HikingTTE：基於個人步行能力的登山旅行時間預測新突破

在東京電氣通訊大學，由淺子瑞穗、田原泰之、大須賀昭彥和井上雄一領導的研究團隊，開發了一款名為「HikingTTE」的深度學習模型，大幅提升了登山旅行時間的預測準確度。這項研究成果已發表於《控制論與資訊技術》期刊，並有望減少山區事故，提升登山者的安全性。

登山活動在全球廣受歡迎，但許多事故往往源於登山者低估了抵達目的地所需的時間。傳統的登山旅行時間預測方法通常依賴坡度（上坡或下坡）與步行速度之間的關係，但這些方法並未充分考慮個人的步行能力或長距離行走後的疲勞累積。HikingTTE則透過結合改良的Lorentz函式與深度學習框架（包括LSTM長短期記憶模組和注意力機制），有效解決了這些問題。

LSTM擅長處理時間序列資料，而注意力機制則能從GPS資料中提取重要資訊，進一步提升預測準確度。HikingTTE的獨特優勢在於，它能夠僅憑登山旅程中的部分GPS資料，學習登山者的步行能力。透過分析路線前段的表現，模型能為該登山者建立專屬的坡度-速度函式，並以此估算剩餘的旅行時間。此外，HikingTTE還考慮了地形變化與疲勞效應，使其預測結果比現有模型更加可靠。

在實驗中，HikingTTE不僅將平均絕對百分比誤差（MAPE）降低了12.95個百分點，還比原本用於交通任務的其他深度學習模型提升了0.97個百分點。研究團隊認為，這些成果有望為登山旅行時間預測設立新標準。

未來，團隊計劃納入每位登山者的過往紀錄，進一步個人化預測結果。這項創新技術將幫助登山者更有效地規劃行程與調整步調，從而避免延誤、降低風險，並在關鍵時刻挽救生命。此外，HikingTTE也可整合至登山應用程式或導航工具中，提供實用且可靠的指引。