การวิเคราะห์เส้นทางและอุบัติเหตุทางถนนโดยประยุกต์ใช้การเรียนรู้ของเครื่อง

An analyzing road routes and traffic accidents using machine learning

Name: สุรชัย เดชมี

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : s6607011857170@gmail.kmutnb.ac.th

Name: ผุสดี บุญรอด

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : pudsadee.b@itd.kmutnb.ac.th

keyword: ระดับความรุนแรงของอุบัติเหตุ

ThaSH: การเรียนรู้ของเครื่อง

ThaSH: อุบัติเหตุทางถนน -- การประมวลผลข้อมูล

Abstract: ปัจจุบันอุบัติเหตุทางถนนเป็นหนึ่งในปัญหาสำคัญของโลก ซึ่งยังคงมีอัตราการเกิดอุบัติเหตุที่สูงในทุกปี งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการวิเคราะห์ระดับความรุนแรงของอุบัติเหตุทางถนน และพัฒนาระบบสารสนเทศสำหรับวิเคราะห์อุบัติเหตุทางถนน โดยใช้ข้อมูลการเกิดอุบัติเหตุของกระทรวงคมนาคม ประเทศไทย จำนวน 6 ปี ตั้งแต่ปี พ.ศ. 2562–2567 ซึ่งใช้การเรียนรู้ของเครื่องในการพัฒนาแบบจำลองเพื่อการวิเคราะห์ข้อมูล ได้แก่ ต้นไม้ตัดสินใจ (Decision Tree) ป่าการสุ่ม (Random Forest) เอ็กซ์ตรีม เกรเดียนต์ บูสติ้ง (Extreme Gradient Boosting: XGBoost) และไลท์ เกรเดียนต์ บูสติ้ง แมชชีน (Light Gradient Boosting Machine: LightGBM) จากผลการวิจัยพบว่า วิธีป่าสุ่มให้ค่าความถูกต้อง (Accuracy) สูงที่สุดอยู่ที่ 83.00% มีค่าความแม่นยำ (Precision) 70.50% ค่าความระลึก (Recall) 73.50% และค่าคะแนนเอฟหนึ่ง (F1-Score) อยู่ที่ 71.50% โดยพบว่าอุบัติเหตุที่เกิดจากรถจักรยานยนต์ส่งผลต่อระดับความรุนแรงสูงสุด อีกทั้งยังได้นำแบบจำลองที่พัฒนาขึ้นไปต่อยอดพัฒนาระบบสารสนเทศ ซึ่งจะช่วยให้ผู้ใช้งานสามารถวิเคราะห์เส้นทางและอุบัติเหตุทางถนน อีกทั้งหน่วยงานที่เกี่ยวข้องสามารถนำไปใช้กำหนดมาตรการหรือแนวทางในการลดความรุนแรงของอุบัติเหตุได้ต่อไป

Abstract: Road traffic accidents remain one of the major global issues, with consistently high accident rates each year. This research aims to develop a model for analyzing the severity levels of road accidents and to create an information system for road accident analysis using six years of accident data (2019–2024) provided by the Ministry of Transport, Thailand. The study employs machine learning techniques to build the analytical models, including Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost), and Light Gradient Boosting Machine (LightGBM). The results indicate that the Random Forest method achieved the highest accuracy at 83.00%, with a precision of 70.50%, recall of 73.50%, and an F1-score of 71.50%. The analysis also revealed that motorcycle-related accidents have the highest impact on accident severity. Additionally, the developed model is used to create an information system that enables users to analyze routes and road accidents, assisting relevant agencies in formulating measures or strategies to reduce the severity of traffic accidents

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2568

Modified: 2568-12-11

Issued: 2568-12-11

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 21 (NCCIT 2025) (pp.257-262). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 2568

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2025pp.257-262.pdf	773.96 KB

ใช้เวลา

0.030036 วินาที