智慧公廁不只靠感覺：IoT＋深度學習把「該不該清」變成 98.61% 準確率的預測

— 解析 2025 年智慧廁所研究：感測佈建、LSTM/GRU 模型、行動通知與清潔排程的整合治理

很多人去外地玩，最先印象深刻的不是景點，常常是「公廁乾不乾淨」。但現實是：清潔人員有限、尖峰人潮一來就失控；有些廁所「明明剛清完又髒」，有些廁所「其實很乾淨卻一直巡」。結果就是：不是清不夠，就是清太多都浪費。

公共廁所的衛生品質，往往決定民眾對一座城市的第一印象；但傳統巡檢與定時清潔，常面臨「人力不足、尖峰失控、髒了才知道」的困境。2025 年發表於《Scalable Computing: Practice and Experience》的研究提出一套「智慧公廁解方」，把 IoT 即時感測與深度學習模型結合，透過行動通知讓清潔人員在真正需要時出動，目標是以更少資源達到更高衛生水準。

為什麼需要智慧化

研究引述調查指出，公共廁所常見痛點以「不乾淨」最突出，約 55% 使用者把髒亂視為主要問題；而細菌並不只在馬桶座，反而常集中於地面與高接觸表面（如洗手台、龍頭把手、門把等），也因此成為疾病傳播的關鍵介面。

全球趨勢

研究的圖表彙整顯示，智慧廁所系統導入比例以亞洲最高（約 36.4%），其次為歐洲（約 27.3%）。作者解讀，智慧公廁技術在高人流場域（商場、機場、辦公空間）因能同時優化用水用電、提升衛生與使用者體驗，正逐步走向規模化。

一篇 2025 年的研究提出一個方法：把公廁變成「會自己說話」的系統。做法不複雜：在廁所裝幾種感測器，像是「人有沒有很多、氣味是不是變重、溫度濕度有沒有異常」等，再用 AI 去判斷：現在到底需不需要清潔。如果需要，就直接發通知到清潔人員手機，讓人員「真正需要時再去」，而不是靠固定時間巡。

這套系統怎麼做？

研究把整套流程分成 4 步：

1. 裝感測器：用一台像「小電腦」的 Raspberry Pi 把感測器整合起來

2. 整理資料：把不同單位的數據變成 AI 容易比較的格式

3. AI 判斷：用深度學習模型（LSTM/GRU）判斷「需不需要清」

4. 手機通知：把判斷結果變成「派工任務」推播到 App

實際佈建規模

研究在大學校園廁所實作：

• 每間廁所：2 座洗手台＋6 座馬桶

• 裝了：5 顆感測器

• 監測方式：每小時記錄一次

• 監測期間：連續 6 個月

  
  

  用這些長時間資料，讓 AI 學會「什麼狀況下容易髒、什麼狀況下其實不用清」。

感測器到底在量什麼？

它量的不是抽象的東西，而是很直覺的幾類：

• 人流：同時有幾個人在使用（1–20）

• 氣味/氣體指標：例如氨氣（NH3）、甲烷（CH4）、氫氣（H2）

• 空氣中的揮發物（VOC）：用 Yes/No 代表「有沒有異味或揮發物」

• 環境狀態：溫度、濕度、光照

「需不需要清」怎麼判定？

研究先訂「門檻」：只要任何一個指標超過門檻，就標記為 需要清潔（1）；都沒超過，就是 不需要清潔（0）。這樣 AI 就有「答案」可以學，學久了就能預測。

結果有多準？

研究最好的一組設定下：

• 測試準確率：98.61%

  
  

  也就是說，AI 判斷「該不該清」的準確率非常高。

  
  

  但研究也提醒：因為「乾淨狀態」的資料本來比較少，所以有時候 AI 可能會把「其實乾淨」判成「要清」（偏保守），這在實務上反而比較安全，因為寧可多清一次，也不要漏清造成民怨。

最終目標：清潔從「定時」改成「依需求」

如果再加上：

• 衛生紙、洗手乳等耗材存量

• 異味強度

• 人流尖峰

  
  

  就可以做到更完整的「智慧派工」：

  
  

  哪裡要清、什麼時候清、先清哪一間、誰去清，都用數據決定，減少空跑，也降低漏清。

研究提醒的現實問題

要大規模上線，還要面對：

• 資料量很大（需要雲端與分散式處理）

• 資安要做（資料傳輸與系統存取要加密與管理）

  
  

  也就是說，智慧公廁不只是裝設備，更要把「維運與資安」一起設計進去。

TIEQM 對台灣政策建議

建議台灣以「智慧公廁＝公共衛生基礎建設」定位推動：一、建立縣市示範規格，至少涵蓋人流、NH3/異味、溫濕度與耗材等指標，並訂定資料頻率與品質控管；二、導入AI需求式清潔（由『定時』改為『依需求』），以節省人力並降低尖峰髒亂；三、採購驗收需納入模型績效（準確率/誤報率）、警告流程SOP與維護校正；四、同步建立資安與個資治理（最小必要、分級權限、留存期限），讓智慧化可長期擴散。

(資料來源：Jigna Patel, Aeshwi Shah, Chaudhari Rushali, Jitali Patel, Vijay Ukani, “SMART LAVATORY SOLUTION: INTEGRATING IOT AND DEEP LEARNING MODELS FOR ENHANCED HYGIENE”, Scalable Computing: Practice and Experience, 2025, Vol.26(3), pp.1057–1070)