車隊 AI 監控總覽
基於 2024–2026 年 HCT 車隊資料，5 個 AI 模型持續監控
受監控車輛
0
台
AI 分析模型
0
個 POC 已完成
高風險車輛
0
台 需優先關注
油耗異常事件
0
筆 ML 識別
車輛風險分布
AI 模型效益概覽
P1
輪胎壽命預測
預測下次換胎所需天數，提前排班、降低停車風險
模型 RMSE
137.59
天
vs Baseline 改善
−15.1%
Baseline：162.1 天
演算法
XGBoost
Regression · 20 次迭代
特徵重要性
模型 vs Baseline 比較
洞見：輪胎位置頻率（前 vs 後輪）貢獻 44% 預測力，前輪平均壽命 227 天、後輪 168 天。模型相較純分組平均可提前 25 天預警換胎需求。
P2
油耗異常偵測
Isolation Forest 無監督學習識別隱性油耗異常，補足傳統規則盲區
ML 識別異常
0
筆記錄
ML 獨家發現
0
傳統規則無法偵測
演算法
Isolation Forest
contamination = 0.01
異常 vs 正常分布
ML vs 傳統規則 偵測比較
洞見：使用車輛標準化 z-score 而非原始數量，避免大型車因油箱容量大造成誤判。610 筆 ML 獨家異常是傳統超量閾值法完全無法捕獲的隱性異常。
P3
加油日預測
預測下次需加油的天數，提前 2–3 天預警協助調度排班
模型 RMSE
2.86
天
vs Baseline 改善
−14.3%
目標 −15%，差 0.7%
演算法
XGBoost
Regression · 25 次迭代
特徵重要性
模型 vs Baseline
洞見：EWMA 加油間隔（43%）是最強預測因子，每台車的歷史加油節奏是主要信號。補充里程資料後預期可突破 −15% 門檻。
P4
事故傷亡風險預測
預測交通事故是否造成人員傷亡，識別高危肇事場景以指導駕訓
模型 AUC
0.7365
目標 ≥ 0.70 ✓
vs Naive 提升
+47%
Naive AUC：0.50
最高危場景
左轉不慎
傷亡率 57%
特徵重要性
肇事原因 × 傷亡率
洞見：左轉場景傷亡率 57%、路口未注意 39.7%，建議優先針對這兩類場景強化駕訓介入，可顯著降低傷亡率。
P5
車輛綜合風險評分
Rule-based + K-Means 雙引擎，識別需優先介入的高風險車輛
高風險車輛
128 台
需立即介入
中風險車輛
213 台
需定期追蹤
低風險車輛
59 台
正常運行
風險分布（400 台）
Top 10 高風險車輛
洞見：Rule-based 捕捉行為風險（高危違規 + 傷亡事故），K-Means 捕捉操作異常（換胎 / 油耗密度）。兩種方法零交集，互補識別不同類型風險。