AI 驅動鐵道創新 — 三大提案
概念創新組 / 成果應用組 · 2026
基於 HACKRAIL 官方釋出資料與評分標準建構
👉 按 空白鍵 / → 鍵 開始瀏覽
1
比賽主軸總覽
2
評分標準分析
3
🛡️ 安全防災 痛點
4
👥 乘客體驗 痛點
5
🌱 綠色永續 痛點
6
三大提案介紹
7
資料使用對照
8
評審攻略
HACKRAIL 鐵客松以台灣鐵道數據為基礎，徵求 AI 驅動的創新方案
🛡️
鐵路安全及科技防災
提升鐵道安全性，利用資料及科技建構安全通行環境
7 個具體子議題
👥
優化乘客體驗友善服務
跨運具資訊整合，提供旅客全面性資訊及有感服務
9 個具體子議題
🌱
綠色鐵路永續創新
因應淨零轉型，結合資料分析減少碳排放
3 個具體子議題
| 分類 | 概念創新組 | 成果應用組 |
|---|---|---|
| 📊 資料性 | 30% | 20% |
| 💡 創新性 | 30% | 20% |
| 🔧 可行性 | 20% | 30% |
| 🎯 實用性 | 20% | 30% |
| 分類 | 概念創新組 | 成果應用組 |
|---|---|---|
| 💡 創新性 | 20% | 20% |
| 🔧 可行性 | 30% | 35% |
| 🎯 實用性 | 30% | 35% |
| 🎤 產品發表 | 20% | 10% |
關鍵洞察：概念組初審 → 資料性 + 創新性佔 60%
決選 → 可行性 + 實用性合計 60-70%，現場 Demo 為決勝關鍵
🛡️
以提升鐵道安全性為目的，利用資料及科技，建構安全通行環境
👥
跨運具資訊整合，提供旅客全面性資訊及民眾有感之服務
🌱
因應國際淨零轉型趨勢，結合資料分析減少碳排放，提升綠運輸效率
🏆
經過資料可用性與評分標準篩選後的最終推薦
🥇
連假運能預測
成果應用組首選
6 家機構資料 · PatchTST + OR-Tools
🥇
智慧鐵道助手
概念創新組首選
LLM + RAG · 三主軸全覆蓋
🥇
跨運具行程Agent
創新性最高
LLM ReAct · TDX API
🥇
一句話：
整合台灣六大鐵道機構運量資料，以 AI 預測連假運能需求，自動產生最佳釋票方案
B2：連假運能預測不準
座位閒置 vs 運能不足並存，旅運需求預測不精準
👉 PatchTST 多源時序預測 + OR-Tools 動態釋票
B3：觀光列車準點率
單線區間易受干擾，缺乏延誤預測與瓶頸路段模擬
👉 數位孿生 + 時空圖神經網路
C1：資料整合不足
各機構運量/時刻表/事故資料分散，無法跨域分析
👉 統一 ETL 整併 6 機構資料
| 資料集 | 機構 | 格式 | 用途 |
|---|---|---|---|
| 進出站分時運量 | 高鐵 | Excel | 主訓練 — 起迄站時序運量 |
| 票卡交易紀錄 | 北捷 | TXT | 轉乘需求分析 |
| 即時分刻運量 | 高捷 | JSON | 即時動態展示 |
| 時刻表+準點率 | 高鐵 | Excel | 運能供給方資料 |
跨機構應用：6 個機構 — 高鐵、北捷、新北捷、高捷、桃捷、林鐵
+18%
載客率提升
預測引導列車編組更匹配需求
-25%
座位閒置率
動態釋票減少空位浪費
+12%
營收貢獻
載客率提升直接貢獻營收
2 天黑客松時程：Day1 資料清洗+PatchTST訓練 → Day2 OR-Tools+Grafana+Demo
🥇
一句話：
一個 Line Bot，讓旅客查行程、維修人員查 SOP、民眾找遺失物 — 全部自然語言完成
A7：維修文件分散
維修手冊 PDF/Word 散落各處
👉 RAG 秒回 SOP
B4：跨運具分散
旅客需開多個 App 查詢
👉 LLM 一句話完成
B9：遺失物人工
需打電話到站詢問
👉 CLIP 照片比對
C2：數位化低
維修日誌紙本記錄
👉 Line Bot 語音填報
對話範例
用戶：「EMU500 集電靴更換 SOP」
→ RAG 檢索 SOP → LLM 摘要
回傳 5 步驟 + 工具清單 + 安全注意事項
-97%
維修查詢時間
15 分 → 30 秒
-92%
跨運具規劃
3 分 → 15 秒
-60%
遺失物尋回時間
電話 vs AI 比對
-30%
客服來電
Bot 承接 FAQ
2 天黑客松時程：Day1 RAG 知識庫+LLM Agent → Day2 Line Bot + Demo
🥇
一句話：
自然語言一句話完成「高鐵→捷運→公車→步行」跨運具行程規劃，含即時延誤預警
B4：跨運具資訊分散
旅客需分別打開 3-4 個 App 比對時間、票價、路線
👉 LLM Agent 一句話一次完成
B5：旅運資訊不直覺
時刻表對初次使用者不友善，轉乘壓力大
👉 個人化方案 + 自然語言回覆
B6：無障礙動線不足
輪椅族/嬰兒車無法獲得無障礙轉乘建議
👉 Weighted A* 無障礙路線
🧠 ReAct Agent 推理範例
用戶：「從高鐵台中站到桃園機場二航廈，帶大行李箱，明早10點前到」
Step 1 意圖解析
origin=高鐵台中站, dest=桃園機場, constraints={10點前, 大行李箱}
Step 2 Function Calling
→ 查 TDX 路線 · 查高鐵時刻 · 查桃捷時刻 · 查即時準點
⚠️ 發現 08:30 高鐵延誤 12 分鐘
Step 3 路徑規劃
Weighted A* → 避開延誤車次 + 電梯優先
Step 4 自然語言回覆
🚄 建議：高鐵 08:00→08:43 + 桃捷 09:00→09:15
✅ 09:25 抵達，比目標早 35 分
核心技術：LangChain ReAct + GPT-4o-mini + TDX API + NetworkX Weighted A*
-92%
規劃時間
3 分 → 15 秒
-40%
轉乘失敗率
即時延誤預警
+60%
無障礙可達性
專用無障礙路徑
+15%
公眾運輸意願
方便 = 願意用
2 天黑客松時程：Day1 TDX API+LLM Agent → Day2 即時動態+Line Bot+Demo
| 面向 | 提案一：運能預測 | 提案二：智慧助手 | 提案三：跨運具Agent |
|---|---|---|---|
| 最適組別 | 成果應用組 | 概念創新組 | 概念創新組 |
| 涵蓋痛點 | B2+B3+C1 | A7+B4+B9+C2 | B4+B5+B6 |
| 主軸覆蓋 | 👥 + 🌱 | 🛡️ + 👥 + 🌱 | 👥 |
| 資料家數 | 6 家 | 5 家 | 5 家 |
| 核心技術 | PatchTST+OR-Tools | LLM+RAG+CLIP | LLM ReAct Agent |
| 硬體需求 | 無 | 無 | 無 |
| MVP 時長 | 2 天 ✅ | 2 天 ✅ | 2 天 ✅ |
選擇建議：成果應用組 → 提案一（資料最完整）｜概念創新組 → 提案二或三（故事性最強、創新性最高）
| 機構 | 提案一 | 提案二 | 提案三 |
|---|---|---|---|
| 🚄 高鐵 | ● ● ● ● ● ● | ● ● ● | ● ● ● |
| 🌲 林鐵 | ● ● ● | ● ● | ● |
| 🍬 糖鐵 | ● | ●(OCR) | ● |
| 🚇 北捷 | ● ● ● | ● | |
| 🆕 新北捷 | ● | ● ● ● | ● |
| 🍑 桃捷 | ● | ● | ● ● ● |
| 🔴 高捷 | ● | ||
| 總計 | 6 家 · 18 項 | 5 家 · 10 項 | 5 家 · 11 項 |
Q1：「你們的資料從哪裡來？」
A：使用了官方釋出的 N 個機構資料，包含高鐵 OD、北捷票卡、桃捷 TDX 等，提案書中有完整對照表。
Q2：「現場人員要怎麼用？」
A：方案 A 透過 Line Bot（不需新裝 App），方案 B 在既有 Dashboard 上加掛模組，零學習成本。
Q3：「導入成本大概多少？」
A：硬體成本 0 元（純軟體），部署約 1-2 人月，維運約 NTD 3,000/月。
Q4：「導入的最大障礙是什麼？」
A：最大障礙不在技術，在跨機構資料交換的行政流程。系統設計為可獨立運行。
🚀
一起打造更安全、更友善、更永續的台灣鐵道
HACKRAIL 鐵客松 · 2026
🛡️ 安全
Edge AI · 預測性維護 · RAG 知識庫
👥 體驗
跨運具 Agent · 運能預測 · LLM 查詢
🌱 永續
資料整合 · 數位化 · RL 節能空調