การทำนายสภาพจราจรในเขตกรุงเทพฯ ชั้นใน ด้วยการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพในการทำนายสภาพจราจรทางบก ในเขตกรุงเทพฯ ชั้นใน ระหว่างตัวแบบการเรียนรู้เชิงลึกที่ได้ปรับพารามิเตอร์ไว้อย่างเหมาะสม กับตัวแบบที่เป็นอัลกอริทึมทัวไป ในการดำเนินการวิจัยผู้วิจัยใช้โปรแกรมคอมพิวเตอร์ที่พัฒนาขึ้นเก็บข้อมูลสถานะการจราจรจากกูเกิลแมพ ในเขตกรุงเทพฯ ชั้นใน ต่อเนื่องทุกครึ่งชั่วโมง เป็นเวลา 2 เดือน ได้ข้อมูลภาพจราจร 1,844 ภาพ ผนวกกับการแปลงข้อมูลเกี่ยวกับช่วงเวลามาสร้างเป็นตัวแปรอิสระเพิ่มขึ้น ผลการวิจัยพบว่า ค่าร้อยละความถูกต้องการทำนาย (Accuracy) เมื่อทดสอบกับชุดข้อมูลทดสอบ (Test set) ในอัลกอริทึมต่าง ๆ คือ Decision Tree : 71%, Random Forest : 71%, K Nearest Neighbors : 73%, Naive Bayes : 63%, Gradient Boosting : 72% และตัวแบบการเรียนรู้เชิงลึก (Deep Learning) : 75% โดยตัวแบบที่ได้ผลการทำนายสูงสุดคือ การเรียนรู้เชิงลึก การวิจัยนี้มีผลผลิตเป็นกรรมวิธีเชิงปฏิบัติในการเก็บข้อมูลจราจรจากภาพบนเว็บไซต์กูเกิลแมพ การจัดเตรียมข้อมูลภาพให้พร้อมสำหรับการเรียนรู้ด้วยเครื่อง (Machine Learning) และตัวแบบการทำนายสภาพจราจรด้วยการเรียนรู้เชิงลึก ซึ่งผลลัพธ์ของการทำนายคือ สภาพการจราจรทางบกที่ทำนายล่วงหน้า 1 ชั่วโมง ณ จุดที่ศึกษา คือ บริเวณย่านถนนสาทร ระบุการทำนายเป็นคลาส ตามระดับสีของกูเกิล แมพ ที่มีอยู่จำนวน 4 คลาส ได้แก่ สีเขียว หมายถึง สภาพการจราจรคล่องตัว, สีส้ม หมายถึง เคลื่อนตัวได้, สีแดง หมายถึง การจราจรหนาแน่น และสีแดงเข้ม หมายถึง การจราจรติดขัดมาก โดยตัวแบบจะทำนายสภาพจราจรที่มีความน่าจะเป็นสูงสุดออกมา ผลการทำนายที่ได้มีประโยชน์ต่อประชาชนผู้เดินทางหรือกิจการขนส่งโลจิสติกส์ที่ใช้เส้นทางได้ทราบสภาพการจราจรล่วงหน้า รวมถึงผู้ที่สนใจศึกษาข้อมูลการจราจรด้วยการเรียนรู้ด้วยเครื่อง
Article Details
เอกสารอ้างอิง
Kasikorn Research Center, Impacts of Traffic Congestion on Bangkok’s Economy and Life. Available Online at https://www.kasikornresearch.com/en/analysis/k-econ/economy/Pages/35760, accessed on 20 November 2020.
N. G. Polson, and V. O. Sokolov. “Deep learning for short-term traffic flow prediction.” Transportation Research Part C: Emerging Technologies, Vol. 79, pp. 1-17, June, 2017.
S.-Y. Yang, and C.-L. Hsu. “A location-based services and Google maps-based information master system for tour guiding.” Computers & Electrical Engineering, Vol. 54, pp. 87-105, August, 2016.
M. Aghaabbasi, M. Moeinaddini, M. Z. Shah, and Z.Asadi-Shekari. “Addressing issues in the use of Google tools for assessing pedestrian built environments.” Journal of Transport Geography, Vol. 73, pp. 185-198, December, 2018.
H. Khambati, K. Boles, and P. Jetty. “Google Maps offers a new way to evaluate claudication.” Journal of Vascular Surgery, Vol. 65, No. 5, pp. 1467-1472, May, 2017.
M.-J. Tsai, Y.-H. Tao, and I. Yuadi. “Deep learning for printed document source identification.” Signal Processing: Image Communication, Vol. 70, pp. 184-198, February, 2019.
N. Lunardon, G. Menardi, and N. Torelli. “ROSE: A Package for Binary Imbalanced Learning.” R Journal, Vol. 6, No. 1, June, 2014.
V. López, A. Fernández, S. García, V. Palade, and F. Herrera, “An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics.” Information Sciences, Vol. 250, pp. 113–141, November, 2013.
Y. Zhao, H. Zhang, L. An, and Q. Liu. “Improving the approaches of traffic demand forecasting in the big data era.” Cities, Vol. 82, pp. 19-26, December, 2018.
Y. Wu, H. Tan, L. Qin, B. Ran, and Z. Jiang, “A hybrid deep learning based traffic flow prediction method and its understanding.” Transportation Research Part C: Emerging Technologies, Vol. 90, pp. 166-180, May, 2018.
Y. Liu, Z. Liu, and R. Jia. “DeepPF: A deep learning based architecture for metro passenger flow prediction.” Transportation Research Part C: Emerging Technologies, Vol. 101, pp. 18-34, April, 2019.
J. Wang, R. Chen, and Z. He. “Traffic speed prediction for urban transportation network: A path based deep learning approach.” Transportation Research Part C: Emerging Technologies, Vol. 100, pp. 372-385, March, 2019.
J. Xiao, Z. Xiao, D. Wang, J. Bai, V. Havyarimana, and F. Zeng, “Short-term traffic volume prediction by ensemble learning in concept drifting environments.” Knowledge-Based Systems, Vol. 164, pp. 213-225, January, 2019.
R.L. Figueroa, Q. Zeng-Treitler, S. Kandula et al. “Predicting sample size required for classification performance.” BMC Med Inform Decis Mak. Vol. 12, No. 8, February, 2012.
G. Gorsky, M. D. Ohman, M. Picheral, S. Gasparini, L. Stemmann, J.B. Romagnan, A. Cawood, Stéphane Pesant, C.G. Comas, and F. Prejger. “Digital zooplankton image analysis using the ZooScan integrated system,” Journal of Plankton Research, Vol. 32, No. 3, pp. 285–303, March, 2010.
F. Faul, E. Erdfelder, A. Buchner, and A.-G. Lang. “Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses.” Behavior Research Methods, Vol. 41, pp. 1149-1160, November, 2009.
