แบบจำลองการทำนายระยะเวลาในการเข้าเทียบท่าของเรือโดยสารสาธารณะ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอ การสร้างแบบจำลองเพื่อทำนายระยะเวลาในการเข้าเทียบท่าของเรือโดยสารสาธารณะ โดยใช้ข้อมูลการเดินเรือจากอุปกรณ์อินเทอร์เน็ตประสานสรรพสิ่ง (Internet of Things : IoT) บนเรือโดยสารสาธารณะ ตั้งแต่วันที่ 27 พฤศจิกายน 2561 ถึงวันที่ 31 พฤษภาคม 2562 เพื่อนำข้อมูลของเรือโดยสารสาธารณะมาวิเคราะห์หาความสัมพันธ์ และนำไปสร้างเป็นแบบจำลองการทำนายที่สร้างด้วยอัลกอริทึมการถดถอยต่าง ๆ ทั้ง 6 อัลกอริทึม ประกอบไปด้วย Linear Regression, Random Forest, Gradient Boost, eXtreme Gradient Boost, Light Gradient Boost และ CatBoost จากนั้นทดสอบประสิทธิภาพแบบจำลอง ด้วยการหารากของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error : RMSE) เพื่อหาแบบจำลองที่ดีที่สุด และวัดผลโดยนำระยะเวลาที่แบบจำลองทำนายได้ ไปทดสอบเทียบกับระยะเวลาการเดินเรือของเรือโดยสาร ซึ่งผลการวิจัยพบว่าแบบจำลองของการเดินเรือที่สร้างจากอัลกอริทึม CatBoost มีค่า RMSE ดีที่สุด ในการเดินเรือจากท่าเรือต้นทางไปยังท่าเรือปลายทางอยู่ที่ 88.25 วินาที และในเที่ยวการเดินเรือปลายทางไปยังต้นทาง มีค่าความคลาดเคลื่อนโดยเฉลี่ยในการเดินเรือดีที่สุดอยู่ที่ 90.06 วินาที เมื่อเทียบกับอัลกอริทึมอื่น
Article Details
เอกสารอ้างอิง
Vijite, P. 2018. Machine Learning. Available at: https://medium.com/coeffest/table-of-contents-machine-learning-theory-103315c4afa9. Retrieved January 17, 2019.
Gallo, A. 2015. A Refresher on Regression Analysis. Available at: https://hbr.org/2015 /11/a-refresher-on-regression-analysis. Retrieved February 5, 2019.
Singh, A. 2018. A Comprehensive Guide to Ensemble Learning (with Python codes). Available at: https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-for-ensemble-models/. Retrieved February 13, 2019.
Tseng, G. 2018. Gradient Boosting and XGBoost. Available at: https://medium.com /@gabrieltseng/. Retrieved February 20, 2019.
Ray, S. 2017. CatBoost: A machine learning library to handle categorical (CAT) data automatically. Available at: https://www.analyticsvidhya.com/blog/2017/08/ catboost -automated-categorical-data/. Retrieved March 19, 2019.
Smriti, S. 2019. What is Mean Squared Error, Mean Absolute Error, Root Mean Squared Error and R Squared?. Available at: https://www.studytonight.com/post/ what-is-mean-squared-error-mean-absolute-error-root-mean-squared-error-and-r-squared. Retrieved April 4, 2019.
Gal, A., Mandelbaum, A., Schnitzler, F., Senderovich, A. and Weidlich, M. 2017. Traveling time prediction in scheduled transportation with journey segments. Inf. Syst., (64), 266–280.
Zhang, Y. and Haghani, A. 2015. A gradient boosting method to improve travel time prediction. Transportation Research Part C : Emerging Technologies, (58), 308-324.
Dorogush, A.V., Ershov, V. and Gulin, A. 2018. CatBoost: Gradient boosting with categorical features support. In ML Systems Workshop at NIPS.
Cheng, J., Li, G. and Chen, X. 2019. Research on Travel Time Prediction Model of Freeway Based on Gradient Boosting Decision Tree. IEEE Access, (7), 7466-7480.
