881公車回程的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

基於公車GPS軌跡資料之公車駕駛行為分析 —以澳門公車為例

為了解決881公車回程的問題，作者李泊樣 這樣論述：

乘客服務轉變為客戶導向促使公車營運商更加關注駕駛員的服務品質,而安全和維持排程的議題不再足以滿足顧客對於服務品質的要求，更準確的說，現在評估駕駛員是根據駕駛員與乘客的互動以及乘客在這趟旅程中留下的印象去評估，因此本研究開發了許多新穎的方法來分析公車司機的駕駛行為，首先，針對軌跡辨識運用Hash table解析和清洗來自公車的GPS訊號，接著，在分割軌跡之後，可以提取駕駛行為的特徵，然後使用機器學習(即DBSCAN和K-means)對各種特徵進行分群，以評估駕駛行為。本研究提出的方法應用於現實世界中的澳門公車公司(Macao Creatco Co., Ltd).，使用9天澳門公車軌跡資料來進行

初步分析並發現了GPS軌跡數據中的許多問題包含裝置本身的問題、外部環境、駕駛自身問題，因此，本研究還開發了一種清洗算法，以便於分析此類數據。

市區公車誤點時間與旅行時間模式之研究

為了解決881公車回程的問題，作者陳凱斌 這樣論述：

對於搭乘固定班次之公車路線的通勤、通學者而言，在有一段長時間候車及乘車經驗後，自然會在心中產生班車經常到達的時刻以及在車上經常的旅行時間，該時間可為乘客評斷班車是否準點的標準。過去研究對此方面未有太多著墨，因此各種可能影響班車到站以及行駛時間的因素其影響程度未有明確的資料可供參考。本研究擬針對此方面進行探討，選擇台北市以及台中市各一條市區公車路線為研究對象，期望了解不同時點及行向等各變數影響班車誤點時間以及旅行時間的程度。由於資料來源不同，因此台北部分將簡單以模式進行檢驗，而台中部分則較深入進行研究。 台北部分以少數實際資料為基礎，以設定數個可能影響行車時間之變數以及其影響程度之方式模

擬一週各班次行車資料，並採用衡量一種狀態維持時程的統計方法－存活加速失敗時間模式來進行誤點時間以及等候時間之模式，藉此驗證模式與創造之資料本身有良好的契合度。而台中部分為本研究之重點，係派遣調查員乘車記錄25路公車一週各班次行車之各項資訊做為資料來源。為了解不同時空區隔的影響差異，假設平日與假日、去程與回程，其他非時空變數在誤點時間以及旅行時間均有不同的影響程度；這些其他變數包括站別順序、停站次數、遭遇紅燈延滯次數、車多時遇紅燈剛轉綠燈無法起駛延滯(簡稱綠燈時遇車多延滯)次數、上下車人數、尖離峰、上一班車回站是否晚點等。因班車實際運轉較乘客認定準點之時間早或晚到的情形分佔各半，為進一步了解影響

早到與晚到的因素，分別以早點及晚點二種模式探討準點；此外二元羅吉特模式則可分析整體資料早點或晚點的傾向。本部分誤點時間以及旅行時間共有二十四個模式，並分別以散佈圖及累積機率圖驗證模式。 旅行時間模式之結果指出，不同站別的影響最為顯著；遭遇紅燈延滯次數以及綠燈時遇車多延滯次數次之；回程顯著變數較去程多；平日去、回程顯著變數較假日去、回程多；上一班車回站是否晚點則為全部不顯著的一項影響變數。而誤點時間模式中，平日去、回程綠燈時遇車多延滯次數、上下車人數、尖離峰、上一班車回站是否晚點皆不顯著；假日顯著變數較平日多，各變數影響去程較回程顯著，此兩項比較均與旅行時間模式相反。而無論誤點時間或旅行時

間，羅吉特模式結果皆較傾向於晚點，顯見晚點情形較普遍。