Categories
Traffic Modeling and Visualisation

แผนที่ Here Map ของ Nokia ในประเทศไทย: เปรียบเทียบกับ Google Map

ถ้าพูดถึงแผนที่ ทุกคนคงนึกถึงแต่ Google Map แต่นอกจาก Google Map แล้วยังมีอีกหลายยี่ห้อเข้ามาแข่งขัน เช่น OpenStreetMap, Bing และอีกหลายยี่ห้อ ทุกวันนี้ดูเหมือนว่า แนวโน้มการแข่งขันช่วงนี้น่าจะเน้นไปที่ความละเอียดและถูกต้องมากขึ้น และมีการปรับเปลี่ยนการจัดวางที่ดูง่ายขึ้น แต่โมดูลการทำงานยังคงคล้ายๆกัน เช่น มีข้อมูลแต่ละอาคารครบถ้วนมากขึ้น มีข้อมูลจราจรที่แม่นยำมากขึ้น แต่หลักๆของทุกอันจะมีตัวแผนที่ ข้อมูลจราจร ข้อมูลสถานที่ เหมือนกันหมด จะเห็นแนวโน้มจาก Google เพิ่งปรับเปลี่ยน Interface เมื่อต้นปี 2014 และในเมืองไทย Google ได้เพิ่มแผนที่ในตัวตึกขึ้นมา (https://www.blognone.com/node/64102) บทความนี้เราจะมาลองดูกันว่า Here ต่างกับ Google อย่างไรบ้าง

Nokia ได้เปิดตัว Here เมื่อประมาณปลายปี 2012 และได้เปิดให้ใช้งานเวอร์ชั่น Beta สำหรับ Samsung Galaxy ในเดือน สิงหาคม 2014 ส่วนที่เห็นได้ชัดคือ Here มีข้อมูลที่มีความละเอียดสูงมาก สามารถมองเห็นอาคารเป็นหลังๆ ซึ่ง Here น่าจะมีการ vectorize อาคาร ทำให้สามารถแสดงอาคารแต่ละอาคารบนแผนที่ได้ (เท่าที่เปิดดูทั้งกรุงเทพฯและเชียงใหม่มีอาคารแต่ละอาคารทั้งสองเมือง แต่เมืองเล็กๆยังไม่มี) นอกจากนี้ยังมีบ้านเลขที่ของทุกอาคารในกรุงเทพฯอีกด้วย ทำให้สามารถค้นหาเส้นทางการเดินทางจากจุดเริ่มต้นไปยังบ้านเลขที่ใดๆได้ (น่าแปลกใจเหมือนกันว่าเอาบ้านเลขที่ทุกบ้านมาจากไหน?)

แผนที่ของ Here ซึ่งมีบ้านเลขที่ระบุทุกอาคาร
แผนที่ของ Here ซึ่งมีบ้านเลขที่ระบุทุกอาคาร

สำหรับข้อมูลการจราจรนั้น Here ดูเหมือนจะละเอียดกว่า Google อีก จากการดูแถวๆสี่พระยาพบว่า Here มีข้อมูลจราจรในหลายๆถนนขณะที่ Google ยังไม่มี อย่างไรก็ดีข้อมูลจราจรในถนนพระรามสี่ใน Google Map มีข้อมูลถึง 4 เลนในขณะที่ Here มีเพียงแค่ 2 เลน

แผนที่จราจรของ Here บริเวณสี่พระยา
แผนที่จราจรของ Here บริเวณสี่พระยา
แผนที่จราจรของ Google บริเวณสี่พระยา
แผนที่จราจรของ Google บริเวณสี่พระยา

การจัดวางเส้นสีจราจรของ Google Map และ Here นั้นก็มีกลยุทธแตกต่างกัน โดย Here จะเอาเส้นสีจราจรวางไว้ที่ขอบถนน ในขณะที่ Google Map จะเอาไว้ที่กลางถนน

แผนที่จราจรของ Here วางเส้นสีไว้ที่ขอบถนน
แผนที่จราจรของ Here วางเส้นสีไว้ที่ขอบถนน
แผนที่จราจรของ Google วางเส้นสีไว้ที่กลางถนน
แผนที่จราจรของ Google วางเส้นสีไว้ที่กลางถนน

โดยสรุปแล้ว ข้อมูลที่มีความละเอียดสูงยังเป็นที่ต้องการและการออกแบบลักษณะแผนที่ยังมีการแข่งขันกันอย่างต่อเนื่อง แนวโน้มต่อไปน่าจะอยู่ที่ความแม่นยำของข้อมูลที่ขึ้นอยู่กับเทคนิควิธีการนำข้อมูลมา และความสามารถในการหาข้อมูลละเอียดสูง ส่วนการออกแบบนั้นหากใครพลาดออกแบบมาแล้วผู้ใช้ไม่ชอบก็อาจสูญเสียลูกค้าไปได้เหมือนกัน

Categories
ITS

Traffy

ถ้าพูดถึงการรายงานข้อมูลจราจรทางเว็บไซต์แล้ว ทุกคนคงนึกถึง Google Traffic
แต่ช่วงนี้ มีเว็บรายงานข้อมูลจราจรของกรุงเทพฯหลายอันด้วยกัน และเว็บหนึ่งที่เป็นที่นิยมและกล่าวถึงพอสมควรก็คือ Longdomap (http://traffic.longdo.com/)
เว็บไซต์ต่างๆที่รายงานข้อมูลจราจร มักจะนำข้อมูลมาจากผู้ให้บริการข้อมูล ซึ่งจะให้บริการในรูปแบบของ Application Programming Interface (API) ซึ่งพูดง่ายๆก็คือ เราต้องเขียนโปรแกรมเข้าไปขอข้อมูลจากผู้บริการข้อมูล ซึ่งจะให้บริการข้อมูลกลับมาด้วยระบบมาตรฐานที่เราต้องการ

วันนี้ไปเปิดเจอเว็บ Traffy โครงการประเมินและรายงานสภาพจราจร ของเนคเทค สวทช เป็นเว็บที่ให้บริการข้อมูลจราจรในกรุงเทพฯฟรี
เว็บนี้เท่าที่ดูตอนนี้ให้บริการ API เท่านั้น ส่วนการให้บริการทางเว็บไซต์ยังไม่ได้พัฒนาไปมากนัก แต่สามารถเข้าดูข้อมูลจากเว็บที่นำ API ไปพัฒนาต่อ
ส่วนที่น่าสนใจในเว็บ
1. API บริการข้อมูลเกี่ยวกับจราจร ให้สามารถนำข้อมูลไปพัฒนา application ต่อ ตัวอย่างเช่น http://www.voicetv.co.th/traffic สามารถดูตัวอย่างทั้งหมดได้ที่ http://info.traffy.in.th/2012/01/09/traffy-in-website/
2. Traffy Social Eyes หรือ เครือข่ายตาจราจร ให้หน่วยงานต่างๆเข้าร่วมโครงการ เพื่อสนับสนุนกล้อง และสนับสนุนการติดตั้งกล้องที่อาคารที่สามารถมองเห็นถนนได้
3. บริการข้อมูลฟรีในเว็บและผ่าน api ซึ่งประกอบด้วย
– ภาพจากกล้อง cctv ตอนนี้ที่เปิดอยู่มีเพียง 3 กล้องให้เข้าดูข้อมูลย้อนหลัง
– แผนที่รถติดจากป้ายจราจรอัจฉริยะ โดยแสดงเป็นบริเวณๆ
– ข่าวการจราจรจาก twitter รายงานเป็นตัวหนังสือ
4. Publications ของโครงการ

คหสต.คิดว่า Traffy ยังอยู่ในช่วงพัฒนา ข้อมูลยังไม่ค่อยมีมากนัก อย่างเช่นกล้อง เท่าที่เห็นจากเว็บ voice tv ยังไม่ไม่ครอบคลุมนัก
ส่วนเว็บไซต์ น่าจะมีแผนที่เหมือนเว็บจราจรเว็บอื่น (หรือว่าเว็บอาจจะตั้งใจให้บริการ API อย่างเดียว ??)
แต่ Longdo map มีข้อมูลครบถ้วนกว่า จากการค้นคว้าอีกนิดพบว่า ข้อมูลนำมาจากมูลนิธิศูนย์ข้อมูลจราจรอัจฉริยะไทย http://www.iticfoundation.org/ ซึ่งยังไม่มีบริการ api และคาดว่า ต้องจ่ายเงินเพื่อนำข้อมูลมาใช้พิฒนาต่อ

สรุปแล้ว Traffy เป็นอะไรที่น่าสนใจมาก แต่ถ้ามีข้อมูลเยอะเหมือนของมูลนิธิศูนย์ข้อมูลจราจรอัจฉริยะไทย จะดีมาก

Categories
Demand Management and study Traffic Modeling and Visualisation

คนชอบเรียกแท๊กซี่ที่ไหน? แล้วคนชอบให้แท๊กซี่ไปส่งที่ไหน?

บางครั้งเราต้องเข้าคิวยาวเพื่อเรียกแท๊กซี่ แต่บางครั้งเราไม่ต้องแย่งกับใคร แต่ไม่มีแท๊กซี่วิ่งมาเลย!

ในวีดีโอนี้  David A. King, Graduate School of Architecture, Planning and Preservation at Columbia University and Jonathan R. Peters, College of Staten Island นำข้อมูลมากจาก GPS ซึ่งติดอยู่ในรถแท๊กซี่ มาแสดง
แสดงให้เห็นความแตกต่างระหว่างจำนวนจุดเริ่มต้น และจำนวนจุดสิ้นสุด ของแต่ละบริเวณใน New York
ความสูงและความสว่าง แสดงถึงปริมาณรถแท๊กซี่ในแต่บริเวณ และสี แสดงให้เห็นปริมาณความแตกต่างระหว่างจุดเริ่มต้น และจุดสิ้นสุด
สมมติว่าบริเวณหนึ่ง มีคนเรียกแท๊กซี่มากกว่าคนลงจากแท๊กซี่ บริเวณนั้นก็จะแสดงด้วยสีแดง ในทางตรงข้าม ถ้าบริเวณนั้นมีคนลงจากแท๊กซี่มากกว่าคนขึ้นแท๊กซี่ บริเวณนั้นก็จะเป็นสีน้ำเงิน
แต่ถ้าทั้งคนขึ้นและลงจากแท๊กซี่พอๆกัน บริเวณนั้นก็จะเป็นสีขาว

Categories
Traffic Modeling and Visualisation

ทดสอบ Interactive Wall Map

ทดสอบ Wall map แสดงว่าบริเวณไหนมีรถติด และ line graph แสดงความสัมพันธ์ของค่าความเร็วระหว่างถนน

Categories
Traffic Modeling and Visualisation

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

Categories
Public Transport Traffic Modeling and Visualisation

นักวิจัยศึกษารถติดโดยใช้ข้อมูล GPS บนรถแท๊กซี่

นักวิจัยศึกษารถติดโดยใช้ข้อมูล GPS บนรถแท๊กซี่

นักวิจัยของ Microsoft Research Asia ทำการศึกษารถติดในเมืองปักกิ่งโดยใช้ข้อมูลที่เก็บจาก GPS บนรถแท็กซี่ 33,000 คันเป็นเวลา 2 ปี (2009 และ 2010)

การวิจับรถติดจากข้อมูล GPS ไม่ใช่ว่าจะเป็นเรื่องใหม่นัก มีหลายเมืองพยายามศึกษากันอยู่ ตัวอย่างของการศึกษา GPS สามารถดูได้จาก:
http://casualdata.com/senseofpatterns/
http://vimeo.com/19034766

แต่อย่างไรก็ดี งานวิจัยนี้มีความน่าสนใจกว่างานวิจัยอื่นๆ

ปกติแล้ว ตาม sense ของเรา บริเวณที่มีปัญหาน่าจะแสดงออกมาจากความเร็วที่ช้าลงเมื่อรถผ่านเข้าไปในบริเวณที่รถติด ซึ่งสามารถติดตามได้จากข้อมูล GPS แต่งานวิจัยนี้ หาบริเวณที่เกิดรถติดจาก’เส้นทางเดินรถ’

นักวิจัยได้ตั้งข้อสมมติฐานที่ว่า รถจะใช้ทางอ้อมแทนทางที่สั้นที่สุดเพื่อหลีกเลี่ยงรถติด เพราะฉะนั้นถึงแม้ว่ารถจะไม่ได้วิ่งช้าลง เราก็ยังสามารถ identify บริเวณที่เกิดปัญหาได้ โดยดูจากระยะทางที่เพิ่มขึ้นมาจากการอ้อมไปทางอื่น

สิ่งที่น่าสนใจอีกอย่างหนึ่งคือบรืเวณที่เกิดรถติดจริงๆแล้วอาจไม่ใช่บริเวณที่เป็นปัญหาก็ได้ อย่างเช่น รถอาจจะวิ่งไปบริเวณ 1 กับบริเวณ 2 เพื่อจะไปบริเวณที่ 3 ถ้าเราก็ปัญหาโดยการขยายทางระหว่างบริเวณ 1 กับ 2 อาจจะไม่ช่วบแก้ปัญหาเท่ากับการทำทางตรงจาก 1 ไป 3 เลย

นักวิจัยยังได้ทำการประเมินผลระบบที่ได้พัฒนาขึ้นมา พบว่า เมื่อทำการแก้ไขตามที่ระบบแนะนำแล้ว ปัญหารถติดลดลงอย่างมาก และได้แนะนำให้ประเทศที่มีปริมาณแท็กซี่มากนำระบบนี้ไปใช้

ตามข่าว กรุงเทพฯมีปริมาณTaxiมากเป็นอันดับ 2 ของโลก เป็นไปได้ว่าจะสามารถนำระบบนี้มาใช้แก้ปัญหารถติดได้ อย่างไรก็ดี หากไม่มีเงินมาติดตั้ง GPS ในปริมาณมากเพึยงพอ ก็ไม่สามารถจะนำระบบดังกล่าวมาใช้ได้อยู่ดี!

(ย่่อมาจาก: http://www.technologyreview.com/printer_friendly_article.aspx?id=38679)

Categories
Traffic Modeling and Visualisation

Chromaroma: the oyster card game

เกม Chromaroma เป็นแนวคิดหนึ่งที่ดึงให้คนเข้ามา share ข้อมูลการเดินทางของตัวเองเพื่อใช้ในการศึกษาการเดินทางของคนในเมือง
หลักการของเกมนี้คือการใช้ Oyster card ซึ่งเป็นบัตรที่ใช้ในการเดินทางใน London
เมื่อมีการใช้ oyster card ระบบจะทำการบันทึกข้อมูลการเดินทางไว้ ผู้ใช้สามารถเข้าดูประวัติการเดินทางผ่านระบบ 3D visualization

เกมนี้ยังเป็น version beta จึงยังไม่มีรายละเอียดมากนัก
http://www.chromaroma.com/

Categories
Bicycle related

London Cycle Hire Dock Status Map

ลอนดอนเริ่มมีโครงการให้เช่าจักรยานในเมืองเมื่อเดือน กรกฎาคม 2010 ทุกๆ 300 เมตรโดยประมาณจะมีสถานีจอดจักรยานไว้บริการบุคคลทั่วไป โดยจะต้องสมัครสมาชิกและจ่ายค่าบริการในการใช้ (รายละเอียดสามารถดูได้ที่ www.tfl.gov.uk/barclayscyclehire)

แผนที่ตาม link ด้านล่างถูกพัฒนาโดย Oliver G O’Brien, University College London แสดงสถานะของสถานีจอดจักรยานแต่ละสถานี ซึ่งกระจายอยู่ทั่วเมืองลอนดอน แผนที่แสดงจำนวนจักรยานที่มีอยู่ในสถานีหนึ่งๆด้วยวงกลมที่อยุ่ ณ ตำแหน่งของสถานีนั้นๆ โดยสีของวงกลมแสดงสัดส่วนของจักรยานที่เหลืออยู่ และขนาดของวงกลมแสดงจำนวนที่จอดจักรยานที่ให้บริการ

แผนที่มีการ update ตลอด และยังมีการแสดงแผนที่แบบ animation ซึ่งแสดงข้อมูลในช่วง 48 ชั่วโมงที่ผ่านมา

http://oobrien.com/vis/bikes/

Categories
Traffic Modeling and Visualisation

Lisbon traffic visualization

Traffic in Lisbon – emphasis on sluggish areas from Pedro M Cruz on Vimeo.

Categories
conference and forum

Road Traffic Prediction Contest

IEEE ICDM Contest: Road Traffic Prediction for Intelligent GPS Navigation

Prizes worth $5,000 or more

http://tunedit.org/challenge/IEEE-ICDM-2010