中華民國內政部建築研究所中華民國內政部建築研究所

一、研究緣起

隨著全球電腦資訊技術與自動化系統的迅速發展，智慧建築的概念應運而生。智慧建築起源於國外，最初旨在利用先進的自動化技術實現建築設備的自動控制與管理。我國自1985年開始引進相關技術，經過數年的研究發展，逐步建立具有我國特色的智慧建築系統，並在技術應用、政策推動及市場需求等方面呈現蓬勃發展的趨勢。

根據內政部建築研究所截至2023年6月底的統計數據，經審核通過的智慧建築案件共計1196件，其中包括智慧建築標章280件以及候選智慧建築證書916件，顯示出智慧建築在我國的快速發展。智慧建築技術的普及不僅有助於提升建築的能源效率、環境保護與使用者的生活品質，也在解決現代都市問題方面展現出高度潛力。

因應我國經濟的迅速增長及都市化進程的加速，小汽車數量不斷增加，城市停車空間不足成為一項亟待解決的問題（賀士麃，2013）。停車需求的準確預測與停車空間的優化配置，成為智慧建築發展中的重要議題之一。因此，停車使用率資料進一步顯示其高社會經濟價值，對於緩解都市停車難題具有重要的實際意義，可以提供有價值的應用參考。

為提高智慧建築資料再利用之經濟及社會價值，本研究案應用內政部大數據資料，結合智慧建築的實際數據，建立一個可預測建築物停車需求的模型。透過蒐集國內智慧建築案例資料進行案例模擬分析，進行建築物自設停車位數量決策優化之案例模擬分析，最後提出本所內政大數據競賽提案小論文（改為參與內政部黑客松競賽），進一步推動智慧建築與智慧停車解決方案在實際應用中的落地與推廣。

二、研究方法及過程

本研究方法主要透過統計分析與機器學習技術，推估智慧建築附設停車位的使用率與服務水準，並進行停車需求的優化配置與模擬分析。將依據統計模型和機器學習演算法，搭配專家座談的方式，深入探討停車需求與服務水準之間的關聯性，並提供實務應用的政策建議。

（一）統計分析法

透過敘述性統計分析法，對智慧建築附設停車空間資料進行初步處理。將數據資料進行歸納與清洗，針對各項變數進行描述性統計分析。透過計算數據的分佈、均值、中位數、標準差等基本統計量（Hogg & Tanis, 2015），研究將初步了解停車需求的分佈情形，為後續計量模型分析和機器學習模型建構提供依據。

（二）多元線性迴歸模型、多類別羅吉斯迴歸模型

利用R語言進行多元線性迴歸分析（Multiple regression analysis），建構模型以停車需求的影響因素（如建築用途、使用者行為模式、周邊停車設施等）作為自變數，停車使用率作為應變數。分析將有助於了解各變數對停車需求的影響因素及各變數對停車需求的影響程度（Montgomery, Peck, & Vining, 2012）；此外，為進一步探討停車服務水準的分類預測，將建構多類別羅吉斯迴歸模型。使用影響停車需求的變數作為自變數，並將停車服務水準分為不同類別作為應變數，分析自變數與應變數之間的非線性關係（Hosmer, Lemeshow, & Sturdivant, 2013），以釐清停車空間需求與服務水準間的分類結果，並進行更精確的推估。

（三）機器學習

為提升預測的準確性，將應用K近鄰演算法（K-Nearest Neighbor，簡稱KNN），使用R語言進行模型構建。KNN模型主要依據新數據與訓練數據之間的距離進行分類或回歸預測，透過選取距離最近的K個鄰居進行判斷（Cover & Hart, 1967），為機器學習中監督式學習的一種，自變數為影響停車需求的因素，應變數為停車服務水準，以進行停車服務水準的推估。本研究將使用KNN演算法推估智慧建築附設停車使用率的服務水準，並分析不同條件下的預測結果。由於KNN屬於非參數模型，適合進行較複雜的模式分類與預測，且易於與其他方法結合使用（Duda, Hart, & Stork, 2001），能為智慧建築停車需求分析提供更靈活的應用工具。

（四）專家座談

探討應用智慧建築及內政大數據預測建築物停車需求之研究，本團隊於113 年 9 月 13 日（星期五）及113 年 10 月 4 日（星期五）舉辦兩次專家座談會，邀請統計學、大數據應用及智慧建築領域的專家進行座談，討論模型分析結果與案例模擬結果。專家座談針對分析結果、案例模擬自設停車位分析結果、資料隱私權之可行性做討論。此外，專家也提供相關政策建議，協助研究成果應用於實際規劃與政策制定（附錄四、附錄五）。

三、重要發現

（一）本研究建構之多元線性迴歸模型顯示，多數自變數對智慧建築附設停車空間使用率具有顯著影響，且殘差檢定結果符合線性迴歸模型假設，其中以土地使用、鄰近大眾運輸可及性與停車收費費率三個自變數為影響停車需求之關鍵因素。

（二）研究結果顯示，K近鄰演算法在處理複雜的停車服務水準預測上具有顯著優勢，準確率達到百分之九十，有效預測新建建築物之停車需求，並據以精準規劃停車空間，給予新建建物推估自行增設停車位之參考。

（三）社會住宅優化實證分析顯示Case21停車需求高峰時段為平日白天，Case13需求高峰時段為假日白天，這些時段除了住戶本身之停車需求，亦有周邊之停車需求產生，導致法定停車位不足之情形，若除去上述時段則仍有餘裕提供車位與周邊使用，可減輕建築基地周圍公共停車負擔，同時提高社會住宅自償性之可行性。

（四）內政黑客松競賽提案實證結果顯示平日無障礙停車位之使用率大於假日，且無障礙停車位使用之尖峰時段為早上八點至下午五點。若以行政區為單位分析，台北市大安區、中山區、中正區多數無障礙停車位供不應求，若將建築物型態加以分類，學校、公園、廣場等公有建築無障礙停車位有供不應求的情形，捷運站停車場無障礙停車位則是供過於求。

四、主要建議事項

建議一

將機器學習導入建築物停車位管理納入智慧建築評估手冊鼓勵項目：中長期建議

主辦機關：內政部建築研究所

協辦機關：無

本研究運用之Ｋ近鄰演算法模型具備成為未來建築停車規劃重要工具之潛力。為進一步驗證模型之通用性，建議擴大樣本數，並將其應用於不同城市及地區。同時，可透過整合更多元之跨域數據，如信令人口資料及即時社經數據，提升模型精準度。未來可持續優化模型，使其更貼近實際需求，像是身心障礙車位、敬老、親子車位以及電動車位等課題，進行全面分析，結合法令與建成環境做通盤之檢討，此外，若將閒置停車位即時聯網，並開放加值應用，除了能改善交通狀況、提升停車位利用率外，更能為智慧建築物帶來額外的收入來源，進而提高其自償性，同時，應將智慧建築視為智慧城市的重要一環，深入探討其與智慧交通系統、智慧能源管理等基礎設施的整合，並結合環境監測數據，提供更全面的解決方案。