臺北捷運各站分時進出量統計的問題,透過圖書和論文來找解法和答案更準確安心。 我們找到下列必買單品、推薦清單和精選懶人包

另外網站taipei-mrt-data - 每天、每月,進出人數統計資料 - GitHub也說明:taipei-mrt-data. 台北捷運各站,每小時、每天、每月,進出人數統計資料. 資料來源. 臺北捷運各站分時進出量統計. 資料格式. csv. ndjson. About. 台北捷運各站,每 ...

國立成功大學 都市計劃學系 石豐宇所指導 楊徨仁的 場站尺度建成環境探討台北捷運運量影響因素之研究 (2019),提出臺北捷運各站分時進出量統計關鍵因素是什麼,來自於大眾運輸旅運量、建成環境、多重尺度地理加權迴歸、大眾運輸導向發展。

最後網站捷運使用效率評估則補充:2. 以最小統計區為單位將區域內人口數納入考量,以估算捷運站使用. 人口。 3. 搭配臺北捷運2016 年度運量紀錄,計算出各捷運站之效率值。 4.

接下來讓我們看這些論文和書籍都說些什麼吧:

除了臺北捷運各站分時進出量統計,大家也想知道這些:

場站尺度建成環境探討台北捷運運量影響因素之研究

為了解決臺北捷運各站分時進出量統計的問題,作者楊徨仁 這樣論述:

都市運輸與土地使用的關係是長久以來討論的重要議題,一些研究顯示高密度與混合的土地使用可以減少開車意願,配合友善步行與自行車的設計,可增加步行和大眾運輸的使用。然而,當中一個重要的問題是,不同建成環境如何去影響整個都市運輸系統的運量。本研究試圖以過去研究使用的5D建成環境因素在整個都會區分析大眾運輸的運量。該5D因素分別為土地使用密度、多樣性、友善行人與自行車的設計、目的地可及性和轉乘便利性。本研究以臺北捷運系統作為實證對象,調查共108個場站與其周遭地區,使用來自不同政府機關的資料庫以及開放街圖的POI資料。根據不同範圍進行模型建置,發現以0-600公尺的範圍抓取資料將得出最佳配適度的模型,

同時也發現以季運量來做同心圓的分群,配適度更高,解決以往建置模型時樣本數不足的問題。相較於OLS的結果,本研究使用多重尺度地理加權迴歸(Multi-scale geographically weighted regression)來處理變數不同尺度帶寬的問題,以解釋空間異質性的現象。研究結果顯示,中和、松山、大安與信義一帶的十字路口密度與公車路線數對當地捷運站運量較有顯著正向影響,反而其他變數則較無顯著影響或負向影響;淡水、北投一帶以土地使用多樣性、公共設施與公車路線數呈現顯著正向影響;內湖、新莊與板橋一帶多以人口密度、公共設施呈現顯著正向影響。值得一提的是,中和的人口密度呈現正向顯著影響,推

測可能跟中和的高人口密度有關,但卻因為稀少的大型公共設施,中和的行人目的地可及性呈現負向顯著影響。就實務面來說,本研究能在解釋運量影響因素上建立參考的基礎,並應用於大眾運輸導向發展規劃當中。