AiRelive
考慮舒適度與空氣汙染之路徑規劃
台灣屬亞熱帶氣候，夏季時期氣溫動輒攝氏 35 度上下。若長時間處在熱環境中，將會導致中暑甚至死亡，足見熱對人類的傷害。另一方面，空氣汙染為現代社會嚴重且不可忽視的問題，工業區的煙霾、汽機車的廢氣，使有毒氣體充斥在生活周遭，危害人們健康。如何避開較熱與空氣污染較嚴重之區域，成為一項重要課題。針對該課題，團隊研究散佈於全台的測站資料，從政府的溫濕度與空氣品質開放式資料集中，挖掘出區域熱點，提出「考慮舒適度與空氣品質之路徑規劃」，透過人工智慧技術發展獨特的智慧型演算法，根據使用者在網頁輸入的出發地與目的地，輸出一條客製化路徑，讓使用者行於其上能獲得較佳的體感舒適度及呼吸品質。
圖一 演算法流程架構
團隊使用中央氣象局的測站資料，在同一時間內可以獲得約 8000 筆測站經
緯度、空氣品質等資料。而溫溼度的測站資料筆數較少(約 500 筆)，因此先用迴
歸模型預測約 8000 個空品測站的溫濕度資料，以盡量提高資料的分布數量。接著，再預測使用者輸入的起始點和終點間的空氣品質和溫溼度。關於溫濕度，團隊採用酷熱指數這項指標，作為較佳體感舒適度的判斷依據。因空氣品質或酷熱指數的分布在通常情況下為連續性資料，在找出較佳空氣品質或酷熱指數路徑時， 我們傾向優先找尋較佳空品或酷熱指數的區域。因此，使用圖論中的演算法， Dijkstra’s algorithm 來計算權重並串連較佳的資料熱區，進而產生較佳路徑。然而實作上的關鍵在於需要給定頂點以及頂點間的權重，才能計算出任兩點間的路徑。♛先，找尋頂點的方式是用分群演算法 DBSCAN，對以起終點為對角的矩形區域內較佳空品或較佳酷熱指數的插值點進行分群。分群後，將每個群的點集合位置取平均，取得群集中心，即訂為圖的頂點。接著，頂點間的權重目前有兩種定義方式。第一種是用頂點之間的空氣品質和酷熱指數的加權，另一種則是考量距離的影響，將第一種乘上兩頂點的距離，可以在考慮距離的情況下讓使用者兼顧時間與健康。
如下兩圖，這是套用上方公式與演算法所求得的結果圖。圖(a)是以起終點為對角形成的矩形內，空氣品質和酷熱指數較佳的點所形成的分群結果，每個群的中心會成為圖的頂點。圖(b)的英文數字是圖(a)分出的各個群中心，也就是本研究所定義的頂點，而頂點間的權重則是由式(1)或(2)計算而成的。得到圖(b)後， 套用 Dijkstra’s algorithm 即可求出較佳路徑。
(a) (b)
圖二 DBSCAN 分群結果與頂點權重圖
團隊十分重視使用者的體驗，如圖三、圖四和圖五(這些圖是實際運作在伺 服器上的網站截圖，網站由團隊自行建立，其網址可於本文件末尾的附件中獲得)， 除了生成較佳舒適度與空氣品質路徑外，考量到「個人體力不同，可以為舒適度與空氣品質犧牲的路徑距離也不同」，我們讓用戶自行選擇是否把距離納入考量。並且，由於對溫溼度和空氣品質的接受度因人而異，團隊透過拉桿，讓前往本網站的使用者，能自行選擇舒適度與空氣品質間的權重。如此一來，使用者可以依照自己的需求，客製化出自己想要的較佳路徑。
仔細觀察圖三到圖五，可以發現 A 到 B 的藍色路徑有白色小點。這些白色小點對 Google Map API 來說，是停靠點；但對演算法來說，是 DBSCAN 找出的頂點，也就是圖二(b)中的英文數字。以圖二(b)來說明，在我們演算法的設計中， Dijkstra’s algorithm 會找出一個起點到終點的字母串，比如 J->D->K，J 是起點， D 是停靠點，K 是終點。J、D、K 會有實際的經緯度，獲得這三點的經緯度後， 再餵給 Google Map API，便能規劃出圖三到圖五中的路徑了。以下三圖中以紅色標示的 A、B 兩點，便是圖二(b)中的 J 和 K。
圖三 考慮空氣品質，不考慮酷熱指數和交通距離[1]
圖四 考慮酷熱指數，不考慮空氣品質
圖五 考慮酷熱指數、空氣品質和交通距離[1]
團隊透過圖論的最短路徑演算法與分群演算法，配合 Google Map API，找到一條相對來說較舒適且呼吸品質較好的路徑。但由於空品與溫濕度資料的不足， 有時在找路徑時，會發生沒有停靠點，也就是純粹靠 Google Map API 規劃路徑的狀況。針對該缺點，團隊正在建立一套可攜帶式的物聯網裝置。裝置做成吊飾大小，可以掛在使用者的背包上，時時蒐集使用者周遭的環境溫濕度與空氣品質資訊，補充台灣溫溼度與空氣品質監測站不足的缺點，進而改善演算法。「大數據是人工智慧的基礎」，若我們的使用者夠多，可攜帶物聯網裝置能遍布全台， 大量的資料將讓團隊的路徑規劃演算法更具參考性。如此一來，便能提供使用者精確的客製化路徑，使得人們能獲得較佳的體感舒適度及呼吸品質。
[1] 成果網站 : https://airelive.life:11111/
