今天正式建立 src/logic/recommend.js，把前兩天討論的分位數概念，寫成可以執行的程式碼。

撰寫分位數計算函式

// src/logic/recommend.js

/**
 * 計算陣列的分位數
 * @param {number[]} values 歷史花費時間（分鐘）
 * @param {number} percentile 0~1 之間，例如 0.9 代表 90% 信心水準
 */
function calculatePercentile(values, percentile) {
  const sorted = [...values].sort((a, b) => a - b);
  const index = Math.ceil(percentile * sorted.length) - 1;
  const safeIndex = Math.min(Math.max(index, 0), sorted.length - 1);
  return sorted[safeIndex];
}

設計建議規則

有了分位數函式，我們可以寫出核心的推薦邏輯：

// src/logic/recommend.js（新增）

/**
 * 根據歷史花費時間與使用者期望信心水準，推薦出發時間
 * @param {number[]} historyMinutes 歷史花費時間紀錄
 * @param {number} confidenceLevel 使用者期望信心水準（0~1）
 * @param {Date} arrivalDeadline 使用者希望到達的時間
 */
export function recommendDepartureTime(historyMinutes, confidenceLevel, arrivalDeadline) {
  const bufferMinutes = calculatePercentile(historyMinutes, confidenceLevel);
  const departureTime = new Date(arrivalDeadline.getTime() - bufferMinutes * 60_000);

  return {
    departureTime,
    bufferMinutes,
    confidenceLevel,
  };
}

先用假資料測試

在真正接上 TDX 歷史資料之前，先用一組模擬資料驗證邏輯是否合理：

import { recommendDepartureTime } from './logic/recommend.js';

const history = [25, 27, 26, 30, 28, 35, 26, 29, 27, 40];
const deadline = new Date('2026-09-01T09:00:00');

const result90 = recommendDepartureTime(history, 0.9, deadline);
console.log('90% 信心水準建議出發時間：', result90.departureTime.toLocaleTimeString());

const result50 = recommendDepartureTime(history, 0.5, deadline);
console.log('50% 信心水準建議出發時間：', result50.departureTime.toLocaleTimeString());

跑起來後你會發現，90% 信心水準給出的出發時間，會比 50% 更早，這正符合我們昨天討論的直覺：想要更有把握，就要多留一點緩衝時間。

明天，我們要把這段邏輯真正接到畫面上，並且串上前面已經有的 TDX 即時資料，讓它不再只是假資料測試。