下雨改搭車，AI能調班次嗎

（媒角抵加／林承志綜合報導）氣象預報顯示明早尖峰會下雨，公車業者要不要先多派一班車？McGill University 團隊讓 AI 代理蒐集通勤問卷、整理資料，再預測學生會選擇步行、騎自行車、大眾運輸或開車。研究顯示 AI 能猜中約七成回答，但它還無法回答某條路線會增加多少人。

這項研究可用來快速試探旅客的選擇，距離自動調班仍有一段資料缺口。台北與海外的實際客流研究都指出，天氣影響會隨時段、站點、運具和乘客類型改變。運輸單位若只看到「下雨使人改搭車」，可能把車派到沒有增加需求的地方，也可能漏掉雨天造成的停站延誤。

AI代理收了92人、五種天候的回答

研究團隊把流程拆成三個 AI 代理：第一個透過對話機器人發問，第二個整理和檢查資料，第三個執行行為分析與預測。這裡的「主動蒐集」是機器人依預先設計的問卷流程追問，受訪者從網頁連結或 QR Code 進入；系統沒有追蹤旅客位置，也沒有自行尋找新的受訪者。

受訪者是 92 名 McGill University 學生，多數介於 18 至 24 歲。他們依序觀看晴天、濕熱、雨天、霧冷和雪天的固定圖片，再回答會選擇步行、騎自行車、大眾運輸、自行車轉乘或開車。五輪問卷原可形成 460 筆資料，扣除無效回答後留下 454 筆。

團隊比較隨機森林、迴歸模型與九個在本機執行的語言模型。隨機森林的五分類準確率為 69.6%，最佳純文字語言模型為 69.9%，看得到天氣圖片的最佳模型為 71.5%。視覺模型只比最佳文字模型高 1.6 個百分點，論文沒有證明這個差距具有統計顯著性。

最有用的線索，是平常怎麼通勤

研究中最穩定提升預測的資訊，是受訪者平常使用哪種交通方式。以其中一個 40 億參數模型為例，加入較完整的背景與通勤資訊後，準確率從 41.3% 升至 64.2%。這表示雨天選擇並非只由眼前天氣決定，日常習慣往往提供更強的基準。

這也限制了研究能回答的問題。受訪者是在固定圖片前說出「打算怎麼走」，研究沒有確認他們當天是否真的搭車。每種天候只用一張圖片，模型可能同時受到圖片場景、光線和構圖影響。樣本集中一所大學，也無法代表上班族、長者、家長或不同城市的旅客。

同一場雨，月票族與單次乘客可能反向移動

台灣已有實際客流研究說明這個落差。2025 年一篇台大碩士論文整合 2023 年 4 月至 12 月的大臺北公車智慧卡、氣象、地理與社經資料，分析到每小時、上下車站牌組合。結果顯示，天氣不佳時，TPASS 月票乘客人次下降；非月票乘客在不利天氣下反而增加。若只看總量，兩群人的變化可能彼此抵銷。

台北車站的研究則用 2015 年 11 月至 2017 年 3 月的每小時進出站人次建立短期預測。研究發現，雨天納入前一小時氣溫與風速有助改善預測；直接加入當下所有天氣變數，部分資訊可能成為雜訊。雨勢、平假日與尖離峰還會改變影響幅度。

布里斯本的智慧卡研究得到另一種結果：天氣變化在整個公車系統層級沒有顯著影響，但拆到局部區域後，降雨、風速和濕度會帶來方向與幅度不同的變化。橫跨 40 個城市、近一億趟公共自行車旅次的研究也發現，降雨是重要變數，效果仍會受時段、氣候帶與使用者特徵影響；樣本包含高雄。

這些結果共同指出，天氣預測不能直接換算成全線增班。模型至少要回答：哪一站、哪個小時、哪一類乘客，以及需求是新增、改搭或取消。

多一班車，也要算雨天停站與行車時間

需求增加只是調度的一半。2025 年瀋陽公車研究以實地資料分析雨量、上下車人數、載客率、停靠空間與路口等因素，並建立雨天停站時間預測。這提醒運輸業者，雨天可能同時改變乘客數與每站所需時間。即使多派車，積水、壅塞、上下車變慢或安全管制仍可能讓班距失準。

在台灣，中央氣象署已有逐 10 分鐘雨量，以及一、三、六、十二和二十四小時累積雨量；TDX 也提供公車、軌道、自行車、路況、歷史資料與運輸指標服務。資料介面已存在，能否精準增班仍取決於營運單位能不能把歷史票證、即時載客、車輛位置、班表和異常事件對齊。

較安全的導入方式，是先讓模型做「影子預測」：選一條雨天容易壅塞的走廊，連續數週只預測、不改班表，逐站比較預測與實際載客量。確認誤差能在尖峰前穩定縮小，再測試少量備援車，並保留調度員依道路與安全狀況否決建議的權限。

常見問題

這篇研究已經能預測公車或捷運運量嗎？

還不能。它預測 92 名學生在問卷中會選哪一種交通方式，輸出是個人選擇類別，沒有預測每站或每條路線的乘客人數。

AI看到天氣圖片，真的比文字預報準嗎？

研究中的最佳視覺模型準確率為 71.5%，最佳純文字模型為 69.9%。兩者相差 1.6 個百分點，作者沒有提出統計證據證明視覺模型較優。

台灣現在有資料可以做嗎？

氣象與運輸開放資料已能支援初步測試，但實際調班還需要更細的票證、載客量、車隊與營運資料。先做分路線、分時段的影子預測，比直接交給 AI 自動增班更能看出模型是否可靠。

資料來源與更新紀錄

• 核心研究：Narges Ahmadi 等人，〈An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction〉，arXiv 預印本，2026-08-20。
• 台灣公車實證：林哲暐，〈TPASS月票政策對大臺北都會區公車搭乘實證研究〉，國立臺灣大學碩士論文，2025。
• 台北捷運研究：Lijuan Liu、Rung-Ching Chen、Shunzhi Zhu，〈Impacts of Weather on Short-Term Metro Passenger Flow Forecasting Using a Deep LSTM Neural Network〉，《Applied Sciences》，2020。
• 公車空間差異：Sui Tao、Jonathan Corcoran、Mark Hickman、Robert Stimson，〈The influence of weather on local geographical patterns of bus usage〉，《Journal of Transport Geography》，2016。
• 跨城市公共自行車研究：Robert Bean 等人，〈How does weather affect bikeshare use? A comparative analysis of forty cities across climate zones〉，《Journal of Transport Geography》，2021。
• 雨天停站時間：Baoyun Sun 等人，〈Analysis and Dynamic Prediction of Bus Dwell Time Under Rainfall Conditions〉，《Promet – Traffic&Transportation》，2025。
• 台灣官方資料：TDX 運輸資料流通服務 API 使用指引、中央氣象署逐 10 分鐘雨量觀測資料，查核日期 2026-08-22。

> 更新紀錄：2026-08-22 初稿。核心研究尚未經同儕審查；文中已區分問卷選擇、實際客流與調度建議。