車隊 AI 監控總覽
基於 2024–2026 年 HCT 車隊資料，5 個 AI 分析系統持續運行
受監控車輛
0
台
AI 分析模型
0
個 已完成驗證
高風險車輛
0
台 需優先關注
油耗異常事件
0
筆 AI 偵測
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、降低非計畫停車風險
▎ 此 AI 系統在預測什麼：對每次輪胎安裝，預測「此輪胎裝上後還能使用幾天」，讓換胎排程從被動應急改為主動計畫
▎ 比較基準（傳統方法）：依「車型 × 輪胎位置 × 作業別」分組，取該組歷史平均換胎天數作為預測值（固定統計值，不考慮個別車況差異）
預測誤差(RMSE)
137.59
天
vs 傳統方法 改善
−15.1%
傳統方法：162.1 天
商業效益
提前 25 天
預警換胎需求
AI 關鍵影響因素(Feature Importance)
AI 預測 vs 傳統方法 對比
商業洞見：輪胎安裝位置（前輪 vs 後輪）是最關鍵影響因素，貢獻 44% 的預測準確度。前輪平均壽命 227 天、後輪 168 天。AI 可比傳統平均值方法提前 25 天發出換胎預警，每年可顯著減少非計畫停車次數。
P2
油耗異常偵測
AI 自動偵測引擎識別隱性油耗異常，補足傳統人工規則的偵測盲區
✓ 達成目標
▎ 此 AI 系統在判斷什麼：對每一筆加油記錄，判斷「此次加油是否為異常（可疑）記錄」，以各車輛自身歷史用油標準為基準，排除大型車油箱容量差異造成的誤判
▎ 比較基準（傳統方法）：人工設定的固定門檻規則（如：單次加油量超過均值 +3 倍標準差、同日加油超過 2 次等），無法針對個別車輛彈性調整
AI 偵測可疑記錄
0
筆可疑記錄
AI 獨家發現
0
傳統規則無法偵測
偵測額外覆蓋率
+61.4%
vs 傳統規則法
異常 vs 正常記錄分布
AI vs 傳統規則 偵測比較
商業洞見：AI 系統以車輛個別用油標準做基準，排除大型車因油箱容量大造成的誤判。610 筆 AI 獨家異常是傳統超量閾值規則完全無法捕獲的隱性異常。若同一台車在 POC3 也出現加油間隔明顯失常，可直接啟動疑似偷油調查路徑，優先核對加油卡、站點、里程與交班紀錄。
P3
加油日預測
預測每台車下次需加油的天數，提前 2–3 天預警協助調度排班
▎ 此 AI 系統在預測什麼：對每台車，預測「距離下次需要加油還有幾天」，讓調度員提前 2–3 天收到補油預警
▎ 比較基準（傳統方法）：以各車輛歷史平均加油間隔天數作為預測值（靜態平均，無法反映近期行駛頻率變化）
平均預測落差
2.86
天
vs 傳統方法 改善
−14.3%
目標 −15%，差 0.7%
商業效益
提前 2–3 天
加油預警
AI 判斷重點
AI 預測 vs 傳統方法 對比
商業洞見：每台車的近期加油節奏變化是最關鍵判斷依據（43%），說明車輛個別化的行駛習慣比全車隊平均值更具預測力。當系統預測的加油間隔與實際發生時間明顯不一致，且 POC2 同步出現可疑加油記錄時，可視為疑似偷油的交叉訊號，應沿用相同調查路徑核對加油卡、里程、路線與交班紀錄。
疑似偷油調查路徑
1. 先核對加油卡交易時間、站點與單次加油量，確認是否符合派車與回場節奏。
2. 再比對同期間里程、行駛路線與駕駛交班紀錄，找出是否存在用油與任務不相符的落差。
3. 將同時命中 POC2 與 POC3 的車輛列為優先稽查名單，安排主管複核與站點追蹤。
P4
駕訓 ROI 優化
用歷史事故資料找出最值得優先投資的高傷亡情境，先把駕訓資源集中在左轉場景以降低賠償成本
▎ 這張卡片回答的管理問題：哪一類事故情境最值得優先投入駕訓預算，才能最快降低人員傷亡與後續事故賠償
▎ 目前最該先投資的課題：左轉不慎的傷亡率高達57%，遠高於其他肇事類型，應列為第一波複訓與情境演練主題
▎ 這份分析的用途：以324筆歷史事故資料找出高成本事故情境，協助管理層把駕訓投入從平均分配改成精準投資
高傷亡情境識別率
74%
可優先圈出該先訓練的對象
比隨機判斷高
+47%
代表駕訓資源配置更有效
第一優先駕訓主題
左轉不慎
傷亡率 57%
高傷亡事故的主要驅動因子
肇事原因 × 傷亡率
商業洞見：POC4 不只是告訴你哪裡危險，而是告訴你駕訓預算該先花在哪裡。左轉場景傷亡率 57% 居首，若先把左轉列為第一波複訓主題，再搭配路口未注意 39.7% 的情境演練，可望優先壓低最昂貴的事故賠償風險。
駕訓 ROI 試算框架
1. 計算投入
年度訓練投資 = X 位高風險左轉駕駛 × 每人駕訓成本
2. 估算改善
預期傷亡下降 = X 位受訓駕駛 × 左轉事故基準件數 × 57% 傷亡率 × Y% 改善幅度
3. 換算回收
預期事故成本下降 = 預期傷亡下降 × 單件傷亡事故平均賠償成本
ROI = (預期事故成本下降 − 年度訓練投資) ÷ 年度訓練投資
建議先用左轉情境建立試算模板：先鎖定高風險名單，再以 74% 識別率聚焦受訓對象，逐月追蹤事故件數、傷亡件數與賠償金額變化。
P5
車輛綜合風險評分
以違規、事故、輪胎、油耗四個面向拆解風險來源，協助安排優先介入順序
✓ 達成目標
▎ 此評分卡在看什麼：對每台車彙整違規、事故、輪胎、油耗四個經營風險面向，產出 0–100 分的綜合風險分數，協助營運端排定稽查與介入先後
▎ 高風險 128 台的主要成因：違規與事故是最常見的風險來源，其次是輪胎異常與油耗偏離，代表高風險車輛需要駕訓、維修與油耗管理同步介入
▎ 管理價值：相較於人工逐台查表，本評分卡能先指出哪一台車最急、主因是什麼、該由哪個部門處理，縮短判讀與派工時間
高風險車輛(High Risk)
128 台
需立即介入（32%）
中風險車輛(Medium Risk)
213 台
需定期追蹤（53%）
低風險車輛(Low Risk)
59 台
正常運行（15%）
違規面向
46 台
主要來自高頻違規、重大違規累積與重複告警，表示駕駛習慣已對營運安全形成持續壓力。
建議介入
由駕訓部門安排高風險駕駛再訓、違規名單追蹤與站點主管複核。
事故面向
31 台
曾發生事故或出現高傷害場景的車輛，後續營運風險較高，反映班次、路段與駕駛判斷都需重新檢視。
建議介入
由駕訓部門聯合安全管理進行事故複盤，優先調整高風險路段與班次配置。
輪胎面向
28 台
換胎週期異常偏短、磨耗速度過快或胎壓不穩，通常代表車況與使用條件已偏離正常水準。
建議介入
由車輛維修優先安排底盤、定位、胎壓與輪胎耗損檢查，降低非計畫停車風險。
油耗面向
23 台
油耗偏離、加油頻率異常與怠速時間偏高，代表油耗管理與現場稽核需要同步加強。
建議介入
由油耗管理啟動耗油檢核，交叉比對加油紀錄、行駛里程與怠速時數，必要時安排現場抽查。
風險分布（400 台）
Top 10 高風險車輛
立即處置名單
排名
車號
風險等級
主要原因
建議介入
1
QAF291
極高
重大違規累積
駕訓部門複訓
2
541YV
極高
事故歷史偏高
事故複盤與班次調整
3
KPD5130
極高
輪胎異常耗損
車輛維修巡檢
4
KPC5502
極高
油耗偏離明顯
油耗管理稽核
5
KPC5110
極高
重大違規累積
駕訓部門複訓
6
KPD5078
高
事故歷史偏高
事故複盤與追蹤
7
KPD5136
高
輪胎異常耗損
車輛維修巡檢
8
KPD5239
高
油耗偏離明顯
油耗管理稽核
9
QAF123
高
違規與事故並存
駕訓與安全聯合處置
10
KPC5209
高
輪胎與油耗異常
維修與油耗雙軌追蹤
商業洞見：128 台高風險車輛中，前兩大主因來自違規與事故，代表駕訓與安全管理要先動起來；另有 51 台車主要受輪胎與油耗影響，應同步由車輛維修與油耗管理接手。Top 10 名單可直接作為本週優先處置清單。