台灣都會區，地狹人稠，要改善日趨擁擠且混亂的交通，發展大眾運輸勢在必行。高雄許多地區人口密集，良好的交通環境，才能使高雄更進一步地發展。高雄捷運通車至今，轉眼間已經過了6年。現在，運量逐年地在提升，是一個能提供高雄都會區迅速、便利、安全且舒適的大眾運輸工具，儼然成為高雄地區重要的交通工具之一。隨著搭乘的民眾愈來愈多，可能產生車輛調度與司機員排班的問題，時間與空間要如何分配才能應付這日趨龐大的旅運量。需透過以往的資料與經驗，來判斷尖離峰時間，藉由資料分析，做出最好的決策，避免造成乘客的不便與困擾，間接影響乘客的權利。
本研究主要以了解民眾搭乘高雄捷運之行為特性與分析高雄捷運旅運量為主題，運用高雄市捷運股份有限公司提供的各站旅運量，由人工神經網路，藉以往的歷史資料，O-D(起訖)人次資料，訓練整個模式，來分析路網之運能。目的為能迅速計算出流量大的區段，以了解何時何區運能之不足。其研究成果可供高雄捷運公司作為車輛調度或司機排班等營運決策之依據，使高雄捷運公司不必等到運能不足以應付旅客人次時，才緊急調度車輛，造成旅客不便，引發民怨，以利未來營運績效與服務品質之提升。
高雄捷運美麗島轉運站，為本研究要探討列車轉運方向的指標站。運用SQL資料庫管理系統整理O-D(起訖)資料並運用人工神經方法，建立模型。對照實証分析之結果可以推測，目前整體高雄捷運運量之提升，多為假日之紅線區段運量之提升，而橘線運量增加並不明顯，未來兩線之運量之差距將會拉大。捷運公司應要推出更好的營運政策，以提升行經區域多為郊區與住宅區的橘線區段，因此線會消耗許多不必要之運能，空車率高的情況下，容易造成民眾觀感不佳，影響高雄捷運公司之形象。

Due to the chaotic and congested traffic day by day in Taiwan, development of mass transit system is imperative. Kaohsiung city is one of the densest population area in Taiwan, better traffic environment can improve the development of Kaohsiung city in further. Kaohsiung Rapid Transit (KRT) has been operated for 6 years, more and more people use KRT System. Some issues how to allocate time and space to cope with the increasingly large passenger volume have been generated at the same time. To avoid resuting in passenger inconvenience and distress, it is essential to distinguish between peak time and off-peak time by data analysis and make the best decision with the historical data and experience.
The main purpose of the study is to assess the passenger volume which is provided by KRT and to discuss the top one of O-D section with artificial neural networks.This research tries to solve complex nonlinear relationship and future outcome through learning and training with historical data. It is aimed to offer useful and reliable vehicle scheduling information to the Kaohsiung Rapid Transit Corporation, and to enhance the future operating performance and service quality.
The results of empirical analysis shows that the overall volume of the Kaohsiung MRT has increased currently, especially the red line traffic in holiday. However, the increase of the orange line traffic is not significant. Therefore, we can predict that the gap of volume between two lines will be wider and wider. KRTC should think about better operating policies to enhance the orange line operation, which are mostly go through suburbs and residential segments. Otherwise, this line will consume many unnecessary transport capacity, and the high empty rate which result in poor perception and image in people’s mind to Kaohsiung Rapid Transit Company.

一、中文部分
1. 王進德(2007)，類神經網路與模糊控制理論入門與應用，台北：全華圖書股份有限公司。
2. 王奕鈞(2006)，「神經網路應用於地籍坐標轉換之研究」，國立政治大學地政研究所碩士論文。
3. 行政院內政部戶政司 (2014) ，擷取日期：2014年 10月 8日，網站： http://www.ris.gov.tw/346。
4. 甘展安(2007)，「捷運高運量列車乘客擁擠知覺之研究-以捷運淡水線為例」，國立臺灣科技大學建築系碩士論文。
5. 林誌銘(2009)，「應用基因演算法於捷運列車運行計畫之研究」，國立交通大學運輸科技與管理學系博士論文。
6. 林昇甫、洪成安(1996)，神經網路入門與圖樣辨識，台北：全華圖書股份有限公司。
7. 李亭林、洪世章、林博文(2013)，科技創新管理4版，台北：華泰文化事業股份有限公司。
8. 李克聰(2013)，大眾運輸學二版，台北：華泰文化事業股份有限公司。
9. 李克聰(1995)，運輸規劃，台北：鼎漢國際工程顧問。
10. 沈國榮(2006)，「類神經網路預測臺灣船員數量」，國立臺灣海洋大學商船學系碩士學位論文。
11. 沈龍利、許浚嘉(2010)，大眾運輸規劃：理論與實務，台北：秀威資訊科技股份有限公司。
12. 吳志文(2002)，「以類神經網路探討船舶事故之研究」，國立成功大學交通管理學系碩士論文。
13. 周政宏(1995)，神經網路 : 理論與實務，台北：松崗科技股份有限公司。
14. 美商史丹索特(股)公司台灣分公司(2014)，擷取日期：2014年 5 月 11 日，網站：http://www.statsoft.com.tw/product/product_all.php。
15. 陳俊融、陳澄興(2009)，高雄捷運軌道專輯，高雄：高雄市捷運工程局。
16. 陳禹任(2014)，「應用計畫行為理論探討通勤族以自行車通勤之行為意圖-以台南市為例」，國立成功大學交通管理科學系碩士論文。
17. 高雄捷運官方網站-使命與願景(2014) ，擷取日期：2014年 4 月 26日，網站：http://www.krtco.com.tw/ind-ex.aspx。
18. 高雄市政府捷運工程局 (2014) ，擷取日期：2014年 10月 29日，網站：http://mtbu.kcg.gov.tw/cht/index.php。
19. 高雄市政府民政局 (2014) ，擷取日期：2014年 10月 8日，網站：http://cabu.kcg.gov.tw/ViewDefPage/viewDefPage.aspx?menuid=763。
20. 張維哲(1992)，人工神經網路，台北：全欣資訊圖書股份有限公司。
21. 張斐章，張麗秋，黃浩倫(2003)，類神經網路理論與實務，台北：台灣東華書局股份有限公司。
22. 張育維(2014)，「組合模式於桃園機場貨物運量預測之研究」，運輸學刊，第26卷第二期，頁 203-230。
23. 張恩輔(2002)，「捷運系統運轉整理之模擬分析」，國立成功大學交通管理科學系碩士論文。
24. 張原賓(2008)，「以類神經網路模型預測航空旅客運量」，國立成功大學民用航空所碩士論文。
25. 張有恆(1994)，大眾捷運系統營運與管理，台北：華泰文化事業股份有限公司。
26. 張有恆(2007)，軌道運輸管理，台北：華泰文化事業股份有限公司。
27. 張志榮(1999)， 都市捷運 : 規劃與設計，台北：三民書局股份有限公司。
28. 郭仕堯、蕭樂群、張原賓(2010)，「類神經網路於飛航網路運量預測之應用」，航空、太空及民航學刊系列B，第四十二卷第一期，頁67-72。
29. 馮正民、邱裕鈞(2004)，研究分析方法，新竹:建都文化事業股份有限公司。
30. 楊雅媛(2002)，「迴歸分析與類神經網路預測能力之比較」，國立政治大學統計學系碩士論文。
31. 楊正行(1991)，運輸規劃精要，臺北：千華數位文化。
32. 葉怡成(2003)，類神經網路模式應用與實作，八版，臺北：儒林圖書有限公司。
33. 葉怡成(2002)，應用類神經網路，三版，臺北：儒林圖書有限公司。
34. 鄭國雄、張思(1999)，軌道工程 : 高鐵、捷運、輕軌、傳統鐵路，臺北：大中國圖書公司。
35. 鄭嘉良(1997)，運輸規劃，臺北：高點文化。
36. 蔡宗憲(2001)，「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學系碩士論文。
37. 蔡瑞煌(1995)，類神經網路概論，台北：三民書局股份有限公司。
38. 盧炳勳，曹登發(1992)，多類神經網路理論與應用，台北：全華圖書股份有限公司。
39. 蘇怡瑄(2010)，「運用類神經網路預測捷運車站之運量」，國立交通大學運輸科技與管理學系碩士論文。
40. 蘇木春、張孝德(1997)，機器學習 : 類神經網路、模糊系統以及基因演算法則，台北：全華圖書股份有限公司。
二、英文部分
1. Celikoglu, H. B. and Cigizoglu, H. K. (2007), “Public transportation trip flow modeling with generalized regression neural networks” Advances in Engineering Software, Vol. 38, pp.71–79.
2. Abdou, H. A., Pointon, J. , Ahmed, E. M. , Olugbode,M and Lister, R. J. (2012), “A variable impact neural network analysis of dividend policies and share prices of transportation and related companies” Journal of International Financial Markets, Institutions & Money, pp. 796–813.
3. Delen, D., Sharda, R. and Bessonov, M. (2006), “Identifying significant predict-tors of injury severity in traffic accidents using a series of artificial neural networks” Accident Analysis and Prevention, Vol. 38, pp.434–444.
4. Devore, J.L. (2012), Probability and statistics for engineering and science (8 th ed.), Canada: BrooksCole.
5. Dagli, C. H. (1994), Artificial neural networks for intelligent manufacturing, London; New York: Chapman & Hall.
6. Das, A., and Parikh, J. (2004), “Transport scenarios in two metropolitan cities in India: Delhi and Mumbai” Energy Conversion and Management, Vol. 45, pp.2603–2625.
7. Dougherty, M. S. (1997), “Guest editorial applications of neural networks in transportation” Transpn Res.-C, Vol. 5, No. 5, pp. 255-257.
8. Garrido, C., Oña, R. D. and Oña, J. D. (2014), “Neural networks for analyzing service quality in public transportation” Expert Systems with Applications, Vol. 41, pp. 6830–6838.
9. Hu, C. (2003), “Advanced tourism demand forecasting: Artificial neural network and box-jenkins modeling” Ann Arbor,MI : UMI.
10. Jain, B. A. and Nag, B. N. (1997), “Performance evaluation of neural network decision models” Journal of Management Information Systems, Vol. 14, No. 2, pp. 201-216.
11. Kumar, P., Nigam, S.P. and Kumar, N. (2014), “Vehicular traffic noise modeling using artificial neural network approach” Transportation Research Part C, Vol. 40, pp.111–122.
12. Kim, J.and Ahn, H. (2000), “A new perspective for neural networks: application to a marketing management problem” Journal of Information Science and Engineering, Vol. 25, pp.1605–1616.
13. Karlaftis, M. G. and Vlahogianni, E. I. (2010), “Statistical methods versus neural networks in transportation research: differences, similarities and some insights” Transportation Research Part C: Emerging Technologies, Vol. 19, pp.387–399.
14. Kulkarni, A. D. (1994), “ Artificial neural networks for image understanding” New York: Van Nostrand Reinhold.
15. Lo, S. C., and Chang, W. J. (2012), “Design of real-time fuzzy bus holding system for the mass rapid transit transfer system” Expert Systems with Applications, Vol. 39, pp.1718–1724.
16. Moshiri, S.and Cameron, N. (2000), “Neural Network Versus Econometric Models in Forecasting Infation” Journal of Forecasting, Vol. 19, pp.201–217.
17. Murat, C., Cogurcu, I. and Kukrer, C.(2014), “Modelling and forecasting cruise tourism demand to izmir by different artificial neural network architectures” International Journal of Business and Social Research, Vol. 4, No. 3,pp.12–27.
18. Nelson, M. M. and Illingworth, W. T. (1991), A practical guide to neural networks, Addison-Wesley Publishing Company.
19. Ou, Y. K., Liu, Y. C. and Shih, F. Y. (2013), “Risk prediction model for drivers’ in-vehicle activities – application of task analysis and back-propagation neural network” Transportation Research Part F: Traffic Psychology and Behaviour,Vol. 18, pp. 83–93.
20. Profillidis, V. A. (2006), Railway management and engineering; Aldershot, England; Burlington, VT: Ashgate.
21. Shi, Y., and Yang, X. (2013), “The public transportation system of high quality in Taiwan” Procedia - Social and Behavioral Sciences, Vol. 96, pp.1350–1361.
22. Sirvio, K., and Hollmen, J. (2011), “Forecasting road condition after maintenance works by linear methods and radial basis function networks” Artificial Neural Networks and Machine Learning – ICANN 2011 Part II, Vol. 6792, pp.405–412.
23. Suykens, J. A. K., Vandewalle, J. P. L. and Moor, B. L. R. (1996), “Artificial neural networks for modelling and control of non-linear systems, Kluwer Academic Publishers.
24. Wei Y., and Chen, C.C. (2012), “Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks” Transportation Research Part C, Vol. 21, pp.148–162.
25. Wen, K. C. and Chang, S. S. (2012), “An environmental behavioural study of crowd flow transformation at Taipei MRT station” Procedia Environmental Sciences, Vol. 22, pp. 43–60.
26. Yang, Y. (2015), “Development of the regional freight transportation demand prediction models based on the regression analysis methods” Neurocomputing, Vol. 158, pp. 42–47.