台鐵在西部幹線的城際運輸中一直扮演著重要的角色，故如何能將鐵路運輸導向有效率且合理的分配一直是一個很重要的課題，亦是值得研究人員持續探討的方向。由於台鐵目前的座位管理方式仍有許多的缺點，故容易造成誤點、無法購票、座位浪費或不足等問題，此都是影響台鐵營運收入的重要因素。故本研究重點便是如何針對台鐵之旅運需求，構建出合適的短期預測模式以應付每日台鐵不同班次之需求；也希望能夠利用不同模式間比較，找出班次資料與模式間的關係並獲得選取預測模式的經驗法則；最後，亦期待能將不同模式做一結合，作為後續研究更有利的工具。
時間序列(Time Series)是指以時間順序型態出現之ㄧ連串觀測值之集合。時間序列模式就是從過去的觀測值建立一套適合的模式來預測未來的走勢，不同型態之數列需要建立不同的模式來代表。自我回歸整合移動平均模式是目前常用的時間序列模式之ㄧ，其模式建立的過程分為三部份─認定模式形式、模式參數估計與診斷檢定與修正，而其模式包括三個部分：自我迴歸項(AR)、移動平均項(MA)與差分處理，藉由這三種工具的處理與結合，即可建立一完整的ARIMA預測模式。而指數平滑法是一種加權移動平均的形式，根據先前週期的資料來預測數值，數值會隨著先前預報的誤差而做出調整，依其平滑常數的大小來決定此次預測反應先前預測之誤差程度為何。最後，模式構建時必須針對資料，觀察其是否具有季節特性或趨勢特性，才能因應資料特性做出處理，以其構建出最合適的模式，得到良好的預測績效。
經過台鐵2002與2003年資料蒐集、時間序列資料特性分析以及選取自強號班次做為實例的驗證，本研究可得以下結論：
(1) 不同班次會隨著發車時間、每日特性等因素而存在不同的特性，這些特性亦會表現在模式與預測準確度上。
(2) ARIMA模式與Holt-Winters模式對於台鐵短期旅運需求預測表現良好。而進一步利用更新概念來預測亦獲得不錯的績效。
(3) 當加入Box-Cox轉換函數後，可將原本非常態的班次資料轉接近常態，而轉換後的資料對於預測有較好的預測績效，尤其對於線性的模式(ARIMA)的處理更為明顯。
(4) 利用分解─建模─重組─預測的概念來結合ARIMA模式與Holt-Winters模式時，發現預測後獲得在本研究中最佳的預測績效，可作為預測的新經驗。

The Taiwan Railroad Administration (TRA) is a very important transportation in Taiwan, and transport passengers all the days. How to operate effecticient and reasonable is a very important task. But presently the seat mamgement of TRA still exist some defects, and they will effect revenue of TRA. So my thesis will forcus on:
(1) The travel demand of TRA and try to construct suitable short-term forecasting
model for daily TRA trains.
(2) To compare performance to find some imformation between train datas & models. (3) Finally, try to hybrid different models to get better forecasting performance.
Time Series Analysis (TSA) is according to past observation to construct suitable model and predict the tendency of future. The Autoregressive Integrated Moving Average (ARIMA) includes three parts- Autoregressive, AR (p); Differential (d) & Moving average, MA (q), and we can using these parts to construct suitable model. The Exponential Smoothing Model (ESM) can use to construct model with exponential function & smoothing curve by weighted past data. Both models need data observation, so according data features we can construct model with suitable method.
After data collection, data analysis, model construction and forecasting, we got some conclusion:
(1) Different trains will show different features because of time and date, and these features will effect forecasting performance.
(2) ARIMA and ESM can obtain promising performance via trial and error. MAPE of out-of-sample is below 20%.
(3) Box-Cox transformation of raw data can improve out-of-sample performance.
(4) The proposed hybrid model can further upgrade out-of-sample performance significantly.

中文部份：
1. 台灣鐵路管理局，「台灣鐵路統計月刊」，2001~2003。
2. 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35-62，1995。
3. 林茂文 著，「時間序列分析與預測」，1992。
4. 林聰明、吳水丕 著，「指數平滑法之選擇與應用」，1981。
5. 林永鴻，「時間數列分析方法在預測電信產品需求上之應用」，國立成功大學統計學研究所碩士論文，1994。
6. 林依穎，「國外旅遊業對大陸旅遊業需求之分析」，國立台灣大學國家發展研究所碩士論文，2003。
7. 邱振崑，「港埠營運量時間數列之預測─管理與控制的工具」，海運研究學刊，1996。
8. 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科學研究所碩士論文，2001。
9. 陳敦基，「台灣地區城際客運需求時間數列模式建立之研究」，運輸計畫季刊，第23卷第2期，1994。
10. 陳敦基、陳如聖，「台灣地區城際客運需求之時間數列分析」，中華民國運輸學會第八屆學術論文研討會論文集，PP.559-573，1992。
11. 連聖皓、朱宜寧、謝邦昌，「台灣省汽車客運量之時間序列預測模式」，輔仁管理評論，第四卷第一期，PP31-52，1997。
12. 楊奕農 著，「時間序列分析─經濟與財務上之應用」，2005。
13. 蔡宗憲、李治綱、魏健宏，「短期列車旅運需求預測模式」，中華國際計量管理研討會論文集，2004。
14. 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研究所碩士論文，2001。
15. 賴泰元，「利用時間序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，1999。
16. 顧嵐、范金城 編譯，「時間序列分析─預測與控制」，1999。

英文部分：
1. Arem B.V. , Kirby H.R. ,Vlist M.J.M.V.D. and Whittaker J.C.(1997) , ”Recent Advances and Applications in The Field of Short-Term Traffic Forecasting”, International Journal of Forecasting, Vol. 13, pp. 1-12.
2. Cho V. (2003), ”A Comparison of Three Different Approaches to Tourist Arrival Forecasting”, Tourism Management, Vol. 24, pp. 323-330.
3. Chu F.L.(1999) , “Forecasting Tourism: A Combined Approach” , Tourism Management, Vol. 19, No. 6, pp. 515-520.
4. J.V. Hansen and R.D. Nelson(2003), “Forecasting and Reconbining Time-Series Components by Using Neural Networks”, Journal of the Operational Research Society, Vol. 54, pp. 307-317.
5. Kim C. and Hobeika A.G. (1993), “A Short-Time Demand Forecasting Model from Real-Time Traffic Data”, Infrastructure Planning and Management, ASCE.
6. Lee S. and Fambro D.B. (1999), “Application of Subset Autoregressive Integrated Moving Average Model for Short-Tem Freeway Traffic Volume Forecasting”. Transportation Research Record, Vol. 1678, No. 1213.
7. Maddala K.(2001) , ”Enconometrics”.
8. Makridakis S. (1990),”Sliding Simulation: A New Approach To Time Series Forecasting”, Journal of Management Science, Vol. 36, No 4.
9. Makridakis S. & Hibon M. (2000), ”The M3-Competition: result, conclusion and implications”, International Journal of Forecasting, pp. 451-476.
10. Moorthy C.K. & Ratcliffe B.G.. (1988), “Short Term Traffic Forecasting Using Time Series Methods”, Transportation Planning and Technologies, Vol. 12, pp. 45-56.
11. Scott P.P. (1986), “Modeling Time Series of British Road Accident Data”, Accident Analysis and Prevention, 18(2), pp. 109-117.
12. Tseng F.M. ,Tzeng G.H. (2002),”A Fuzzy Seasonal ARIMA Model for Forecasting”, Fuzzy Set and Systems, Vol. 126, pp. 367-376.
13. Tseng F.M. ,Yu H.C. ,Tzeng G..H. (2002), “Combining Neural Network Model With Seasonal Time Series ARIMA Model”, Technological Forecasting & Social Change, Vol. 69, pp. 71-87.
14. Taylor J.W. (2003),”Exponential Smoothing with A Damped Multiplicative Trend”, International Journal of Forecasting, Vol. 19, pp.715-725.
15. Usha A. Kumar (2005), “Comparison of neural networks & regression analysis: A new insight”, Expert Systems with Applications, Vol. 19, pp. 424-430.
16. Vlahogianni E.I. , Golias J.C. ,Karlaftis M.G.. (2004), “Short-Term Traffic Forecasting : Overview of Objectives and Methods”, Transport Review, Vol. 24, No. 5, pp. 533-557.
17. William W.S. Wei (2005), Time Series Analysis.
18. Williams B.M. , Durvasula P.K. , and Brown D.E. (1998), ”Urban Freeway Traffic Flow Prediction –Application of Seasonal Autoregressive Integrated Moving Average and Exponential Smoothing Models”, Transportation Research Record, Vol. 1644, No. 0463.
19. Zhang P.G. (2003), “Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model”, Neurocomputing, Vol. 50, pp. 159-175