本文作者 : SAS台灣總經理陳愷新

春節返鄉大作戰?讓AI帶你平安順利過好年

每逢大假，對海陸空各運輸單位就是一場大作戰，不論是監控中心到前線客服無不繃緊神經，戰戰兢兢面臨交通擁塞或誤點的壓力測試。讓人工智慧（AI）幫幫忙吧!從行車安全、道路維護到承載預測，看看澳洲與美國如何將AI導入交通應用:

「機器學習」降低西澳道路傷亡率

想像一下行駛在澳洲西岸，寬闊筆直的道路伴隨著一旁美麗印度洋的海景，公路旅行最美好的莫過於這樣的時刻，然後…「碰!」

從Perth到Arrowsmith的這條路，曾在18個月內發生了50起嚴重的道路車禍，驚人的紀錄引發媒體高度關注並促使官員積極尋求解決方案。負責此處道路安全，隸屬於西澳警署的道路安全局(Road Safety Commission of Western Australia)，過往即投入與公私部門合作，積極制定政策與喚起大眾意識，並也力推「歸零(Toward Zero),2008-2020」運動，喊出降低40%的重大道路傷亡率的目標。然而過往他們多靠工人智慧(Human Intelligence)成效不彰，直到他們從澳洲陸軍部隊借調了資料科學家，成立了Data and Intelligence部門，開始對人工智慧有了概念，這一切也有了轉機。

該部門編制不大，起初任務在提供數據分析，以確保安全局的執行策略與資源分配得當，如應當在哪些路口配置測速鏡頭等。然而著手分析一段時間後，他們開始遇到挑戰。首先是發現使用加權平均數並無法充分評估風險，再來是整個分析流程非常勞力密集，花費上百小時在分析歷史事故資料及回放資訊，然後更困擾的是，使用Excel表單難以流暢地控管分析版本。

後來在SAS的建議下，他們開始導入機器學習技術來建立KSI (Killed or Seriously Injured, 嚴重傷亡)模型，使用同樣的資料源，再加入道路特性與車流等變因，短短3周內他們便打造出一個高效且創新的演算模型，現在完成一次上級要求的分析運算，可從100小時大幅縮減為20小時。相對於過往方法，目前模型預計將有效降低25%的重大道路傷亡率。

西澳道路安全局Data and Intelligence部門經理，就有感而發此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，根本上地扭轉我們看待問題的方式，進而提出解決之道。」

「影像辨識」確保鐵軌零異常

有想過鐵軌下為何都要鋪滿不起眼的碎石嗎?這正式名稱為「道碴」的碎石，在鐵路安全上扮演著極具重要的角色。包含「分散火車的重量」防止鐵軌下陷與移動、「有效吸收噪音和高熱」、「排水」及「避免滋生雜草」等。因此為了確保乘客的安全無虞，鐵路公司必須確保「道碴」的覆蓋率足夠，且舖設高度也符合限制。而這一般是仰賴工程團隊「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)公司，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 (Internet of Things, IoT) 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)上就可進行邊緣運算(Edge Computing)，讓工程人員可即時且精準地發現軌道基礎設施的缺陷位置，也藉以把關行車安全，以更智慧的方式提供乘客搭乘信心，維護鐵路公司聲譽。