การพัฒนารูปแบบการตัดสินใจเร่งด่วนสำหรับการเกิดอุบัติเหตุของรถขนส่งคอนกรีตแบบผสมเสร็จโดยใช้เทคนิคการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนารูปแบบการตัดสินใจเร่งด่วนสำหรับการเกิดอุบัติเหตุของรถขนส่งคอนกรีตแบบผสมเสร็จ ทดสอบประสิทธิภาพรูปแบบ และประเมินผลรูปแบบโดยใช้เทคนิคการเรียนรู้ของเครื่อง ข้อมูลที่ใช้ศึกษาการเรียนรู้ของเครื่องใช้ข้อมูลการเกิดอุบัติเหตุของรถขนส่งคอนกรีตผสมเสร็จของสถานประกอบการในเขตพื้นที่คลองสามวา กรุงเทพมหานคร จำนวน 1 แห่ง ข้อมูลปี พ.ศ. 2562 ถึง พ.ศ.2563 จำนวน 1,000 รายการ ประเมินผลรูปแบบการตัดสินใจเร่งด่วนสำหรับการเกิดอุบัติเหตุ ใช้กลุ่มตัวอย่างสถานประกอบการในเขตพื้นที่มีนบุรีและเขตคลองสามวา กรุงเทพมหานคร ใช้การคัดเลือกแบบเจาะจงได้สถานประกอบการที่เข้าเกณฑ์จำนวน 40 แห่ง เครื่องมือที่ใช้ในการวิจัย แบบสัมภาษณ์ แบบสอบถาม และเทคนิคการเรียนรู้ของเครื่อง ผลจากการสังเคราะห์ปัจจัยที่เกี่ยวข้องมาสร้างรูปแบบการตัดสินใจเร่งด่วนสำหรับการเกิดอุบัติเหตุของรถขนส่งคอนกรีตแบบผสมเสร็จ ผลการวิจัยพบว่าได้รูปแบบการตัดสินใจเร่งด่วน มีการระบุปัญหา การประเมินสถานการณ์ และข้อมูลที่เกี่ยวข้อง การแจ้งข้อมูล การประมวลผล การพิจารณาทางเลือก และแนวทางแก้ไข การดำเนินการตามแผนการแก้ไข และการประเมินผลการทดสอบประสิทธิภาพรูปแบบ พบว่าผลการเรียนรู้ด้วยอัลกอริทึม ANN (Artificial Neuron Network) แบ่งเรียนรู้ร้อยละ 70 และทดสอบร้อยละ 30 ให้ค่าความถูกต้องมากที่สุด ร้อยละ 89.52 และผลประเมินรูปแบบการตัดสินใจเร่งด่วน ด้านความสามารถในการเรียนรู้ของผู้ใช้ระบบสามารถใช้งานระบบได้ด้วยตนเอง อยู่ในระดับมากที่สุดร้อยละ 75 ด้านความสามารถในการจดจำการใช้งานของผู้ใช้ระบบสามารถจดจำรูปแบบและวิธีการใช้งานระบบได้ ระดับปานกลางที่ร้อยละ 55 ด้านประสิทธิภาพของระบบสามารถช่วยในการแก้ปัญหาของผู้ใช้ได้ อยู่ในระดับมากที่สุด ร้อยละ 75 ด้านข้อผิดพลาดของระบบไม่พบข้อผิดพลาดในการใช้งานระบบ ระบบทำงานได้ถูกต้องระดับมากที่สุดร้อยละ 60 และด้านความพึงพอใจของผู้ใช้ระบบโดยภาพรวมทั้งหมดมีความพึงพอใจในระบบ ระดับมากที่สุดร้อยละ 70 ผลการวิจัยนำไปใช้เพื่อลดความล่าช้าในการแก้ไขปัญหาที่เกิดขึ้นได้ทำให้คอนกรีตผสมเสร็จไม่เสียหายสามารถจัดส่งได้ตรงเวลาสามารถนำไปประยุกต์ใช้ในงานขนส่งน้ำมันเชื้อเพลิง และการขนส่งวัตถุดิบเข้าโรงงานการผลิตแบบทันเวลาพอดี
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กมลรัตน์ สมใจ. (2563, 6-7 กุมภาพันธ์). การเปรียบเทียบประสิทธิภาพโมเดลตัดสินใจเลือกกลุ่มวิชาของนักศึกษาสาขาวิชาเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏบุรีรัมย์ [การนำเสนอโปสเตอร์]. การประชุมวิชาการระดับชาติด้านวิทยาศาสตร์และเทคโนโลยีเครือข่ายสถาบันอุดมศึกษาภาคใต้ ครั้งที่ 5 “วิทยาศาสตร์ เทคโนโลยี และนวัตกรรมเพื่อสังคม”, คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย.
กีรติญา ครองแก้ว และวรรณโกมล สุภาชาติ. (2566, 27 มิถุนายน). อุตสาหกรรมวัสดุก่อสร้างปี 2023 เติบโตต่อเนื่องตามภาคก่อสร้าง ท่ามกลางความผันผวนของต้นทุนพลังงาน และแรงกดดันจากเทรนด์ ESG. SCB Economic Intelligence Center. https://www.scbeic.com/th/detail/product/building_materials-270623
บัญชา ปล้องอ้วน, นัฐพงศ์ ส่งเนียม, และชัญญพัชร์ จารุวัชรเศรษฐ์. (2561, 2-5 ธันวาคม). การศึกษาสภาพปัญหาการตัดสินใจแบบเร่งด่วนของงานขนส่งคอนกรีตผสมเสร็จ. การประชุมวิชาการระดับนานาชาติและระดับชาติ“ราชภัฏวิจัยครั้งที่ 5”, (น.619-624). สถาบันวิจัยและส่งเสริมศิลปวัฒนธรรม มหาวิทยาลัยราชภัฏเพชรบุรี.
ราธส จิรวัฒน์สถิต. (2562). ตัวแบบการตัดสินใจในการคัดเลือกจุดกระจายสัญญาณสำหรับโครงข่ายใยแก้วนำแสง [วิทยานิพนธ์ปริญญาเอก, มหาวิทยาลัยราชภัฎพระนคร]. https://lib.pnru.ac.th/cgi-bin/koha/opac-search.pl?q=au:%22%22
สุทธิพันธ์ บุญศรี. (2559). การจัดการการขนส่งคอนกรีตในพื้นที่กรุงเทพกลางเมือง: กรณีศึกษา บริษัทนครหลวงคอนกรีตจำกัด. Journal of logistics and supply chain management Ramkhamhaeng, 3(1).
อัจฉรา ช่องผม และกุลณัฐ ทิพย์ขุนทด. (2562). การลดความล่าช้าในการขนส่งของรถคอนกรีตผสมเสร็จ กรณีศึกษา บริษัทผลิตภัณฑ์และวัสดุก่อสร้าง CPAC จังหวัดสมุทรสาคร. วารสารบริหารธุรกิจอุตสาหกรรม, 1(2), 16-35.
ACI, C., & OZDEN, C. (2018). Predicting the severity of motor vehicle accident injuries in Adana-Turkey using machine learning methods and detailed meteorological data. International Journal of Intelligent Systems and Applications in Engineering, 6(1), 72–79. https://doi.org/10.18201/ijisae.2018637934
Ahsan, M. M., Mahmud, M. A. P., Saha, P. K., Gupta, K. D., & Siddiqu, Z. (2021). Effect of data scaling methods on machine learning algorithms and model performance. Technologies, 9(3). https://doi.org/10.3390/technologies9030052
Bansal, M., Goyal, A., & Choudhary, A. (2022) A comparative analysis of K-Nearest Neighbor, Genetic, Support Vector Machine, Decision Tree, and Long Short Term Memory algorithms in machine learning. Decision Analytics Journal, 3. https://doi.org/10.1016/j.dajour.2022.100071
Cheraghi, Y., Kord, S., & Mashayekhizadeh, V. (2021). Application of machine learning techniques for selecting the most suitable enhanced oil recovery method; challenges and opportunities. Journal of Petroleum Science and Engineering, 205. https://doi.org/10.1016/j.petrol.2021.108761
Hodgett, R. E., & Siraj, S. (2019). SURE: A method for decision-making under uncertainty. Expert Systems with Applications, 115, 684-694. https://doi.org/10.1016/j.eswa.2018.08.048
Liu, Xiao-huan., Zang, De-gan., Yan, Hao-ran., Cui, Yu-ya., & Chen, L. (2019). A New Algorithm of the Best Path Selection Based on Machine Learning. IEEE Access, 7, 126913-126928. https://doi.org/10.1109/ACCESS.2019.2939423
Osisanwo, F. Y., Akinsola, J. E. T., Awodele, O., Himmikaiye, J. O., Olakanmi, O., & Akinjobi, J. (2016). Supervised machine learning algorithms: Classification and comparison. International Journal of Computer Trends and Technology, 48(3), 128-138. https://doi.org/10.14445/22312803/IJCTT-V48P126
Qaiser, H. U. -R., Shu G., & Malik, A. Waqar. (2019). Utilization driven model for server consolidation in cloud data centers. Journal IEEE Access, 6(8), 1998-2007. https://doi.org/10.1109/ACCESS.2019.2962272
Romiani, S., Gholamrezai, S., Rahimian, M. & Arefinezhad, M. (2019). Solutions for Agricultural Drought Crisis Management (Case of Lorestan Province). Geography and Human Relationships, 2(1), 214-232
Schenkel, M. T., Farmer, S., & Maslyn, J. M. (2019.) Process improvement in SMEs: The impact of harmonious passion for entrepreneurship, employee creative self-efficacy, and time spent innovating. Journal of Small Business Strategy, 29(1), 71-84.
Vyshnavi, K. G., & Nalini, N. (2022). Machine Learning Algorithms for Road Accident Analysis and Forecastin. International Journal of Research in Engineering and Science, 10(7), 283-288.
Whitman, E., Brown, H. A., & Meyer, P. N. (2023). Cost-benefit analysis and project performance. Journal of project management studies, 1(1), 1-12.