การวิเคราะห์และทำนายสภาพคล่องการจราจรด้วยเทคนิคโครงข่ายประสาทเทียมแบบถดถอยอัตโนมัติไม่เป็นเชิงเส้นร่วมกับ ข้อมูลอินพุตภายนอก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอการวิเคราะห์และการทำนายสภาพคล่องการจราจรด้วยเทคนิคโครงข่ายประสาทเทียมแบบถดถอยอัตโนมัติไม่เป็นเชิงเส้นร่วมกับข้อมูลอินพุตภายนอก (NARX) โดยมีการแบ่งการกำหนดค่าในการเรียนรู้ของโครงข่ายประสาทเทียมเป็น 2 ส่วน ส่วนแรกการกำหนดค่าดีเลย์เท่ากับ 2 และส่วนที่สองค่าดีเลย์เท่ากับ 4 เพื่อเปรียบเทียบผลลัพธ์และหาค่าที่เหมาะสมที่สุดในการนำไปสร้างแบบจำลอง NARX โดยอาศัยการใช้ข้อมูลจำลองที่สร้างมาจากสมการแม็กกี้กลาสมีความผันผวนเหมือนสภาพคล่องการจราจร จำนวน 1000 ชุดข้อมูล และนำข้อมูลมาวิเคราะห์หาผลลัพธ์ด้วยแบบจำลอง NARX โดยสามารถนำไปพัฒนาต่อในการทำแอพพลิเคชั่นหรือเว็บแอพพลิเคชั่นที่ครอบคลุมพื้นที่ใช้งานในกรุงเทพมหานครได้ต่อไปในอนาคต
Article Details
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
References
[2] J. D. Farmer and J. J. Sidorowich, “Predicting chaotic time series,” Physical review letters, vol. 59, no. 8, pp. 845–848, Aug. 1987.
[3] E. Diaconescu, “The Use of NARX Neural Networks to Predict Chaotic Time Series,” WSEAS Transactions on computer research, vol. 3, no. 3, pp. 182–191, Mar. 2008.
[4] L. Banjanović-Mehmedović, I. Butigan, M. Kantardžić, and S. Kasapović, “Prediction of cooperative platooning maneuvers using NARX neural network,” in 2016 International Conference on Smart Systems and Technologies (SST), 2016, pp. 287–292.
[5] A. Thakur, A. Tiwari, S. Kumar, A. Jain, and J. Singh, “NARX based forecasting of petrol prices,” in 2016 5th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), 2016, pp. 610–614.
[6] L. Zhang et al., “NARX models for predicting power consumption of a horizontal axis wind turbine,” in 2016 UKACC 11th International Conference on Control (CONTROL), 2016, pp. 1–5.
[7] A. G. R. Vaz, B. Elsinga, W. G. J. H. M. van Sark, and M. C. Brito, “An artificial neural network to assess the impact of neighbouring photovoltaic systems in power forecasting in Utrecht, the Netherlands,” Renewable Energy, vol. 85, pp. 631–641, Jan. 2016.
[8] Y. Chunshan and L. Xiaofeng, “Study and application of data mining and NARX neural networks in load forecasting,” in 2015 4th International Conference on Computer Science and Network Technology (ICCSNT), 2015, vol. 01, pp. 360–364.
[9] S.-Y. Yun, S. Namkoong, J.-H. Rho, S.-W. Shin, and J.-U. Choi, “A Performance evaluation of neural network models in traffic volume forecasting,” Mathematical and Computer Modelling, vol. 27, no. 9-11, pp. 293–310, May 1998.