連鎖店、便利商店和大賣場必買資訊站論文書籍站
國立臺灣大學 土木工程學研究所 張學孔所指導 王嵩容的 應用多智慧體強化學習優化自駕巴士營運之研究 （2021），提出公車 539 路線關鍵因素是什麼，來自於自駕巴士、多智慧體強化學習、策略梯度演算法、車隊管理、社會成本。
而第二篇論文國立交通大學 運輸與物流管理學系 王晉元所指導 簡佑芳的 以模擬退火法求解電動公車車輛排班問題 （2020），提出因為有 電動公車車輛排班問題、模擬退火法的重點而找出了 公車 539 路線的解答。
公車 539 路線進入發燒排行的影片
#谷關 #台中
上一集帶大家入住統一渡假村，其他時間就帶大家逛一下谷關市區周邊景點。從豐原客運站搭乘207公車到白冷站下車，這裡有一家大甲溪發電廠員工合作社製作的冰棒，是去谷關必經的地方，很多遊客都會在這裡買一兩支冰棒，甚至有的人專程而來買一兩箱冰棒帶回家。
白冷冰棒的招牌口味是五葉松，由於我第一次嘗到這種味道，一時間無法形容，不過口味眾多可以選擇你自己喜歡的購買。
153路公車路線圖及時刻表：(台中高鐵出發)
https://bit.ly/3cn4c7Q
207路公車路線圖及時刻表：(豐原火車站出發)
https://bit.ly/3lPUEHJ
統一渡假村溫泉飯店一泊二食 | 享受谷關碳酸氫鈉泉、吃在地鱘龍魚料理，偶爾來一趟奢華之旅
https://youtu.be/b12Z4H507sU
八仙山森林遊樂園區有直達公車了！讓人很放鬆的景點還可以順便遊谷關，實現台中一日森林遊
https://youtu.be/Np_jzWSPb1E
豐原到谷關公車車程約90分鐘、車資121元，下車你會發現有很多溫泉飯店以及鱘龍魚餐廳，沿著市區走有一個谷關遊客中心，這裡有一個免費的公共泡腳池，有些池子還有溫泉魚，這座小公園可以走走看看，可惜捎來吊橋封閉了。
繼續深入會來到桂花巷，巷子內種滿了桂花樹，季節來對會聞到陣陣的桂花香，再往下走就會來到谷關吊橋，你在這裡可以遠眺五葉松神木，神木所在地是神木谷假期大飯店所有，要近距離參觀就得付50元。
到谷關吊橋另一頭就是明治溫泉飯店的日式街道，這裡吸引很多遊客在這裡拍照，濃濃的日式風格的街道讓你的快門按不停呢！
想要了解台灣的哪一處景點，可以在下面留言給我知道，我有時間就會抽空到當地做一個分享。
如果你覺得頻道很棒且很有幫助，可以小額贊助 https://bit.ly/3eZUjjc
臉書粉絲頁：https://www.facebook.com/clickgotrip/
instagram：https://www.instagram.com/siriusaiky/
部落格： https://1dgo.blogspot.com
應用多智慧體強化學習優化自駕巴士營運之研究
為了解決公車 539 路線 的問題，作者王嵩容 這樣論述：
自駕巴士過去五年在全世界超過七十幾個城市推廣測試，先進的無人駕駛技術得以免除駕駛人力成本、降低交通事故，有很大的潛力為公共運輸系統帶來革命性的變革。本研究的目標是發展一個自駕巴士車隊管理模式，讓自駕巴士能夠有效率的運作，同時比較自駕巴士的相對優勢。考量自駕巴士本質上是去中央指派的獨立運作智慧體，這些智慧體所面對的是旅客隨機到達以及部份環境資訊，在沒有人為干涉的狀況下學習作出決策。本研究基於自駕巴士在單一路動態服務特性而發展了一個「多智慧體強化學習」(MARL)車隊派遣方法，結合最先進的策略梯度(PG)演算法，來解決複雜且動態的自駕巴士車隊派遣最佳化問題。本研究同時發展一個自駕巴士往返路線的智
慧體動態模擬平台，用來訓練和評估此強化學習派遣演算法的績效。模擬結果顯示，本研究所發展的自駕巴士強化學習派遣，在相對較低乘客需求狀況，比較現行固定派遣公車具有降低車隊規模和減少乘客等待時間的優勢。本研究也同時探討自駕巴士強化學習派遣在一條往返公車路線上的社會總成本，包括業者營運成本以及乘客等待時間成本與乘客車內時間成本。研究結果顯示自駕巴士人工智慧派遣在社會成本最佳化狀況下，較現行固定班表普通公車具有明顯的成本優勢。研究成果可以作為單一路廊自駕巴士派遣、優化以及未來自駕巴士系統發展的基礎。
以模擬退火法求解電動公車車輛排班問題
為了解決公車 539 路線 的問題，作者簡佑芳 這樣論述：
近年來由於全球暖化日趨嚴重，世界各國愈發重視溫室氣體排放的問題，我國政府亦欲藉由推廣市區公車電動化以將低溫室氣體的排放。而由於電動公車具有里程限制的特性，有別於傳統柴油公車，在安排電動公車班表時須將充電排班一併納入考量。本研究將提出一套以模擬退火法為基礎之演算法求解電動公車車輛排班問題，問題假設為單場站、多路線、不限制車輛每次充電必須充飽且班表已知，目標為在最小化營運成本的條件下找出完成所有班次所需的最少車輛數已及各車輛所需執行的勤務。本研究以新竹市市區5條公車路線的平日班表共95個班次作為例題測試，測試結果發現該演算法確實如預期可藉由接受目標值較差的解以跳脫區域最佳解，並且在演算法求解過程
的後期僅接受目標值較優的解或是目標值差值不大的較差解，以此逐漸收斂求出近似最佳解。