城市售票網的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

城市售票網進入發燒排行的影片

LSTM及GRU模型用於預測市區交通流量之研究

為了解決城市售票網的問題，作者陳哲安 這樣論述：

近年來，隨著各縣市智慧城市的推廣，如何改善交通混亂的議題一直受到大眾關注。若我們能有效預測交通流量，政府單位即可事先做好相關配套措施，有效舒緩交通擁塞的問題。在傳統上大多會使用ARIMA (Autoregressive Integrated Moving Average model)方法來預測交通流量，但隨著深度學習在其他領域有著突破性的發展，LSTM (Long Short-Term Memory)和GRU (Gated recurrent units)模型已被證實對於交通流量預測有良好的效益。對於交通流量的資料收集，本研究將撰寫程式收集「常態性交通流量資料」與「可預期之偶發性活動資料」。

關於「常態性交通流量資料」，我們將使用臺北市政府資料開放平台的「車輛偵測器(VD)資料」作為資料來源。因為市區交通的狀況較為複雜，容易受到觀光盛會、演唱會、天氣等「可預期之偶發性活動」影響，本研究採用本團隊先前的研究成果[8]，透過撰寫爬蟲程式對於多個售票網站、旅遊觀光網站、中央氣象局進行資料收集。本研究將上述資料輸入至 LSTM和GRU 模型以對其進行訓練，並利用Adam Optimizer 對模型進行優化。LSTM和GRU 模型之實作，以 Google 開發之機器學習框架 TensorFlow進行。最後，我們以平均絕對誤差(Mean Absolute Error, MAE)、均方誤差(Me

an Square Error, MSE)和平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)對模型之預測準確率進行評估，進而分析LSTM模型和GRU模型在市區交通流量預測之準確度及LSTM和GRU模型之效益。