ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล

หน่วยงาน จุฬาลงกรณ์มหาวิทยาลัย

รายละเอียด

ชื่อเรื่อง : การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล
นักวิจัย : กิตติพงษ์ หิริโอตัปปะ
คำค้น : จราจรหนาแน่น , การเรียนรู้ของเครื่อง , การวิเคราะห์อนุกรมเวลา , Traffic congestion , Machine learning , Time-series analysis
หน่วยงาน : จุฬาลงกรณ์มหาวิทยาลัย
ผู้ร่วมงาน : เศรษฐา ปานงาม , สรวิศ นฤปิติ , วสันต์ ภัทรอธิคม , จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
ปีพิมพ์ : 2553
อ้างอิง : http://cuir.car.chula.ac.th/handle/123456789/18718
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : -
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2553

ศึกษาและเลือกอัลกอริทึมใหม่ที่มีประสิทธิภาพสูงเพื่อการค้นหารูปแบบการจราจรที่จะนำไปสู่สภาพการติดขัด และสามารถทำนายล่วงหน้าระยะสั้นจากข้อมูลการจราจรแบบอนุกรมเวลาในระดับจุลภาค (Microscopic) โดยมีการใช้ข้อมูลจริงจากกล้องวงจรปิดที่ติดตั้งบนทางด่วนและทางหลวงสายหลัก และข้อมูลที่จำลองขึ้นเพื่อเลียนแบบข้อมูลจริงในสถานการณ์เดียวกัน ตามแบบจำลองพฤติกรรมการขับขี่ของกิบส์ (Gipps) [3] งานวิจัยนี้ได้นำเสนออัลกอริทึมไดนามิกไทม์วาร์ปปิง (Dynamic Time Warping - DTW) เพื่อใช้ในการจำแนกรูปแบบการจราจร ซึ่งเป็นอัลกอริทึมทางอนุกรมเวลาที่ใช้ข้อมูลสอนน้อยกว่าอัลกอริทึมการเรียนรู้ของเครื่อง และมีคุณสมบัติในการจำแนกข้อมูลอนุกรมเวลาที่มีความซับซ้อนและให้ความถูกต้องสูง ในงานวิจัยนี้จะวัดประสิทธิภาพอัลกอริทึมไดนามิกไทม์วาร์ปปิงเทียบเคียงกับอัลกอริทึมการเรียนรู้ของเครื่องแบบเบย์ (Bayesian) ที่มีการพัฒนาใช้อยู่ในปัจจุบัน [4] โดยใช้ความเร็ว โมเมนต์ที่สองของความเร็ว และปริมาณการจราจรเป็นตัวแปรชี้วัด (Figure) ในการศึกษา ซึ่งจะพบว่า อัลกอริทึมอนุกรมเวลาไดนามิกไทม์วาร์ปปิงได้ให้ผลลัพธ์เทียบเคียงกับอัลกอริทึมการเรียนรู้ของเครื่องแบบเบย์ ทั้งการตรวจพบ (DR) และระยะเวลาการตรวจพบ (MTTD) แต่ใช้เวลาในการประมวลผลนานกว่าประมาณ 20 เท่า ซึ่งถือเป็นต้นทุนการคำนวณประมาณ 5% ในขณะที่การเรียนรู้แบบเบย์ใช้ต้นทุนการคำนวณประมาณ 0.01% เมื่อเทียบกับระยะเวลาการตรวจพบ แต่หากมีการจำกัดรูปแบบการค้นหาแบบ Sakoe-Chiba Band จะสามารถเพิ่มความถูกต้องได้ประมาณ 10% และประสิทธิภาพในการค้นหาได้เร็วขึ้นมาก โดยลดต้นทุนการคำนวณเมื่อเทียบกับระยะเวลาการตรวจพบลงเหลือ 3% และให้ค่าการรายงานผิดพลาด (FAR) ที่น้อยกว่าการเรียนรู้แบบเบย์ประมาณ 50%

บรรณานุกรม :
กิตติพงษ์ หิริโอตัปปะ . (2553). การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล.
    กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย.
กิตติพงษ์ หิริโอตัปปะ . 2553. "การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล".
    กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย.
กิตติพงษ์ หิริโอตัปปะ . "การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล."
    กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย, 2553. Print.
กิตติพงษ์ หิริโอตัปปะ . การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล. กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย; 2553.