การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล
วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2553
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Theses and Dissertations |
| Language: | Thai |
| Published: |
จุฬาลงกรณ์มหาวิทยาลัย
2012
|
| Subjects: | |
| Online Access: | http://cuir.car.chula.ac.th/handle/123456789/18718 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Chulalongkorn University |
| Language: | Thai |
| id |
th-cuir.18718 |
|---|---|
| record_format |
dspace |
| spelling |
th-cuir.187182012-07-17T01:20:21Z การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล Development of real-time traffic congestion prediction method กิตติพงษ์ หิริโอตัปปะ เศรษฐา ปานงาม สรวิศ นฤปิติ วสันต์ ภัทรอธิคม จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ จราจรหนาแน่น การเรียนรู้ของเครื่อง การวิเคราะห์อนุกรมเวลา Traffic congestion Machine learning Time-series analysis 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% To develop a new automated short-term congested traffic detection algorithm that detects traffic patterns leading to congestion in microscopic traffic variables from both data of real world situations and simulation following the study of Gripps [3] car following model. The new approach algorithm, namely Dynamic Time Warping, is difference from traditional artificial intelligent algorithms that require a huge training dataset to satisfy the accuracy. The Dynamic Time Warping has much ability to classification in very complex time series but requires smaller training dataset with yielding high accuracy in result. The performance of the proposed algorithm DTW is assessed using a Bayesian algorithm with microscopic traffic simulation environment and real-world data. The result shows that DTW algorithm has comparable performance to Bayesian algorithm with using the standard deviation of speed as algorithm figure to detect and precursors traffic congestion pattern. DTW is 20 times of processor consumption as using as Bayesian however, the processing time is about 5% of MTTD that not much effect on algorithm performance. The modified DTW using Sakoe-Chiba Band is increasing 10% in its accuracy and decreasing processor consumption into 3% of MTTD and yields the 50% lower FAR than Bayesian. 2012-03-26T11:06:17Z 2012-03-26T11:06:17Z 2553 Thesis http://cuir.car.chula.ac.th/handle/123456789/18718 th จุฬาลงกรณ์มหาวิทยาลัย 7253095 bytes application/pdf application/pdf จุฬาลงกรณ์มหาวิทยาลัย |
| institution |
Chulalongkorn University |
| building |
Chulalongkorn University Library |
| country |
Thailand |
| collection |
Chulalongkorn University Intellectual Repository |
| language |
Thai |
| topic |
จราจรหนาแน่น การเรียนรู้ของเครื่อง การวิเคราะห์อนุกรมเวลา Traffic congestion Machine learning Time-series analysis |
| spellingShingle |
จราจรหนาแน่น การเรียนรู้ของเครื่อง การวิเคราะห์อนุกรมเวลา Traffic congestion Machine learning Time-series analysis กิตติพงษ์ หิริโอตัปปะ การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล |
| description |
วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2553 |
| author2 |
เศรษฐา ปานงาม |
| author_facet |
เศรษฐา ปานงาม กิตติพงษ์ หิริโอตัปปะ |
| format |
Theses and Dissertations |
| author |
กิตติพงษ์ หิริโอตัปปะ |
| author_sort |
กิตติพงษ์ หิริโอตัปปะ |
| title |
การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล |
| title_short |
การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล |
| title_full |
การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล |
| title_fullStr |
การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล |
| title_full_unstemmed |
การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล |
| title_sort |
การพัฒนาวิธีการทำนายสภาพการจราจรติดขัดแบบทันกาล |
| publisher |
จุฬาลงกรณ์มหาวิทยาลัย |
| publishDate |
2012 |
| url |
http://cuir.car.chula.ac.th/handle/123456789/18718 |
| _version_ |
1681414047514230784 |