เราจะสกัดข้อมูลรถติดออกมาจากข้อมูล GPS ได้อย่างไร ?

รถติดเป็นปัญหาในเมืองที่ทุกๆคนทราบว่าคืออะไร และสร้างปัญหาอะไรให้บ้าง รถติดนั้นเป็นปัญหาที่ทุกๆคนต้องการจะแก้ไขหลีกเลี่ยง แต่อย่างไรก็ดี ยังไม่มีเมืองไหนสามารถแก้ปัญหารถติดได้อย่างถาวร นั่นก็เป็นเพราะว่า ความต้องการใช้รถใช้ถนนในปัจจุบัน (และทุกๆเมือง)นั้นมากจนเกือบจะเท่ากับความสามารถที่ถนนจะรับได้ (capacity) อยู่แล้ว ยิ่งมีเหตุการณ์ที่ทำให้ความต้องการใช้รถใช้ถนนมากขึ้นเช่น เวลาเริ่มงานตอนเช้า เวลาเลิกงานตอนเย็น งานกีฬา งานคอนเสิร์ต หรือทำให้พื้นที่ของถนนลดลง เช่น อุบัติเหตุ ปิดถนนเพื่อซ่อมถนน ยิ่งทำให้รถติดเป็นปัญหาที่ต้องเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้

ถึงแม้ว่า เหตุการณ์ที่ทำให้เกิดรถติดนั้นไม่สามารถหลีกเลี่ยงได้ แต่เราก็สามารถลดผลกระทบนั้นได้ หากทราบสาเหตุว่ามาจากอะไร (และเกิดที่ไหน) มีหลายสาเหตุของรถติดที่ผู้ดูแลถนนทราบแน่นอน อย่างเช่นอุบัติเหตุ ที่มักจะได้รับการโทรแจ้ง หากมีซ่อมทาง ก็มักมีแผนมาก่อน เพียงแค่ทราบว่าเกิดที่ไหนเมื่อไรอย่างแน่นอน ผู้ควบคุมการจราจรก็จะสามารถเข้าไปดูแล ปรับเปลี่ยนสัญญาณจราจร หรือให้ผู้ใช้หลีกเลี่ยงเส้นทาง เพื่อลดความรุนแรงของรถติดได้ แต่ในความเป็นจริงก็ไม่ได้ราบรื่นเสมอไป ในบางครั้ง เราทราบว่ามีรถติด แต่เราไม่ทราบว่าเกิดจากอะไร แม้กระทั่งในบางครั้ง เราทราบว่าเกิดจากอะไร แต่เราก็ยังไม่สามารถแก้ปัญหาได้อย่างมีประสิทธิภาพ

ดังนั้นหากเราสามารถนำบันทึกข้อมูลสภาพการจราจรเพื่อมาศึกษา นอกจากจะทำให้เราสามารถนำกลับมาค้นหาสาเหตุของรถติดที่แน่ชัดได้แล้ว ยังสามารถทำให้เราหาวิธีการแก้ปัญหาที่มีประสิทธิภาพได้ การนำข้อมูลบันทึกข้อมูลสภาพจราจรมาวิเคราะห์ จะทำให้เราทราบถึงความเป็นไปของจราจร บริเวณที่เกิด เวลา และความนานของการเกิด นอกจากนี้ ข้อมูลที่เก็บบันทึกมา ยังสามารถทำให้ทราบได้ว่า มีรถติดเกิดขึ้นซ้ำๆหรือไม่

ในปัจจุบันมีหลายวิธีที่จะใช้ในการเก็บข้อมูลสภาพการจราจร การฝังเครื่องมือใต้ถนน อย่างเช่น loop detector เป็นวิธีการหนึ่งที่ได้ถูกนำไปใช้ในการวัดปริมาณรถในแต่ละบริเวณในหลายๆเมือง เครื่องมือชนิดนี้ ถูกนำมาใช้ในระบบปรับสัญญาณจราจรโดยอัตโนมัติ โดยเครื่องมือจะทำการนับ queue หรือจำนวนรถที่ติดที่แยกถนนที่มีสัญญาณไฟ และทำการปรับค่าเวลาของไฟ ตามโมเดลที่ได้วางไว้
อีกวิธีการหนึ่งก็คือ การใช้กล้อง cctv นับจำนวนรถ ที่บริเวณหนึ่งๆ กล้อง cctv นี้อาจนำไปปรับใช้ในการวัดเวลาที่ใช้ในการเดินทาง จากจุดหนึ่ง (ซึ่งมีกล้องตั้งอยู่) ไปอีกจุดหนึ่ง (ซึ่งมีกล้องที่รถวิ่งผ่านในเวลาถัดมา) ซึ่งเวลาที่ใช้ในการเดินทางนั้น สามารถใช้เป็นค่าวัดรถติดในบริเวณนั้นๆได้

นอกจากจะใช้เครื่องมือที่ติดตั้งอยู่ที่ถนนแล้ว ยังมีเครื่องมืออีกกลุ่ม ซึ่งติดตั้งหรือเคลื่อนที่ไปกับตัวรถเอง เครื่องมือหนึ่งที่น่าสนใจคือการใช้ตำแหน่งจากโทรศัพท์มือถือที่ผู้โดยสารหรือผู้ขับขี่ติดตัวไปในขณะใช้รถใช้ถนน โดยการหาตำแหน่งจากเสาสัญญาณ จะทำให้เราทราบตำแหน่งของมือถือได้ อีกวิธีหนึ่งที่จะแม่นยำกว่าคือการใช้ข้อมูลจาก ระบบ Global Positioning System (GPS) ซึ่งเป็นการใช้เครื่องรับสัญญาณที่อยู่บนโลก รับสัญญาณจากดาวเทียม เพื่อหาตำแหน่งบนโลกของเครื่องรับสัญญาณนั้นๆ เนื่องจากเครื่องรับสัญญาณมีขนาดเล็ก จึงสามารถพกพาไปที่ใดก็ได้ สำหรับการวัดตำแหน่งของยานพาหนะในถนน เราอาจติดตั้งเครื่องรับสัญญาณไว้ในรถยนต์ส่วนบุคคล รถโดยสารสาธารณะ หรือรถที่ใช้ในการวัดการจราจรโดยเฉพาะ (probe vehicle) และ อาจเป็นไปได้ว่า เราสามารถจะนำข้อมูลจาก GPS ซึ่งติดตั้งอยู่ในโทรศัพท์มือถือ มาทำการวิเคราะห์การเดินทางบนถนนได้อีกด้วย

สิ่งที่ได้จาก GPS คือบันทึกตำแหน่งในสองมิติ และเวลา ของรถ ตลอดเวลาที่วิ่งไปบนนถนน ข้อมูล GPS นี้สามารถนำมาคำนวณเป็น ความเร็ว หรือ เวลาที่ใช้ในการเดินทางในแต่ละช่วง เพื่อใช้เป็นดูลักษณะการเคลื่อนที่ของรถ (ช้าหรือเร็วหรือนิ่ง) ณ ขณะที่รถวิ่งผ่านได้

เนื่องจากข้อมูล GPS มีปริมาณมาก และเป็นข้อมูลจุดตำแหน่งและเวลาเป็นตัวอักษร ซึ่งโดยตัวมันเองไม่ได้สื่ออะไรถึงลักษณะการจราจรเลย ดังนั้นจึงต้องมีเครื่องมือที่จะช่วยในการแปลงข้อมูลดิบ(ซึ่งเป็นเพียงข้อมูลจุดตำแหน่งกับเวลาเท่านั้น)ให้เข้าใจได้มากขึ้น Andrienko (2011)ได้พูดถึงการใช้ visual analytics ในการศึกษาจราจรจากข้อมูล GPS visual analytics คือการผสมระหว่างการแสดงข้อมูลออกมาเป็นรูปภาพ และ เทคนิคทางสถิติ (หรือ data mining) เพื่อใช้ในการวิเคราะห์ข้อมูล เหตุผลที่รวม 2 วิธีเข้าด้วยกัน เกิดจากความพยายามในการที่จะรวมความสามารถในการวิเคราะห์ของมนุษย์ และ เครื่องคอมพิวเตอร์ เข้าด้วยกัน โดย การแสดงออกมาเป็นภาพ จะช่วยให้มนุษย์ เข้าใจข้อมูลมากยิ่งขึ้น เพื่อที่จะทำให้สามารถเลือกวิธีการในการวิเคราะห์ หรือ ปรับค่าต่างๆในคอมพิวเตอร์ให้ทำงานอย่างเหมาะสม ในงานวิจัย ได้เน้นไปที่การหาลักษณะการเคลื่อนไหวที่สำคัญ (เรียก events) ที่อยู่ในข้อมูล อย่างเช่น รถหยุดนิ่ง รถเคลื่อนที่ช้า โดยมีขั้นตอนหาบริเวณที่มีรถติดดังต่อไปนี้

1. เนื่องจากเรามีข้อมูลจุดและเวลาที่รถผ่านตำแหน่งนั้นๆ เราสามารถทราบความเร็วของรถในขณะนั้นโดยการหาระยะห่างระหว่างจุดสองจุดแล้วหารด้วยระยะเวลาที่ใช้ในการเดินทางระหว่างจุดสองจุดนั้น แต่เนื่องจากข้อมูลจุดจาก GPS มีมาก เราจึงต้องทำการหาความเร็วจะหว่างจุดไปทีละคู่ ไปเรื่อยๆ จะเห็นได้ว่าขั้นตอนนี้ใช้เวลานานเนื่องจากข้อมูลมีขนาดใหญ่ ดังนั้นจึงต้องทำการคำนวณความเร็วทั้งหมดออกมาก่อนแล้วค่อยทำขั้นตอนวิเคราะห์ข้อมูลต่อไป
2. หลังจากที่ได้ความเร็วมาแล้ว ต่อมาคือการกรองจุดที่รถวิ่งช้าที่คาดว่าจะเกิดรถติด หากรถทุกคันบนถนนวิ่งช้าเนื่องจากรถติดแล้ว เราคงเพียงแค่กำหนดว่าความเร็วแค่ไหนถึงเป็นรถติด แล้วเลือกแต่บริเวณที่ช้ากว่าความเร็วนั้นออกมาก แต่รถวิ่งช้า อาจเกิดจากการชะลอเพื่อหาที่จอดรถก็เป็นได้ ดังนั้นจึงต้องใช้เทคนิครวมกลุ่มบริเวณที่รถวิ่งช้า และเป็นไปตามรูปแบบเดียวกัน เข้าด้วยกัน (clustering) จะทำให้เราสามารถกรองเฉพาะจุดที่คาดว่าจะเกิดรถติด ออกจากจุดที่รถวิ่งช้าหรือหยุด เนื่องจากสาเหตุอื่นได้
3. การแสดงบริเวณที่เกิดรถติดบนแผนที่สามมิติ โดยแนวราบคือตำแหน่ง ซึ่งมีแผนที่วางอยู่ และแนวตั้ง คือเวลา ทำให้เราทราบว่าบริเวณไหน และเวลาไหนเกิดรถติดบ้าง การแสดงออกมาเป็นรูปภาพ นอกจากจะทำให้เราทราบว่าเกิดขึ้นในบริเวณไหนแล้ว ยังทำให้เราเห็น pattern ในการเกิดรถติดได้อีกด้วย อย่างเช่น บริเวณที่คาดว่าจะเกิดรถติดซ้ำๆ (ที่ต้องบอกว่าคาดว่า เป็นเพราะเรายังไม่ทราบแน่ชัดว่าเป็นบริเวณที่รถติดจริงๆหรือเปล่า จนกว่าจะเอาไปเทียบกับข้อมูลเพิ่มเติม เช่น ข้อมูลการซ่อมถนน หรือข้อมูลอุบัติเหตุ ที่จะทำให้ทราบแน่ชัดว่าเกิดรถติดขึ้นจริงๆ)

โดยสรุป งานวิจัยนี้สามารถตอบคำถามเหล่านี้
1. บริเวณไหนที่มีรถติด และกินบริเวณไปแค่ไหน
2. บริเวณไหนที่มีรถติดซ้ำๆ

Advertisements
This entry was posted in Traffic Modeling and Visualisation and tagged , . Bookmark the permalink.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s