การประมาณระยะเวลาการเดินทางบนทางยกระดับอุตราภิมุข

Travel time estimation models on Don Mueang Tollaway

Name: จุฑาทิพย์ อาจหาญ

ThaSH: มหาวิทยาลัยเกษตรศาสตร์ -- วิทยานิพนธ์. วศ.ม. (วิศวกรรมโยธา) 2563.

Classification :.LCCS: HE336.T76

ThaSH: มหาวิทยาลัยเกษตรศาสตร์. -- สาขาวิศวกรรมโยธา -- วิทยานิพนธ์

ThaSH: การประมาณค่าการจราจร

ThaSH: เวลาการเดินทาง (วิศวกรรมจราจร)

ThaSH: ทางด่วน

Abstract: ข้อมูลระยะเวลาเดินทางเป็นข้อมูลสำคัญอย่างหนึ่งที่นำมาประยุกต์ใช้กับระบบ ITS ด้านการให้ข้อมูลแก่ผู้ใช้ทาง (ATIS) และด้านการบริหารจัดการระบบจราจร (ATMS) ซึ่งการทราบข้อมูลระยะเวลาเดินทางแบบ Real-time จะช่วยให้ผู้ใช้ทางสามารถตัดสินใจเลือกเส้นทางที่เหมาะสม ดังนั้นระยะเวลาเดินทางที่ถูกต้องแม่นยำจะส่งผลให้ผู้ใช้ทางจัดการการเดินทางได้อย่างมีประสิทธิภาพ ในงานวิจัยนี้ได้ทำการสร้างแบบจำลองประมาณระยะเวลาเดินทางบนทางยกระดับ โดยใช้ข้อมูลที่เก็บได้จากระบบ Video Image ProcessingSystem (VIPS) และ Bluetooth Scanners โดยเลือกใช้วิธีการสร้างแบบจำลองด้วยการใช้ Machine learning ได้แก่ Long Short-Term Memory (LSTM) และ Support Vector Regression (SVR) และทำการเปรียบเทียบประสิทธิภาพแบบจำลองด้วยวิธี Mean Absolute Percentage Error (MAPE) และ Mean Absolute Error (MAE) กับแบบจำลองที่ใช้ทั่วไปได้แก่ Multiple Linear Regression (MLR) และ Instantaneous Model (IM) จากการศึกษาได้ผลลัพธ์ว่าทั้งแบบจำลอง LSTM และ SVR มีความแม่นยำกว่าแบบจำลอง MLR และ IM ในทุกสถานการณ์และยังสรุปได้ว่า LSTM สามารถประมาณระยะเวลาเดินทางได้ดีในช่วงสภาพจราจรติดขัด และ SVR สามารถประมาณระยะเวลา เดินทางได้ดีในช่วงสภาพจราจรปกติดังนั้น LSTM จึงเหมาะสมกับการนำมาใช้ในการประมาณ ระยะเวลาเดินทางบนทางยกระดับดอนเมือง และความคลาดเคลื่อนของแบบจำลองในแต่ละ เส้นทางจะขึ้นอยู่กับจุดที่เกิดสภาพจราจรติดขัด Travel Time is one of the fundamental traffic parameters used in the Advanced Traffic Management System (ATMS) and the Advanced Traveler information System (ATIS). Road operators can use travel time information to manage traffic and periodically evaluate its performance. Travelers can also use en-route travel time to plan their trips. With the emerging of machine learning and significant improvement in hardware specification, travel time estimation accuracy can be vastly improved. In this study, two machine learning techniques including Long Short-Term Memory (LSTM) and Support Vector Regression (SVR) were developed to estimate travel time on the Don Mueng Tollway, located in North Bangkok, Thailand. Traffic parameters such as speed and flow along with other relevant parameters (hour of day, day of week, holidays, and missing data indicator) were fed into the models to determine travel time on four specific routes. The results showed that both LSTM and SVR yield a similar performance. LSTM performs slightly better during peak periods which SVR is superior during off-peak periods. Note อาจารย์ที่ปรึกษาวิทยานิพนธ์หลัก : สโรช บุญศิริพันธ์ ; หัวหน้าภาควิชา : ศุภวุฒิ มาลัยกฤษณะชลี

มหาวิทยาลัยเกษตรศาสตร์. สำนักหอสมุด

Address: กรุงเทพมหานคร

Email: tdckulib@ku.ac.th

Name: สโรช บุญศิริพันธ์

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์หลัก

Created: 2563

Modified: 2568-07-17

Issued: 2568-07-17

วิทยานิพนธ์/Thesis

วิทยานิพนธ์/Thesis

application/pdf

URL: https://www.lib.ku.ac.th/KUthesis/2563/chuthathip-ath-all.pdf

CallNumber: HE336.T76 .จ43

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมโยธา

Grantor: มหาวิทยาลัยเกษตรศาสตร์

©copyrights มหาวิทยาลัยเกษตรศาสตร์

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	chuthathip-ath-all.pdf	10.56 MB

ใช้เวลา

0.042356 วินาที