การเปรียบเทียบประสิทธิภาพของแบบจำลองการเกิดอุบัติเหตุทางถนน โดยใช้ เทคนิคอนุกรมเวลา
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อ ศึกษาและเปรียบเทียบประสิทธิภาพของแบบจำลองในการพยากรณ์จำนวนผู้ประสบอุบัติเหตุบนท้องถนน ตั้งแต่ เดือนมกราคมพ.ศ.2554 ถึง เดือนธันวาคม 2559 ของจังหวัดขอนแก่น โดยใช้ 5 เทคนิคที่มีประสิทธิภาพในการสร้างแบบจำลองคือ Linear regression (LR), Artificial Neural Network (ANN), Sequential Minimal Optimization for Regression (SMOreg), Support Vector Machine Regression (SVR) และ Gussian Process (GP) มาใช้ คณะผู้วิจัยได้ใช้หลักการ Sliding Window ในการแบ่งกลุ่มข้อมูลเป็นชุดข้อมูลเรียนรู้ และชุดข้อมูลทดสอบ เพื่อวัดประสิทธิภาพการพยากรณ์ของแบบจำลองด้วยค่า เพื่อวัดประสิทธิภาพการพยากรณ์ของแบบจำลองด้วยค่า mean absolute error (MAE) และ root mean square error (RMSE)
ผลการวิจัยพบว่า เทคนิค SVM มีประสิทธิภาพในการสร้างแบบจำลองในการพยากรณ์จำนวนผู้ประสบอุบัติเหตุบนท้องถนนที่มีค่า ซึ่งเป็นค่าความผิดพลาดต่ำสุดเมื่อเปรียบเทียบกับแบบจำลองที่สร้างจากเทคนิค LR, ANN, SMOreg และ Gussian Process
Article Details
References
[2] ศูนย์วิจัยอุบัติเหตุแห่งประเทศไทย. (2552). การพัฒนาแบบจำลองการเกิดอุบัติเหตุ. สืบค้นเมื่อ 26 กันยายน 2560, จาก
http://bhs.doh.go.th/files/Project/TACR/Accident%20Prediction%20Model_th.pdf
[3] วราพร งามสุข. (2555 ). การพยากรณ์อนุกรมเวลาโดยการเปรียบเทียบวิธีแบบฉบับและวิธีบอกซ์-เจนกินส์ กรณีศึกษาจำนวนการเกิดอุบัติเหตุในประเทศไทย (ภาควิชาคณิตศาสตร์ คณะ
วิทยาศาสตร์), มหาวิทยาลัยบูรพา.
[4] ธนาวุฒิ ประกอบผล. (2552). โครงข่ายประสาทเทียม Artificial Neural Networks (Vol. 12).
[5] Chih-Chung Chang และand Chih-Jen Lin. (April 2011 ). A Library for Support Vector Machines (LibSVM). ACM Transactions on Intelligent Systems and Technology
(TIST), 2(3).
[6] Sven F. Crone และRohit Dhawan. (2007). Forecasting Seasonal Time Series with Neural Networks: A Sensitivity Analysis of Architecture Parameters. IEEE Trans.Neural
Networks(IJCNN), 2099-2104.
[7] Amine Bermark Sofiane Brahim-Belhouari. (2004). Gaussian process for nonstationary time series prediction. Computational Statics & Data Analysis 47(47), 705-712.
[8] C. E. Rasmussen and C. K. I. Williams. (2006). Gaussian processes for machine learning. Cambridge, Mass.: MIT Press.
[9] ทัศนัย พลอยสุวรรณ และธนวันต์ ยลพัธน์. (2556). การพยากรณ์ค่าความต้องการใช้ไฟฟ้าสูงสุดของการไฟฟ้าฝ่ายผลิตแห่งประเทศไทยโดยกระบวนการเกาส์เซี่ยน. การประชุมและนำเสนอ
ผลงานวิชาการทางวิศวกรรมไฟฟ้า ครั้งที่ 36.
[10] พงษ์เทพ วิวรรณธนะเดช และคณะแพทย์ศาสตร์. (2550). การวิเคราะห์อนุกรมเวลา(Time Series Analysis)และระบบสารสนเทศทางภูมิศาสตร์(GIS)ในการพัฒนาองค์ความรู้ด้านสิ่ง
แวดล้อมและสุขภาพ. ศูนย์ประสานข้อมูลปัญหาหมอกควันในพื้นที่ภาคเหนือภาควิชาเวชศาตร์ชุมชน คณะแพทย์ศาตร์ มหาวิทยาลัยเชียงใหม่, pp.1-35.
[11] Adaptavist Theme. (2560). Time Series Analysis and Forecasting with Weka. Retrieved 23 September 2017, from
http://wiki.pentaho.com/display/DATAMINING/Time+Series+Analysis+and+Forecasting+with+Weka
[12] Mustaffa Z Zainal NA. (2016). Developing a gold price predictive analysis using Grey Wolf Optimizer. IEEE Student Conference on Research and Development 2016.
[13] Jin-Fang Yang; Yong-Jie Zhai; Da-Ping Xu. (2007). SMO Algorithm Applied in Time Series Model Building and Forecast. Pu Han 2007 International Conference on
Machine Learning and Cybernetics, 4, 2395 – 2400.