搭捷運，下一站去哪？
選擇出發站、時段與偏好，找出值得探索的站點。
推薦方法
先理解「為什麼是這一站」，再看分數怎麼來。MetroPulse 結合捷運人流網路、站點標籤與交通成本，提供可追溯的推薦排序。
推薦分數怎麼來？
熱門度、與出發站的連結性、偏好匹配加分；旅行成本扣分。分數只用來排列本次候選，0.79 不代表 79% 適合你。
Score(i → j, t, pref) =
w₁ × norm(PRⱼ(t))
+ w₂ × norm(transitionᵢⱼ(t))
+ w₃ × PreferenceMatch(j, pref)
− w₄ × norm(TravelCost(i, j))
預設權重依序為 0.30、0.25、0.30、0.15。每項加權分量先取四位小數；加減後若為負值則截為 0，再取兩位小數作為排序分數。同分沿用引擎的既有排序。
- 熱門度 PR
- 站點在指定時段的人流網路重要性，不是即時擁擠程度。
- 連結值 transition
- 出發站與候選站之間的人流連結。正規化值描述本次候選中的相對連結性，不是旅客前往機率。
- PreferenceMatch
- 使用既有站點標籤評分；選「不限」時取標籤平均。它本來就在 0–1 之間，不再做候選間 Min-Max 正規化。
- TravelCost
- 使用既有交通成本評分；高成本會扣分。成本評分本身無法還原可靠的站數、轉乘或時間。
正規化與資料不足如何處理？
norm(x) = (x − x_min) ÷ (x_max − x_min)
範圍取自排除出發站後的全部候選，不只是顯示的 Top 5。若所有值相同，norm 回傳 0.5；一般結果限制在 0–1。更換條件可能改變候選範圍，因此分數不適合跨次比較。
目前引擎在 PR／連結缺漏時代入 0、交通成本缺漏時代入 0.5；指定偏好無標籤時代入 0.1，「不限」且完全無標籤時代入 0.3。API 未提供逐欄缺漏標記，因此回傳的 0 不一定代表已觀測到零流量。介面遇到未提供的數值會顯示「未知」，不再額外補 0。
PageRank 研究模型
研究將捷運站視為節點、站間人流視為連結；透過含阻尼的轉移矩陣與 Power Method 計算 PageRank。
pᵢⱼ = γ × (eᵢⱼ / sᵢ) + (1 − γ) × (1 / n)
- eᵢⱼ
- 從站 i 到站 j 的旅客流量。
- sᵢ
- 站 i 的總出站流量。
- γ = 0.85
- 研究模型的阻尼係數。
- n
- 模型中的站點數。
目前推薦資料來源
每次查詢的資料模式與月份顯示在結果摘要。使用真實資料模式時，推薦服務取已匯入月份的 PageRank；人流連結值由該起站、月份與時段的 OD 流量占比取得，並不是在每次查詢時重新套用上方含 γ 的研究公式。
只有找到對應資料的候選欄位才會被真實 PR／OD 值覆蓋，其餘可能保留既有資料。偏好與交通資訊包含標籤或估計，現有 API 也無逐站、逐欄的來源證明；「使用真實資料」不代表所有欄位都是真實觀測。
這是歷史資料的探索工具，不提供即時人潮、營運狀態或已核實的旅程時間。完整地圖與交通資料核對將在後續版本處理。
查看 API 說明