Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/80148
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorVeera Muangsin-
dc.contributor.authorSathita Buapang-
dc.contributor.otherChulalongkorn University. Faculty of Engineering-
dc.date.accessioned2022-07-23T05:18:13Z-
dc.date.available2022-07-23T05:18:13Z-
dc.date.issued2021-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/80148-
dc.descriptionThesis (M.Sc.)--Chulalongkorn University, 2021-
dc.description.abstractTraffic prediction is an essential and challenging task for traffic management and commercial purposes. Machine learning methods for traffic prediction usually treat traffic conditions as time-series due to obvious temporal patterns. Recently, spatial relationships among roads in a road network have also been used to improve traffic prediction. This study proposes a novel method to predict traffic conditions such as speed using a graph convolutional neural network with a spectral adjacency matrix (GCN-Spectral). Unlike a spatial adjacency matrix representing physical connections between road segments, a spectral matrix represents the correlation between road segments regarding traffic conditions. The GCN-Spectral model is evaluated by comparing with a multi-layer perceptron model (MLP), as a non-spatial model, and a graph convolutional neural network with a spatial adjacency matrix (GCN-Spatial). The prediction results were analyzed with the robustness characteristics of the road segment in various dimensions. For example, the road length, time of the day, and day of the week. The error of results analysis aimed to explain model limitations and strong points. The data used in this study are GPS probe data collected from taxis in Bangkok. Empirical results show that the GCN-Spectral with a combination matrix model mostly outperforms GCN-Spatial models in the Bangkok dataset. However, MLP performs the best in most cases in speed prediction tasks. The MLP works well every day of the week and time of day. In contrast, the GCN works well in late morning, evening, and on a weekday. The number of lanes in a road segment does not correlate with prediction error. And the road segment length has a weak correlation with the prediction error on GCN-Spectral with LSTM layers and GCN-Spectral with combination matrix. The travel time spent in the road segment is calculated using speed prediction, and relative to road segment length. The more extended the road segment is, the higher the error on travel time. The result found that the lowest error is from GCN-Spatial model.  -
dc.description.abstractalternativeการพยากรณ์สภาพการจราจรเป็นงานที่มีความสำคัญอย่างยิ่งต่อการบริหารการจราจรและการทำธุรกิจอื่น โดยปกติแล้วการเรียนรู้ของเครื่องจะพยากรณ์โดยมองลักษณะการจราจรในรูปแบบของอนุกรมเวลา เนื่องจากข้อมูลดังกล่าวมีรูปแบบตามเวลาที่ชัดเจน ในปัจจุบันความสัมพันธ์เชิงภูมิศาสตร์ระหว่างโครงข่ายถนน ถูกนำมาใช้ในการพัฒนาการพยากรณ์สภาพการจราจรด้วยเช่นกัน วิทยานิพนธ์ฉบับนี้นำเสนอวิธีการพยากรณ์สภาพการจราจร เช่น ความเร็วในช่วงถนนและเวลาที่ใช้ในการเดินทาง โดยใช้โครงข่ายประสาทเทียมชนิดกราฟและเมทริกซ์แสดงความสัมพันธ์เชิงสเปกตรัม ซึ่งแตกต่างจากความสัมพันธ์เชิงภูมิศาสตร์ของโครงข่ายถนนที่เชื่อมติดกัน เมทริกซ์แสดงความสัมพันธ์เชิงสเปกตรัมสามารถอธิบายความสัมพันธ์ระหว่างถนนเส้นต่าง ๆ และช่วยในการอธิบายความสัมพันธ์ในเชิงจราจรได้ โครงข่ายประสาทเทียมชนิดกราฟและเมทริกซ์แสดงความสัมพันธ์เชิงสเปกตรัมถูกทดลอง และเปรียบเทียบกับโครงข่ายประสาทเทียมชนิดเพอเซปตรอนหลายชั้น ซึ่งเป็นแบบจำลองที่ไม่คำนึงถึงสภาพทางภูมิศาสตร์ กับโครงข่ายประสาทเทียมชนิดกราฟและเมทริกซ์แสดงความสัมพันธ์เชิงภูมิศาสตร์ ผลพยากรณ์ความเร็วถูกวิเคราะห์ในมิติต่าง ๆ คือ ลักษณะของถนน ความยาวของถนน วันที่พยากรณ์และช่วงเวลาที่พยากรณ์ เพื่ออธิบายข้อดีและข้อเสียของแบบจำลองชนิดต่าง ๆ ข้อมูลที่ใช้ในวิทยานิพนธ์ฉบับนี้เป็นข้อมูลพิกัดรถสาธารณะบริเวณกรุงเทพมหานคร ผลการทดลองพบว่าโครงข่ายประสาทเทียมชนิดกราฟและเมทริกซ์แสดงความสัมพันธ์แบบผสมให้ผลการพยากรณ์ความเร็วในแต่ละช่วงถนนดีที่สุดสำหรับโครงข่ายประสาทเทียมชนิดกราฟรูปแบบต่าง ๆ   อย่างไรก็ตามโครงข่ายประสาทเทียมชนิดเพอเซปตรอนหลายชั้น ให้ผลการทดลองที่ดีที่สุดในทุกตัววัดสำหรับการพยากรณ์ความเร็วในช่วงถนน โครงข่ายประสาทเทียมแบบเพอเซปตรอนหลายชั้นทำงานได้ดีในทุกวันและทุกช่วงเวลา ในขณะที่โครงข่ายประสาทเทียมชนิดกราฟจะทำงานได้ดีในช่วงสายและเย็นของวัน โดยที่ทำงานได้ผลดีในวันธรรมดามากกว่าสุดสัปดาห์ จำนวนช่องทางบนถนนไม่มีผลต่อการพยากรณ์ความเร็วในการเดินทาง ในขณะที่ความยาวของถนนมีผลต่อการพยากรณ์ความเร็วในการเดินทางน้อย การพยากรณ์เวลาในการเดินทางใช้ผลจากการพยากรณ์ความเร็วในการเดินทางมาคำนวณ โดยผลคำนวณจะมีความสัมพันธ์กับความยาวของช่วงถนนด้วยเช่นกัน ดังนั้นหากถนนยิ่งยาว โอกาสในการพยากรณ์เวลาในการเดินทางพลาดก็จะสูงตามไปด้วย ผลการทดลองพบว่าแบบจำลองที่มีความคลาดเคลื่อนของเวลาในการเดินทางต่ำสุดคือแบบจำลองโครงข่ายประสาทเทียมชนิดกราฟและเมทริกซ์แสดงความสัมพันธ์เชิงภูมิศาสตร์-
dc.language.isoen-
dc.publisherChulalongkorn University-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2021.108-
dc.rightsChulalongkorn University-
dc.subject.classificationComputer Science-
dc.subject.classificationComputer Science-
dc.titleTravel time prediction with graph neural network: a case study in Bangkok Thailand-
dc.title.alternativeการพยากรณ์เวลาในการเดินทางด้วยโครงข่ายประสาทเทียมชนิดกราฟ กรณีศึกษาบริเวณกรุงเทพมหานคร -
dc.typeThesis-
dc.degree.nameMaster of Science-
dc.degree.levelMaster’s Degree-
dc.degree.disciplineComputer Science-
dc.degree.grantorChulalongkorn University-
dc.identifier.DOI10.58837/CHULA.THE.2021.108-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6370294121.pdf16.56 MBAdobe PDFView/Open


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