資策會數位轉型研究院─FIND中心

新加坡是個面積有限、人口密集的國家，面對日益增長的交通需求，傳統的交通擴建方式已無法滿足需求。因此，自2014年起，新加坡陸路交通管理局（Land Transport Authority, LTA）便開始推動智慧移動2030計畫（Smart Mobility 2030），旨在透過數位科技整合交通系統，提升運輸效率和可持續性。

【案例服務說明】

新加坡在Smart Mobility 2030藍圖中，將「資料共享＋人工智慧」界定為未來智慧交通的核心治理機制。其中包含透過遍布全島的高速公路、隧道與號誌路口布建感測網絡，所有即時資料被匯入智慧型運輸系統平台（iTransport），再經DataMall資料中心依授權規定提供給政府、科研與業界。藉由此類「感測—運算—服務」循環，為後續以機器學習優化號誌、事故清障、壅塞收費及公車調度奠定標準化方法。

iTransport每秒匯聚來自快速道路及多個交通要道路口的車速、流量與影像，再同步推送至24小時交通營運控制中心。對外，DataMall 資料中心則公開數百組靜態、動態資料API，涵蓋路況、停車、公共運輸及收費等各個領域，也藉此措施已經衍生出多款的第三方應用程式（如Bus Uncle、Carpark@SG），成為交通創新應用的資料基礎。

【技術發展背景】

新加坡高度密集的發展下，道路拓寬空間迫近飽和，政府必須把每段路權都用到極致。新加坡陸路交通管理局LTA（Land Transport Authority）遂以數個AI模組導入既有的系統如：最適綠燈時制系統GLIDE（Green Link Determining System）、城市高速道路監控訊息系統EMAS（Expressway Monitoring & Advisory System）以及電子道路收費系統ERP（Electronic Road Pricing 2.0）等，重新分配道路時間、空間與成本，讓既有路網持續增加效能提供更多量能。

GLIDE透過鋪設於路面下的線圈感測器取得車流密度，讓區域伺服器以機器學習模型預測下一個30秒至2分鐘的來車批次，動態調整紅綠燈週期並同步相鄰路口。根據LTA官方專文GLIDE Into Smoother Traffic表示全國約2700多個號誌皆受GLIDE控制；在2024年市區道路的實地測試中，車輛平均延遲等待時間相較傳統固定的時制再下降一成以上。

圖1：GLIDE系統運作示意圖

資料來源：https://www.lta.gov.sg

針對各類型影響道路通行的事故，城市高速道路監控訊息系統EMAS運用即時影像結合車速感測，自動辨識拋錨、碰撞與異常壅塞；一旦觸發警報，系統會立即在營運控制中心顯示事故座標並推送給拖吊合作商。根據新加坡宜居城市中心（Centre for Liveable Cities）與LTA合撰的《Tapping Tech for Smoother Traffic》個案研究中表示，EMAS系統的運用，讓每起事故的平均清障時間比20年前的平均耗時提早平均約24分鐘，每年節省的社會延誤成本估計達4,000萬星元。

圖2：城市高速道路監控訊息系統EMAS作業示意圖

資料來源：https://www.lta.gov.sg

在新加坡，行之有年的電子道路收費系統ERP也因為AI的導入，而造就更佳完善的升級。ERP 2.0以全球衛星導航系統（Global Navigation Satellite System, GNSS）取代路側天線與大型收費門架，車內設備單元（On-Board Unit, OBU）每隔數秒將位置、速度和行程路徑上傳雲端，藉由AI演算法每五分鐘重新計算不同路段的壅塞價格，讓用路人評估費率的調整，而改由其他交通工具行進。LTA在2024年新聞稿中指出，已有約15萬輛汽機車完成OBU安裝，並預計於2026年前完成全面換裝，將可在尖峰時刻輔以相關措施，把交通流量維持在最佳效率帶。

在土地無法再橫向擴張的前提下，新加坡藉在既有路幅之內生產額外通行能力的城市交通措施，並將可數據化、可追蹤化的成效提供全球高密度城市做為可複製的技術路徑。

圖2：Electronic Road Pricing 系統運行示意圖

資料來源：https://www.lta.gov.sg

【應用效益與成果】

上述內容的自動化訊號、事故監控和壅塞收費在新加坡早已行之有年，而近期將AI機器學習與影像分辨等模組技術導入後，效益更明顯放大加大：陸路交通管理局LTA於2024年的官方專文說明，升級版GLIDE最適綠燈時制系統能即時預測接下來數十秒的來車潮並調整時相，讓主要區間維持長串綠燈而非斷斷續續塞停，有效提升整體行車效率；同時，加入影像AI辨識的EMAS事故系統把單一事故的平均清障時間大幅減少，每年粗估為節省約4,000萬星元的延誤與燃料成本；而ERP 2.0運用雲端模型每5分鐘重算壅塞費率，這類即時演算讓尖峰車速穩定維持在快速道路至少45–65km/h、幹道20–30km/h 的最佳區間，不再受限於過去一季才調一次運算的僵化機制。以各種類型AI升級層相互疊加，使得新加坡在既有路網造就更順暢的流速、更快的事故復原、更可靠的大眾運輸與更穩定的路網吞吐等成果，證明資料驅動模型已然可作為高密度都市道路飽和極限狀態的重要改善因子。

【FIND觀點】

從新加坡案例可以看出資料治理先行與場域驗證並進是智慧交通落地的關鍵項目，國家或城市官方建立一套具備統一授權條款與規格開放資料平臺，讓道路監測、公共運輸、收費與即時事件等多源資訊在相容介面進行流通，降低產業與學研使用門檻。可在人口密集且交通需求多元的都會區間，運用動態收費與AI號誌，以實測數據快速迭代技術與政策；在驗證過程中，持續量化車速、延滯、事故清障與用路人行為變化，作為後續擴散的決策依據。

如此更可促成交通、金融、保險、地圖與車聯網等跨域業者共組開放聯盟，讓即時資料與支付、保險風控及多模式路線規畫相互串接，形成可完整的商業模式與服務模板。而該留意的是，在全面導入AI的過程中，必須同步考量隱私強化與資訊安全的內容，確保演算法調度與動態定價的透明度與公信力；唯有如此，智慧交通才能在效率、信任與創新之間取得長期平衡，並為低碳與數位經濟戰略提供堅實支撐。

數據驅動城市治理：新加坡以資料共享與AI應用推動智慧交通發展

數據驅動城市治理：新加坡以資料共享與AI應用推動智慧交通發展