公廁會自己「喊髒」！IoT 結合深度學習，98.61% 準確率預測清潔需求

從固定排班走向按需派工：感測異味、人流與環境變化，手機即時通知清潔人員

公共廁所是否乾淨，往往仰賴清潔人員定時巡查或民眾抱怨後才處理；尖峰時段可能來不及清潔，離峰時段又可能重複派工。印度 Nirma University 研究團隊於 2025 年提出「智慧公廁方案」，將 IoT 感測器、Raspberry Pi、雲端服務、手機通知與長短期記憶網路（LSTM）整合，持續蒐集人流、氣體、溫濕度及照度等資料，預測廁所是否需要清潔。研究報告的模型測試準確率達 98.61%，展現公廁管理由固定排班轉向即時、按需派工的技術潛力。

九類資料替公廁建立即時「環境脈搏」

研究在 Nirma University 校園特定廁所進行小規模部署。每間廁所包含 2 座洗手台與 6 個廁位，感測器布置於洗手台及廁位之間，持續收集時間、人數、氨氣（MQ137）、甲烷（MQ4）、氫氣（MQ8）、照度、揮發性有機物（VOC）、溫度及相對濕度等 9 類欄位。紅外線感測器估算使用人次，氣體感測器協助辨識異味、煙霧或潛在洩漏，照度資料可支援智慧照明，溫濕度則反映舒適、通風與黴菌風險。

系統分為四個環節：第一，硬體端由 Raspberry Pi 接收各感測器資料；第二，資料端以 Z-score 正規化，讓不同單位與量級的數值可被模型處理；第三，應用端以 LSTM 及 GRU 等深度學習方法判斷「需要清潔／不需清潔」；第四，介面端將結果送到行動裝置，通知清潔人員處理指定廁所。管理者不必等待巡查回報，即可掌握環境變化並調度人力。

六個月資料訓練，LSTM 表現優於 GRU

團隊表示資料收集期為 6 個月，原則上每小時記錄一次。模型採 80% 資料訓練、20% 測試，使用 50 個 LSTM 神經元、20% dropout、ReLU 輸入層、sigmoid 輸出層、Adam 最佳化器與 0.001 學習率；在不同啟動函數、最佳化器及訓練回合比較後，300 epochs 的組合表現最佳。研究另以 20 折交叉驗證評估，最終平均準確率為 98.61%，訓練準確率為 99.83%。

錯一次清潔警報，與漏掉髒亂的代價並不相同

測試混淆矩陣共列出 144 筆樣本，其中模型正確辨識 136 筆「需要清潔」，未漏判任何正類；8 筆「不需清潔」中正確辨識 6 筆，另有 2 筆被誤報為需要清潔。需要清潔類別的精確率約 0.99、召回率 1.00；不需清潔類別的召回率為 0.75。對衛生管理而言，少量誤派工通常比漏掉嚴重髒亂更可接受，但若長期誤報過多，仍會浪費人力並造成警報疲乏，因此實務部署不能只看整體準確率。

按需清潔，可同時節省人力、耗材與能源

智慧公廁的價值不只在「判斷髒不髒」。人流與環境資料可用來預估尖峰、調整清潔頻率、安排衛生紙與洗手乳補充，並在無人使用時調低照明及通風；異常氣體或高溫高濕也能提前觸發檢查。若再結合民眾回饋、清潔人員到場及完成紀錄，管理者便可計算反應時間、重複陳情、每人次耗材與清潔績效，讓公廁維護從經驗管理轉為可量化的服務管理。

98.61% 很亮眼，但不等同「衛生合格率」

研究中的「清潔需求」標籤，是當氨、甲烷、氫氣、VOC、溫度或濕度任一數值超過預設門檻時設定為 1，並非由獨立稽核員、ATP 生物冷光、表面微生物或異味官能判定所建立的衛生真值。模型其實是在學習由相同感測欄位產生的門檻規則，因此高準確率主要證明分類器可重現既定標記，不足以證明它能準確判斷實際清潔品質或病原風險。公共管理若直接把「氣味」等同「不衛生」，也可能忽略無味但仍有污染的高接觸表面。

時序模型的優勢，仍需更嚴格驗證

LSTM 原本擅長捕捉長期時間依賴，但本研究將每筆樣本的 time step 設為 1，尚未真正利用多時段序列來預測未來清潔需求；報告所列 144 筆測試資料，也與「6 個月、每小時一筆」理論上應產生的資料規模存在需要進一步說明之處。模型對不同廁所、季節、清潔劑、通風條件與感測器漂移的外部泛化能力亦未充分呈現。研究團隊也承認目前只適用有限工作範圍，尚未處理大型部署的資料安全與入侵偵測。

走向真實場域，需補上校正、隱私與人員流程

氣體感測器易受濕度、清潔劑、酒精、香氛與交叉氣體干擾，必須建立現地校正、漂移追蹤及故障診斷；人流感測則應採不辨識個人的方式，避免攝影或可回推個人行為的資料。警報也要嵌入實際派工流程，包含優先級、責任人、到場確認、處理照片或紀錄、逾時升級及恢復正常的閉環驗證。未來若導入全校或城市規模，還要處理斷網備援、設備維護、資料保存、權限控管與資安加密。

TIEQM 觀點：台灣智慧公廁應從設備展示走向成效驗證

TIEQM 建議，台灣推動智慧公廁應先建立可比較的績效框架，而非以感測器數量或 AI 準確率作為驗收終點。環境部與地方政府可訂定人流、異味、氨氣、溫濕度、耗材、設備故障及民眾回饋等最低資料欄位，並要求感測器校正、資料完整率、告警正確率、平均到場時間及清潔後復原成效。AI 模型須以獨立人工稽核、ATP 或適當衛生指標驗證，並分別揭露漏報與誤報，不宜只報整體準確率。採購契約應納入多年維運、資安、隱私、斷線備援與模型再訓練，由廠商負責設備及報表維護，避免增加機關人力。先於車站、觀光區及高人流公廁試辦，再依節省工時、耗材、能耗與滿意度決定擴大。

（文章出處：Patel, J., Shah, A., Rushali, C., Patel, J., & Ukani, V. (2025). Smart Lavatory Solution: Integrating IoT and Deep Learning Models for Enhanced Hygiene. Scalable Computing: Practice and Experience, 26(3), 1057–1070. https://doi.org/10.12694/scpe.v26i3.4225）