---
language: zh
license: mit
tags:
  - traffic-prediction
  - lightgbm
  - shap
  - multistep-forecast
  - streamlit
  - huggingface-space
model-index:
  - name: God-Eye Traffic Predictor
    results:
      - task:
          type: time-series-forecasting
          name: Multi-step Traffic Speed Forecasting
        dataset:
          name: 國道壅塞預測（楊梅-新竹段）
          type: tabular
        metrics:
          - name: MAE
            type: mean_absolute_error
            value: 5.2
          - name: R²
            type: r2
            value: 0.7
---
# 上帝視角：AI 國道壅塞前兆預測系統 (God-Eye Traffic Predictor)

## 📌 專案簡介
本專案為一套針對台灣國道一號（楊梅至新竹段）在假日期間的即時壅塞預測系統。透過 MultiOutput LightGBM 模型預測未來 60–90 分鐘車速，結合 SHAP 解釋與風險分級，提供使用者直觀的預警視角。

## 🎯 預測目標
- 預測未來 60/70/80/90 分鐘的平均車速（km/h）
- 根據預測車速進行壅塞等級分類（低、中、高風險）
- 使用 SHAP 分析顯示主要造成壅塞的前兆特徵

## 🔍 使用資料
- **資料來源**：交通部高速公路局（Highway Bureau, MOTC）
- **時間範圍**：2025/03,四個週末假日資料（不含連假）
- **路段範圍**：國道一號楊梅交流道至新竹交流道（南北雙向）
- **特徵範圍**：時間、空間、歷史車流量/車速、遲滯特徵等約 10+ 欄位

## 🧠 模型資訊
- **演算法**：LightGBM（MultiOutput Regression）
- **訓練方式**：逐步訓練 + 滾動預測（多步預測）
- **誤差指標**：
  - MAE 約 5.2 km/h
  - R² 約 0.7（驗證集）

## 🗺️ 解釋性分析
- 使用 Tree SHAP 解釋單筆預測，並透過 Waterfall 視覺化展示特徵影響力
- 針對壅塞前兆進行 SHAP 排序與歸因分析（例：公里位置、時間點、車流量、車速）

## 🖥️ 使用方式
1. 開啟 [Hugging Face Space](https://huggingface.co/spaces/your-username/god-eye-traffic-predictor)
2. 選擇「預測時間點」與輸入「即時特徵值」
3. 查看車速預測與風險等級，點擊以檢視 SHAP 解釋圖

## 🚦 預測輸出說明
| 時間點 | 預測車速 | 風險等級 | SHAP 解釋 |
|--------|------------|--------------|--------------|
| +60 分 | 78.2 km/h | 低風險 | SHAP waterfall 圖 |
| +90 分 | 63.5 km/h | 中風險 | SHAP waterfall 圖 |

## 📊 前端架構
- **框架**：Streamlit
- **部署**：Hugging Face Spaces
- **自動更新**：每次預測自動刷新畫面顯示結果


## 📜 License
MIT License / 本作品僅供學術與非商業研究用途，請勿未經授權轉作商業應用。

---

*本專案參與「114年國道智慧交通管理創意競賽」初賽作品。*