機車導航推薦app的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

以人工智慧透視學術研究商業化對智慧學習影響之研究

為了解決機車導航推薦app的問題，作者李昊餘 這樣論述：

第三次人工智慧 (Artificial intelligence, 革命性地崛起，人類科技躍升 智 慧世代 儼然成為進行式。海量數據主要由 智慧型行動個人裝置 經由聯網活動，以及物聯網感知裝置所接收之訊息組成 透過網際網路雙向傳遞，產生各式 結構化、半結構化 與非結構化數據 ；經由人工智慧系統框架演算法，分析海量數據中所蘊藏富含價值之資訊，將其辨識、擷取、分群、歸納，藉此達到預判以及系統自我學習目的，其結果具有高度精準性以及高可信度。各國相繼提出高科技生 產策略，其建構於人工智慧主體的系統 關鍵技術 。 實證 研究指出， 物聯網 (Internet of things, 技術作為鏈結虛擬與實

體媒介，能有效雙向傳遞接收之數據以及下達決策指令，且具有可靠性、完整性與即時性。導入產業媒合相容 特性之商業模式， 技術框架具 高信度決策輔助， 能實質 提升產業營運績效。近年 來 科技革新產業面臨轉型或 升級 ，系統框架結合管理學理論模型建構 ，以 學術研究商業化模式 作為 技術 導入 切點，勢必 影響 各行 百業 之 商業模式與經營策略 。 學術研究機構具有前端創新性研究能量，整合 實務 技術 以實現 科技 創新、管理創新 以及價值創新三面向 ，並以擴散創新為主要表現手段 。本研究採以雙架構 量化研究 方式 利用層級分析 Analytic h ierarchy p rocess ,AHP

方法， 建構智慧化層級架構評估準則之優先發展權重排序，並 尋求替代方案之可行性 利用 結構方程模式 Structural equation modeling, SEM 方法， 檢驗 學術研究商業化構念對於智慧製造、智慧學習之結構關聯性 並 驗證本研究提出假說 。 AHP 問卷共回收 146 份有效樣本， SEM 問卷共回收 2 30 份有效樣本。兩份問卷皆獨立且於不同時間序進 行調查，樣本歸類以產業及學界且平均分布狀況良好 ，調查結果具代表性 。研究結 果顯示，層級架構替代方案以智慧學習權重最高，其優先發展 排序第一位，其次為學術研究商業化； 學術研究商業化對智慧製造有正顯著影響，學術研究商業

化對智慧學習具正顯著影響，且服務創新於物聯網對學術研究商業化具完全中介影響效果 ，而智慧資本於人工智慧對學術研究商業化不具中介影響效果 。由此可見，研究成果透過學術研究商業化實質影響智慧化應用端。

基於駕駛人行車時間數據開發的導航系統

為了解決機車導航推薦app的問題，作者黃承達 這樣論述：

本研究發展一省時導航規畫路徑演算法，並建立一省時路徑規劃系統，本演算法將會以行車歷史資料作為導向規劃路徑，利用行車數據進行切割與組合，達到產生K條路徑的效果，並且本研究考慮了道路壅塞與道路行駛時間等因素，本演算法利用K-means方法，叢聚路徑的數據計算其道路的行車預估時間區間，包含順暢時間與堵塞時間，而本研究設計了三種路徑推薦評比方法，使用者可以依照其需求得到不同的演算法回饋數據，回饋的數據包含K條路徑推薦序列與對應的預估行車時間。為建置行車數據庫，本研究發展一套自動數據蒐集方法及數據處理方法，自動數據蒐集方法包含了利用Android 平臺所開發的Application，可自動化的蒐集行車

數據與OBDII資訊；而數據處理方法首先會進行Match&Cut方法來擷取各趟次行車軌跡，再配合A*矩陣儲存模組將其數據進行切割與重組，最後轉置匯入資料庫，以建置行車數據庫。本研究進行了演算法預估時間與路徑推薦的分析與驗證，由本研究結果顯示，完整路徑的平均準確率為63.69%、連接一次路徑的平均準確率為55%。而路徑推薦以Yen's演算法與Google map推薦路徑的結果進行比較，結果為本研究所推薦的路徑為合理的路徑序列。