連假人擠人？
引進這種交通AI就不必擔心塞車、買不到票

每逢假期，對海陸空各運輸單位就是一場大作戰，從監控中心到前線客服無不繃緊神經，面對交通擁塞或誤點的壓力測試。從行車安全、道路維護到承載預測，人工智慧可以幫什麼忙？

每逢國定假日連假，公民營運輸機構總得加開班次應付旅運人次。若高估乘客量，額外的發車（還得考慮去回程）與人事（計入加班薪資）成本，使機構負擔大增；若預測低估，不僅要協商其他業者共同疏運，乘客的乘車體驗與第一線客服人員得承受的情緒，都可能是災難一場。

其實，運輸單位可考慮引進以「時間序列資料」為主而發展的AI預測模型技術：針對多維度且相依的序列性資料（如班車起迄點、乘客量分布歷史資料、國定假日期間、及車票的促銷活動等），交給AI模型，就能準確預測未來特定期間的乘客量分布，讓營運管理人員提前規劃成本與服務的最佳策略。

政府部門也可運用不同路段的歷史事故頻率、肇事時段、肇事者背景、肇事成因等靜態資料，再連結即時行車速度、路況及天氣狀況等動態資料，建立AI預測模型，即可提供客運或自用車駕駛行駛建議，幫助民眾安全抵達目的地，同時減少塞車和救援的社會成本。

因為有即時調控的模擬，甚至能在假期前就制定好交通安全改善方案，包含道路警示強化、最適化的交管人力配置及救援路線配套等，對強化調度效率、體恤公務人力，也是一大加分。

「機器學習」降低西澳道路傷亡率

從台灣轉到南半球的澳洲，交通單位已開始利用AI建立的模型來預防車禍。

想像一下：你握著方向盤奔馳在澳洲西岸，寬闊筆直的道路伴隨著美麗印度洋的海景，公路旅行最美好的莫過於此刻⋯⋯然後，「碰！」

從伯斯（Perth）到阿羅史密斯（Arrowsmith）這段路，曾在18個月內發生50起嚴重的道路車禍，驚人的紀錄引發媒體高度關注，促使官員積極尋求解決方案。

西澳警署的道路安全局（Road Safety Commission of Western Australia）負責此處道路安全；他們過往即與公私部門合作，積極制定政策與喚起大眾意識，也在2008年到2020年間力推「歸零（Toward Zero）」運動，喊出降低40%重大道路傷亡率的目標。

過往道路安全局多靠「工人智慧」，成效不彰，直到從澳洲陸軍部隊借調了資料科學家，成立了數據與智慧（Data and Intelligence）部門，對人工智慧有了概念，一切也有了轉機。

這個部門起初的任務是提供數據分析，以確保安全局的策略執行與資源分配得當，例如應當在哪些路口配置測速鏡頭等。

然而分析一段時間後，他們開始遇到挑戰—首先是發現使用「加權平均數」無法充分評估風險，再來是分析流程勞力密集，花費數百個小時分析歷史事故資料及回放資訊；更困擾的是，Excel表單難以流暢地控管分析版本。

在SAS的建議下，他們導入機器學習技術來建立嚴重傷亡模型（Killed or Seriously Injured, KSI） 模型；再使用同樣的資料源，加入道路特性與車流等變因，短短三周內便打造出一個高效且創新的演算模型。透過這個新模型，一次分析運算所需的時間從100小時大幅縮減為20小時，預計能降低25%的重大道路傷亡率。

西澳道路安全局數據與智慧部門經理有感而發，認為這個AI專案「讓我們懂得從掌握風險、而非掌握事故的角度來評估；以風險概念來找出關鍵根因並加以分析，徹底扭轉我們看待問題的方式，進而提出解決之道。」

AI「影像辨識」 確保鐵軌零異常

從公路交通換到鐵路交通，AI一樣幫得上忙。

想過鐵軌下為何要鋪滿不起眼的「碎石」嗎？這些名為「道碴」的碎石，在鐵路安全上扮演著極重要的角色，包括分散火車重量避免鐵軌下陷與移動、吸收噪音和高熱、避免滋生雜草及排水等。

為確保乘客安全，鐵路公司必須確保道碴的覆蓋率夠，舖設高度也符合限制。這個過程，通常是仰賴工程團隊人工徒步巡檢，對團隊體力與心理壓力都是負擔。

美國奇異運輸（GE Transportation）即利用SAS即時串流分析技術，開發出一套即時偵測鐵軌異狀的影像辨識系統。在他們1,000多個火車頭（locomotive，鐵路機車）上搭載電腦視覺與物聯網系統，即時分析列車行駛時的鐵軌影像，做到在終端裝置（火車頭）上即可進行邊緣運算，讓工程人員能即時並精準地發現軌道基礎設施的缺陷位置，藉以把關行車安全，以更智慧的方式提升乘客搭乘信心，維護鐵路公司聲譽。

AI分析的最佳實踐，已經逐漸體現在你我生活周遭。只要加點「智慧」，不止能平安過好年，還能多享受一點悠閒。