to explain and forecast the clusters attributions, patterns and the passenger quality of booking ratio curves.
　　The results show that booking curve patterns of long travel markets is obviously different from that of medium travel markets. The curve patterns of long-term travel market present variegation, people usually purchase tickets in advance; it forms a conservative purchasing type to avoid risk. In medium-term travel market, situations of advanced ticketing are few, people usually purchase tickets nowadays. It means every cluster presents a risk-taking pattern.
　　We can find that clusters indeed get correlation with trains timing characteristics by the results of cluster analysis. The prediction accuracy of cluster pattern discrimination also gets pretty good results by using discriminant analysis and multiple logistic regression. The prediction accuracy of medium-terms travel markets is higher than that of long-term travel markets, and multiple logistic regression gets better prediction accuracy than discriminant analysis does. Besides, when the average values of booking curves from every cluster are used to forecast the travel demand, the mean absolute percentage error (MAPE) is large; it means an advanced forecasting methods should be developed to get a more accurate passenger travel demand of TRA.

參考文獻
一、國內部份
1、90年度台鐵站勢調查，台灣鐵路管理局，民國90年。
2、91年度台鐵旅客意向調查，台灣鐵路管理局，民國91年。
3、九十一第一季台鐵營運績效分析，台灣鐵路管理局，民國91年6月。
4、王家麟，多種處罰措施影響酒後駕車事故發生之評估與比較，私立逢甲大學交通工程與管理學系研究所碩士論文，民國92年6月。
5、台鐵城際運輸及通勤運輸狀況之探討，台灣鐵路管理局，民國90年8月。
6、台鐵車站近三年業務量狀況分析，台灣鐵路管理局，民國91年9月。
7、台鐵台鐵短中程旅客購票結構及流量分析，民國92年7月。
8、汪進財、張喜美，不確定需求下鐵路列車座位之管理—台鐵定位系統之分析，台鐵資料月刊，頁28-48，1995。
9、江炳南，機車使用汰換時程之研究，私立淡江大學運輸管理學系研究所碩士論文，民國91年6月。
10、林上閔，都市商業區行人對步道類型選擇偏好之研究，國立交通大學交通運輸研究所碩士論文，民國85年6月。
11、施弘志、段良雄、凌瑞賢，都市交通計畫的理論與實務，九版，國立編譯館，民國89年8月1日。
12、陳順宇，多變量分析，二版，華泰書局，民國89年，7月。
13、陳順宇，多變量分析，三版，華泰書局，民國93年，2月。
14、陳雅妮，航空公司航班客位需求與訂位艙等規劃，國立交通大學運輸工程與管理系研究所論文，民國89年，6月。
15、陳欣欣，台鐵旅運需求與預測之研究，國立成功大學交通管理學系研究所碩士論文，民國89年6月。
16、張嘉南，交叉路口交通衝突之研究，成功大學土木工程研究所碩士論文，民國85年6月。
17、張有恆，運輸管理，華泰文化事業公司，民國91年。
18、張有恆，航空業經營與管理 華泰文化事業公司，民國91年。
19、曾國維，號誌化交叉路口違規與衝突發生時間及頻率之研究，私立逢甲大學交通工程與管理學系研究所碩士論文，民國90年6月。
20、曾平毅、黃健星，交通肇事逃逸事件偵破之特性分析，中華民國第六屆運輸安全研討會，p1-11，民國88年11月。
21、姚高橋、曾國維、楊俊宜，交通肇事傷亡嚴重程度影響因素與執法策略研擬之研究，85年道路交通安全執法研討會，pp1-22，民國85年6月。
22、楊思瑜，小型車事故特性分析及嚴重程度預測模式之研究—以桃竹苗地區為例，私立逢甲大學交通工程與管理學系研究所碩士論文，民國92年6月。
23、蔡宗憲，「短期列車旅運需求預測~類神經網路模式之應用」，國立成功大學交通管理科學系研究所碩士論文，民國90年6月。
24、鄭鴻明，小汽車駕駛人路線選擇行為模式之研究，國立交通大學交通運輸研究所碩士論文，民國85年6月。
25、賴泰元，利用時間數列模式探討台鐵旅運需求~以高雄站為例，國立成功大學交通管理科學研究所碩士論文，民國88年6月。
26、鍾士彥，以習慣領域觀點探討都市地區駕駛者闖紅燈行為，私立逢甲大學交通工程與管理學系研究所碩士論文，民國92年7月。
27、謝俊杰，火車網路訂票系統之研究，國立暨南國際大學資訊管理學系研究所碩士論文，民國89年6月。
28、蘇昭維，多種土地使用型態下停車需求與供給之分析—以台中市西區為例，私立逢甲大學交通工程與管理學系研究所碩士論文，民國91年7月。
二、國外部份
1、Agresti A. (1996), “An Introduction to Categorical Data Analysis”, New York, Wiley.
2、Cheung, Y.M.(2003), “k*-Means: A new generalized k-means clustering algorithm”, Pattern Recognition Letters 24, 2883-2893.
3、Enz C.A., Withiam G.(2001),”The “4-C” Strategy for Yield Manage- ment”, The Center for Hospitality Research at Cornell University.
4、Huberty, C. J. (1994).,”Applied Discriminant Analysis.”, New York: Jon Wiley & Sons.
5、Hosmer, D.W., Lemeshow, S. (2000),”Applied Logistic Regression”, second edition, Wiley series in probability and statistics, New York.
6、Menard, S. (1995) Applied Logistic Regression Analysis, SAGE Publications, Newbury Park.
7、Milligan, G.W. and Cooper, M.C. (1985), "An Examination of Procedures for Determining the Number of Clusters in a Data Set," Psychometrika,50, 159-179.
8、Norusis, Marija J. (1999), “SPSS: Regression Models 10.0. Chicago, IL: SPSS Inc.”.
9、Sarle, W.S. (1983), “Cubic Clustering Criterion”, SAS Technical ReportA-108, Cary, NC: SAS Institute Inc.
10、Sarle, W.S and Kuo, An-Hsiang (1993),” The MODECLUS Procedure”, SASTechnical Report P-256, Cary, NC: SAS Institute Inc.
11、Sharma S. (1996),” Applied Multivariate Techniques”, John Wiley & Sons, Inc.