由相關研究顯示，我們的警示時間只要提早0.5秒，就有機會避開60%的追撞事故；如果能把時間提早到1.5秒，則能避開高達90%的追撞事故。換句話說，只要能在發生碰撞意外前的關鍵時刻提醒駕駛人，讓他有反應時間、操控車輛，就可以大幅降低交通事故的發生，並確保行車安全。事實上，這也是產學機構積極投入的重點，並以建立一個可以監控駕駛人狀態，並且適時提出警訊的疲勞風險預測模型。

為了確保疲勞風險預測模型的準確率，必須從幾個面相開始蒐集、分析與利用數據資料：

• 第一，掌握駕駛者的個人健康資訊。透過填寫問卷量表、生理檢查、生化檢驗、個人健康存摺以及環保監測等資料，來了解每一位駕駛人的身心狀況。
• 第二，建立疲勞駕駛資料庫。透過穿戴式的生理測量裝置即時監控心率變異量，同時搭配動作事件檢測，以及登錄每一位駕駛人的活動量、血氧量與血壓等生理狀況，建立並完善疲勞駕駛資料庫。
• 第三，分析疲勞風險預測模型。透過資料分析疲勞資料庫的數據，同時導入機器學習，以尋找駕駛行為與事件的關聯性與模式，預測出風險值以後，再與反應力測試以及行車安全監控系統資料進行比對和驗證，如剎車行為分析與駕駛行為分析，以逐步建立並完善疲勞風險預測模型。
• 第四，透過行動APP向疲勞駕駛示警。偵測到駕駛者的行為與生理現象異常時，疲勞風險預測模型即會自動發送簡訊到相關人手中，提早示警以避免意外發生。

透過疲勞風險預測模型，除大眾運輸工具業者可以最具經濟效益的方式提供更安全且智慧的乘車體驗外，汽車品牌商也可以透過此系統協助駕駛者預防疲勞駕駛的狀況發生，甚至可與保險業者合作，提供個人化的駕乘保險。

疲勞風險預測模型：結合穿戴式生理測量裝置之回饋數據，搭配個人生理檢查、問卷量表、健康存摺、生化檢驗及環保監測等資料，藉由機器學習逐步建立疲勞風險預測模型 (圖片來源：計畫團隊提供)

駕駛疲勞預測及監控：透過豐富多元數據資料建立疲勞風險預測模型可望從工具變成系統平台 (圖片來源：計畫團隊提供)

累積足夠的數據資料後，疲勞風險預測模型可望從工具變成系統平台，透過開放應用程式介面(API)，界接其它有助於提升駕乘體驗的應用服務，例如更多元化的智慧聯網裝置、智慧車載系統、智慧零售平台、智慧交通平台等，打造一個以駕駛者與乘車者為核心的嶄新駕乘體驗。

展望未來，隨著數據資料的增加，單純透過先進資料分析或是機器學習等技術，已不足夠應付目前的問題，確實是需要進一步導入人工智慧技術，優化疲勞預測風險模型的準確率，並且針對不同駕駛人提供專屬的體驗服務。