การทำนายข้อมูลจราจรเชิงพื้นที่และเวลาโดยใช้การฝังข้อมูลอุบัติเหตุร่วมกับนิวรอลเน็ตเวิร์กเชิงลึก

วนิดา ลิยงค์

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/63691

Title:	การทำนายข้อมูลจราจรเชิงพื้นที่และเวลาโดยใช้การฝังข้อมูลอุบัติเหตุร่วมกับนิวรอลเน็ตเวิร์กเชิงลึก
Other Titles:	Spatial-Temporal Traffic Prediction Using Accident Embedding and Deep Neural Networks
Authors:	วนิดา ลิยงค์
Advisors:	พีรพล เวทีกูล
Other author:	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Advisor's Email:	Peerapon.V@chula.ac.th
Issue Date:	2561
Publisher:	จุฬาลงกรณ์มหาวิทยาลัย
Abstract:	ระบบขนส่งและจราจรอัจฉริยะ (Intelligent Transportation System, ITS) นั้น มีความสำคัญเป็นอย่างมากต่อการดำรงชีวิตในปัจจุบัน และเมื่อไม่นานมานี้ เริ่มมีการนำการเรียนรู้เชิงลึก (Deep Learning) มาใช้ในการทำนายข้อมูลจราจรเพื่อช่วยให้มีความแม่นยำมากยิ่งขึ้น อย่างไรก็ตาม ปัญหาสำคัญของการทำนายข้อมูลจราจรในเครือข่ายขนาดใหญ่คือการทำนายล่วงหน้าในหลาย ๆ ช่วงเวลา และทำนายในตำแหน่งที่แตกต่างกัน นอกจากนี้สำหรับการจราจรแล้ว อุบัติเหตุที่เกิดขึ้นนั้นจะส่งผลกระทบต่อการจราจรเสมอ การเรียนรู้ถึงผลกระทบที่เกิดขึ้นของอุบัติเหตุจะช่วยให้การทำนายข้อมูลจราจรมีความแม่นยำขึ้น งานวิจัยนี้ จึงนำเสนอนิวรอลเน็ตเวิร์กที่เรียนรู้ความสัมพันธ์ในเชิงพื้นที่และเวลาของข้อมูลจราจร โดยใช้นิวรอลเน็ตเวิร์คแบบคอนโวลูชัน (Convolutional Neural Network, CNN) ร่วมกับหน่วยความจำระยะสั้นแบบยาว (Long Short-Term Memory, LSTM) เพื่อให้สามารถเรียนรู้และทำนายข้อมูลจราจรได้แม่นยำยิ่งขึ้น อีกทั้งยังมีการนำตัวเข้ารหัสอัตโนมัติ (Autoencoder) มาเรียนรู้ข้อมูลอุบัติเหตุ เพื่อให้สามารถเรียนรู้ถึงผลกระทบที่เกิดขึ้นในช่วงที่เกิดอุบัติเหตุไปพร้อม ๆ กันได้
Other Abstract:	Nowadays, the Intelligent Transportation System (ITS) is extremely important. Recently, many studies attempt to predict traffic using deep learning approach. The problem is challenging due to various non-linear temporal, different location and difficulty for longer-step ahead prediction. Both spatial and temporal dependencies provide significant implications for traffic prediction. Hence, we propose a combination of deep learning method architectures which consist of Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) to analyze spatial and temporal features and predict traffic speed in multiple steps. In addition, while most of the previously proposed techniques focus on rush-hour, unexpected accidents that affect local traffic were not considered in these works. To improve the prediction, we employ an autoencoder to learn accident embedding input to detect unexpected accidents and their effects with minimizing the prediction error.
Description:	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2561
Degree Name:	วิทยาศาสตรมหาบัณฑิต
Degree Level:	ปริญญาโท
Degree Discipline:	วิทยาศาสตร์คอมพิวเตอร์
URI:	http://cuir.car.chula.ac.th/handle/123456789/63691
URI:	http://doi.org/10.58837/CHULA.THE.2018.1142
metadata.dc.identifier.DOI:	10.58837/CHULA.THE.2018.1142
Type:	Thesis
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6070964121.pdf		2.92 MB	Adobe PDF	View/Open

Show full item record