วิธีการทำนายสถานการณ์จราจรทางบก จากกูเกิล แมพ ด้วยการเรียนรู้เชิงลึก

Predicting traffic road status from google maps with deep learning

Name: อมรเทพ ทองชิว

keyword: มหาวิทยาลัยบูรพา สาขาวิชาการวิจัยและสถิติทางวิทยาการปัญญา

; การขนส่งทางบก

; วิทยานิพนธ์ปริญญาเอก

Abstract: การวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพในการทำนายระหว่างอัลกอริทึมมาตรฐานกับตัวแบบการเรียนรู้เชิงลึก (Deep Learning) ที่ได้ปรับพารามิเตอร์ไว้อย่างเหมาะสมข้อมูลที่ใช้ในการทำนาย คือ สถานการณ์จราจรทางบก ในเขตกรุงเทพฯ บริเวณถนนสาทร จากการทบทวนผลการศึกษาด้านการทำนายปริมาณการจราจร แนวคิดและทฤษฎีที่เกี่ยวข้อง จำนวน 21 รายการ พบว่าการเรียนรู้เชิงลึกเหมาะสมกับงานด้านนี้ เนื่องจากมีประสิทธิภาพการทำนายอยู่ในระดับสูง ผู้วิจัยพัฒนาวิธีการเก็บรวมรวมข้อมูลสถานการณ์จราจรจากเว็บไซต์กูเกิลแมพ โดยสอบเทียบความถูกต้องกับข้อมูลจากกล้องวงจรปิดของสำนักการจราจรและขนส่ง กทม. พบว่า มีค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน 0.96 แสดงถึงการวัดปริมาณการจราจรด้วยกูเกิลแมพมีความสอดคล้องกับความเป็นจริงในระดับสูง จากนั้นใช้เครื่องมือที่พัฒนาขึ้นเก็บข้อมูลภาพต่อเนื่องทุกครึ่งชั่วโมง เป็นเวลา 2 เดือน ได้ข้อมูลที่มีความสมบูรณ์จำนวน 1,762 ภาพ ทำการจัดเตรียมข้อมูลภาพให้พร้อมสำหรับการเรียนรู้ด้วยเครื่อง สรุปผลได้ดังนี้ 1) จำนวนนิวรอน (Neurons) เท่ากับ 1024, 2) ฟังก์ชันกระตุ้น (Activation function) เป็นแบบ relu, 3) ตัวปรับประสิทธิภาพ (Optimizer) เป็นแบบ Adam, 4) จำนวนรอบการเรียนรู้ (Training epochs) คือ 1,000 และ 5) จำนวนชุดข้อมูลการเรียนรู้ (Batch number) คือ 30 ได้ค่าความถูกต้องเฉลี่ย เท่ากับ 82% และร้อยละส่วนเบี่ยงเบนมาตรฐาน เท่ากับ 2% ในการทำนายประเภทการจราจร ด้วยวิธีการแบ่งข้อมูลแบบไขว้ 10 ชุด และเมื่อทำการเปรียบเทียบกับอัลกอริทึมอื่น ๆ ใช้วิธีแบ่งเป็นชุดข้อมูลฝึกสอนด้วยวิธีการสุ่มร้อยละ 80, ทำนายสถานการณ์จราจรกับข้อมูลทดสอบร้อยละ 20 ที่แบ่งไว้ พบว่า ค่าร้อยละความถูกต้องการทำนายที่ได้ในแต่ละอัลกอริทึม คือ Decision Tree : 71%, Random Forest : 71%, K Nearest Neighbors : 73%, Naive Bayes : 63%, Gradient Boosting : 72% และ Deep Learning : 75% โดยตัวแบบที่ได้ผลการทำนายสูงสุดคือการเรียนรู้เชิงลึก

Abstract: The purpose of this research was to compare the prediction performance between a standard algorithm and an optimally-parameterized Deep Learning model. Data used for prediction were road traffic status in the Bangkok Sathorn Road area. A literature review found 21 related concepts and theories indicating that deep learning has superior prediction performance. This research developed a method for collecting traffic status from the Google Maps website by comparing the accuracy of the traffic flow with the CCTV cameras of the Department of Traffic and Transport, Bangkok. A Pearson correlation coefficient of 0.96 was found, indicating that the traffic flow as measured had a high level of consistency with reality. A tool was developed and used to continuously collect image data every half hour for two months, resulting in comprehensive 1,762 images data for machine learning process. The results can be summarized as follows: 1) the number of neurons was 1,024; 2) the activation function was ReLU; 3) the optimizer was Adam; 4) the number of training epochs was 1,000, and 5) the batch number was 30. An accuracy of 82% with the standard deviation of accuracy equal to 2% in predicting traffic status with 10 folds cross validation. Using the training data set by a random 80%, predicting the traffic status with the test data 20% divided, it was found that the percentage of prediction accuracy obtained in each algorithm was: Decision Tree: 71%; Random Forest: 71%; K Nearest Neighbors: 73%; Naive Bayes: 63%; Gradient Boosting: 72%, and Deep Learning: 75%. The most predictive model was found to be deep learning.

มหาวิทยาลัยบูรพา. สำนักหอสมุด

Address: ชลบุรี

Email: buulibrary@buu.ac.th

Name: ภัทราวดี มากมี

Role: อาจารย์ที่ปรึกษาหลัก

Name: ยรรยงค์ พันธ์สวัสดิ์

Role: อาจารย์ที่ปรึกษาร่วม

Created: 2566

Modified: 2567-02-05

Issued: 2567-02-05

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: ว 388.3 อ281ว

tha

DegreeName: ปรัชญาดุษฎีบัณฑิต

Level: ปริญญาเอก

Descipline: การวิจัยและสถิติทางวิทยาการปัญญา

Grantor: มหาวิทยาลัยบูรพา

©copyrights มหาวิทยาลัยบูรพา

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	61810069.pdf	11.27 MB	20	2026-10-21 22:50:00

ใช้เวลา

0.031573 วินาที