1. CUIR at Chulalongkorn University
  2. Faculty and Institute
  3. Faculty of Engineering - Eng
  4. Eng - Theses
Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/70351
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorวีระ เหมืองสิน-
dc.contributor.authorชาญวิทย์ จักรธีรังกูร-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์-
dc.date.accessioned2020-11-11T13:54:47Z-
dc.date.available2020-11-11T13:54:47Z-
dc.date.issued2562-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/70351-
dc.descriptionวิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562-
dc.description.abstractการพยากรณ์ระยะเวลาเดินทางเป็นส่วนสำคัญของระบบจราจรอัจฉริยะ วิธีการที่เป็นที่นิยมในการพยากรณ์ระยะเวลาเดินทางคือการนำระยะเวลาเดินทางในอดีตมาใช้เพื่อพยากรณ์ระยะเวลาเดินทางในอนาคตอันใกล้ งานวิจัยนี้เป็นการเปรียบเทียบโมเดล LSTM ที่ได้จากข้อมูลประเภท GPS trace กับโมเดลที่สร้างด้วย Neural Network แบบวนซ้ำ ประกอบด้วยโมเดล RNN, LSTM, GRU และการนำโมเดลมาประกอบกันคือ LSTM รวมกับ RNN, LSTM รวมกับ GRU และโมเดล LSTM รวมกับ DNN. โดยทำการศึกษาผลกระทบจากขนาดของ Sliding Window ของข้อมูลที่แตกต่างกัน การนำโมเดลที่สร้างด้วยช่วงถนนช่วงหนึ่งไปใช้พยากรณ์กับถนนช่วงอื่น การนำทิศทางการเดินทางมาเป็นส่วนในการพิจารณา การเปรียบเทียบผลลัพธ์ที่ได้จากวิธีการทำ Link level และ Path level  และการพิจารณาในแต่ละช่วงเวลาชั่วโมงของวันโดยผลลัพธ์ที่ได้จากการทดลอง พบว่าโดยรวมโมลเดล LSTM-DNN ให้ผลลัพธ์ที่ดีที่สุด ขณะเดียวกันระยะเวลาที่ใช้สอนและทดสอบโมเดล RNN สามารถทำได้เร็วที่สุด นอกจากนี้ยังคงพบว่าหากเป็นช่วงเวลาเย็นของวันผลการพยากรณ์ที่ได้มีค่าความผิดพลาดสูงกว่าช่วงเวลาอื่นของวันอีกด้วย-
dc.description.abstractalternativePrediction of travel time is an essential part of Intelligent Transportation Systems (ITS). A popular travel time prediction approach uses the historical travel time series to predict travel time shortly. This research compares short-term travel time prediction models from GPS trace data based on Recurrent Neural Network (RNN) including vanilla RNN, Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and some of their combinations including, LSTM-RNN, LSTM-GRU, and LSTM with Deep Neural Network layers (LSTM-DNN). The effects of a different sliding window of data, use the model created by one road segment to predict another road segment, the effect of trip direction, the different result of use data resolution both link-level and path level, and the period of day which make the model inaccuracy prediction. The evaluation results show that LSTM-DNN is the most accurate model, while the vanilla RNN model is the fastest. Furthermore, the model is more inaccurate when predicting the data in the evening period than in another period.-
dc.language.isoth-
dc.publisherจุฬาลงกรณ์มหาวิทยาลัย-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2019.1130-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัย-
dc.subjectระบบขนส่งอัจฉริยะ-
dc.subjectระบบกำหนดตำแหน่งบนโลก-
dc.subjectเวลาการเดินทาง (วิศวกรรมจราจร)-
dc.subjectIntelligent transportation systems-
dc.subjectGlobal Positioning System-
dc.subjectTravel time (Traffic engineering)-
dc.subject.classificationComputer Science-
dc.titleการพยากรณ์เวลาการเดินทางจากข้อมูล GPS-
dc.title.alternativeTravel time prediction from GPS trace data-
dc.typeThesis-
dc.degree.nameวิทยาศาสตรมหาบัณฑิต-
dc.degree.levelปริญญาโท-
dc.degree.disciplineวิทยาศาสตร์คอมพิวเตอร์-
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัย-
dc.email.advisorVeera.M@Chula.ac.th-
dc.identifier.DOI10.58837/CHULA.THE.2019.1130-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6170918421.pdf5.03 MBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.