Product and software solution

Our work

ระบบวิเคราะห์การขนส่งของรถโดยสารสาธารณะด้วย Machine Learning

ระบบนี้พัฒนาขึ้นเพื่อเพิ่มประสิทธิภาพการบริหารจัดการการเดินรถโดยสารสาธารณะ โดยอาศัยการวิเคราะห์ข้อมูลการปฏิบัติงานแบบเรียลไทม์ ผ่านเทคโนโลยี Machine Learning ที่สามารถเรียนรู้และคาดการณ์ปัญหาได้อย่างแม่นยำ ช่วยยกระดับคุณภาพการบริการ ลดต้นทุน และเพิ่มความพึงพอใจของผู้โดยสาร

กระบวนการทำงานของระบบ

1.การรวบรวมข้อมูล (Data Acquisition)

• ติดตั้งอุปกรณ์ GPS, IoT Sensor และระบบบันทึกพฤติกรรมการเดินรถ

• ดึงข้อมูลภายนอก เช่น สภาพการจราจร สภาพอากาศ และข้อมูลกิจกรรมพิเศษที่ส่งผลต่อการเดินทาง

• บันทึกข้อมูลเชิงพฤติกรรม เช่น เวลาจอด เวลารับส่งผู้โดยสาร และจำนวนผู้โดยสารในแต่ละเที่ยว

2.การจัดการข้อมูลและการทำความสะอาดข้อมูล (Data Management & Preprocessing)

• ตรวจสอบคุณภาพข้อมูล และกำจัดข้อมูลที่ผิดปกติหรือสูญหาย

• ทำการแปลงรูปแบบข้อมูล (Feature Engineering) เพื่อเตรียมข้อมูลเข้าสู่กระบวนการวิเคราะห์

• รวมข้อมูลจากหลายแหล่ง (Data Fusion) เพื่อสร้างมุมมองข้อมูลที่ครอบคลุม

3.การวิเคราะห์เชิงลึกด้วย Machine Learning (Machine Learning-Based Analysis)

• สร้างโมเดลคาดการณ์เวลาเดินทาง (ETA Prediction) สำหรับแต่ละเส้นทาง

• พัฒนาโมเดลตรวจจับความผิดปกติ (Anomaly Detection) เพื่อค้นหาพฤติกรรมการเดินรถที่ไม่ปกติ

• วิเคราะห์แนวโน้มการใช้งาน (Passenger Flow Analysis) เพื่อปรับการวางแผนทรัพยากรให้เหมาะสม

4.การตัดสินใจและการวางแผนเชิงรุก (Decision Support & Proactive Planning)

• แนะนำการปรับเปลี่ยนเส้นทางหรือตารางเดินรถตามสภาวะปัจจุบันและคาดการณ์ล่วงหน้า

• วางแผนจัดสรรยานพาหนะและพนักงานขับขี่ตามความต้องการในแต่ละช่วงเวลา

5.การแสดงผลและการสื่อสารข้อมูล (Visualization & Communication)

• นำเสนอข้อมูลผ่านแดชบอร์ดที่เข้าใจง่าย พร้อมแผนที่เชิงโต้ตอบ (Interactive Map)

• ส่งการแจ้งเตือนอัตโนมัติไปยังศูนย์ควบคุมเมื่อเกิดปัญหาหรือมีความเสี่ยงสูง

• จัดทำรายงานสรุปประสิทธิภาพประจำวัน/สัปดาห์/เดือน เพื่อสนับสนุนการวางนโยบายระยะยาว

คุณสมบัติเด่น (Key Features)

• การวิเคราะห์และแจ้งเตือนแบบเรียลไทม์

• ความสามารถในการคาดการณ์ภาวะการเดินรถล่วงหน้า

• การเรียนรู้อัตโนมัติและปรับปรุงความแม่นยำของโมเดลอย่างต่อเนื่อง (Continuous Learning)

• รองรับการขยายตัวเพื่อเชื่อมต่อกับระบบ Smart City และระบบบริหารจัดการขนส่งขนาดใหญ่

ระบบประเมินผลกระทบจากการปิดถนนหรือก่อสร้าง Machine Learning

การปิดถนนหรือดำเนินการก่อสร้างในพื้นที่เมือง ส่งผลกระทบโดยตรงต่อการจราจรและรูปแบบการเดินทางของประชาชน ระบบประเมินผลกระทบด้วย Machine Learning ถูกออกแบบมาเพื่อ วิเคราะห์ คาดการณ์ และประเมินผลกระทบเชิงปริมาณ จากโครงการก่อสร้างหรือเหตุการณ์ปิดถนน เพื่อช่วยหน่วยงานที่เกี่ยวข้องสามารถ วางแผนลดผลกระทบอย่างมีประสิทธิภาพ และ แจ้งเตือนสาธารณะได้อย่างเหมาะสมและทันเวลา

กระบวนการทำงานของระบบ

1.การรวบรวมข้อมูลสภาพการจราจรและสภาพแวดล้อม (Data Acquisition)

• ดึงข้อมูลจากเซ็นเซอร์จราจร, กล้องวงจรปิด (CCTV), GPS จากรถโดยสาร และอุปกรณ์ IoT

• เชื่อมโยงข้อมูลจากแหล่งภายนอก เช่น ข้อมูลเหตุการณ์พิเศษ ตารางการก่อสร้าง การจัดงานกิจกรรม และสภาพอากาศ

• เก็บข้อมูลเส้นทางทางเลือก และพฤติกรรมการเดินทางของประชาชนก่อน-หลังการปิดถนน

2.การทำความสะอาดและจัดเตรียมข้อมูล (Data Preprocessing)

• กำจัดข้อมูลผิดปกติ หรือข้อมูลที่ขาดหาย

• ทำการเชื่อมโยงข้อมูลเชิงพื้นที่และเวลา เพื่อสร้างฐานข้อมูลการเปรียบเทียบ (Baseline vs Impacted State)

3.การวิเคราะห์เชิงลึกด้วย Machine Learning (Machine Learning-Based Analysis)

• ใช้โมเดลคาดการณ์ผลกระทบด้านการจราจร เช่น ความหนาแน่น ความล่าช้า และเวลาการเดินทาง (Travel Time Prediction)

• ประยุกต์ใช้เทคนิค Simulation-Based Modeling เพื่อสร้างสถานการณ์จำลอง (Scenario Simulation) กรณีปิดถนนหลายรูปแบบ

• วิเคราะห์รูปแบบการเบี่ยงเบนเส้นทาง (Route Diversion Analysis) และคาดการณ์ปริมาณรถบนเส้นทางทางเลือก

4.การประเมินผลกระทบเชิงปริมาณ (Impact Assessment)

• ประเมินผลกระทบในเชิงตัวเลข เช่น เวลาเดินทางเพิ่มขึ้น ความหนาแน่นจราจรเปลี่ยนแปลง จำนวนผู้ได้รับผลกระทบ

• วิเคราะห์ผลกระทบในระดับพื้นที่ (Zone-Level Impact) และแนะนำมาตรการลดผลกระทบ เช่น การเบี่ยงเส้นทาง หรือการปรับเวลาการปิดถนน

5.การสื่อสารและแนะนำแนวทางปฏิบัติ (Recommendation & Communication)

• แสดงข้อมูลผลกระทบผ่านแดชบอร์ดแบบอินเทอร์แอคทีฟ

• ส่งการแจ้งเตือนล่วงหน้าไปยังประชาชน และผู้เกี่ยวข้อง ผ่านช่องทางออนไลน์และออฟไลน์

• เสนอแนะมาตรการลดผลกระทบ เช่น การจัดการจราจรชั่วคราว หรือการเสริมบริการขนส่งสาธารณะในพื้นที่ที่ได้รับผลกระทบ

คุณสมบัติเด่น (Key Features)

• การคาดการณ์ผลกระทบที่แม่นยำล่วงหน้าได้หลายวัน/หลายสัปดาห์

• การจำลองสถานการณ์หลากหลายกรณี เพื่อวางแผนล่วงหน้า

• การวิเคราะห์เส้นทางเบี่ยงและจุดเสี่ยงอย่างแม่นยำ

• การแจ้งเตือนประชาชนเชิงรุก ช่วยลดความวุ่นวาย ณ จุดเกิดเหตุ

• รองรับการขยายผลสู่การวางแผนโครงการก่อสร้างขนาดใหญ่ในระดับเมือง (Urban Construction Planning)