การ พยากรณ์ระยะเวลาการเดินทางด้วยวิธีการเรียนรู้ของเครื่อง โดยใช้ข้อมูลจากพาหนะ และโทรศัพท์มือถือในจังหวัดกรุงเทพมหานคร
คำสำคัญ:
การพยากรณ์, ระยะเวลาการเดินทาง, วิธีการเรียนรู้ของเครื่อง, ข้อมูลจากพาหนะ และโทรศัพท์มือถือบทคัดย่อ
การขนส่งไปยังลูกค้าปลายทาง (Last mile delivery) ถือเป็นหนึ่งในกระบวนการขนส่งสินค้าที่สำคัญ ที่ครอบคลุมต้นทุนกว่าร้อยละ 75 ของห่วงโซ่อุปทาน อย่างไรก็ดี การขนส่งในกระบวนการดังกล่าวกลับมีประสิทธิภาพที่ค่อนข้างต่ำ อันเป็นผลเนื่องจากความไม่แน่นอนของระยะเวลาการเดินทางที่แปรเปลี่ยนไประหว่างวัน เพื่อเพิ่มประสิทธิภาพของกระบวนการดังกล่าว ผู้วิจัยจึงได้ทำการพัฒนาต้นแบบการพยากรณ์ระยะเวลาการเดินทางระหว่างจุดด้วยวิธีการเรียนรู้ของเครื่อง โดยอาศัยข้อมูลตำแหน่งพาหนะ และโทรศัพท์มือถือของรถแท็กซี่ ที่เก็บโดยมูลนิธิศูนย์ข้อมูลจราจรอัจฉริยะไทย (iTic) เป็นกรณีศึกษา ทั้งนี้ ผู้วิจัยได้ทำการจำกัดของเขตของการศึกษา โดยคัดเลือกเฉพาะข้อมูลของรถแท็กซี่ที่กำลังรับส่งผู้โดยสาร ที่มีพิกัดอยู่ภายในบริเวณกรุงเทพมหานครจำนวน (4.8 ล้าน) ข้อมูล ไปสร้างต้นแบบการพยากรณ์ด้วยวิธีการเรียนรู้ของเครื่อง ผ่านอัลกอริทึมแบบต่าง ๆ โดยใช้วิธี k-fold cross validation ในการแบ่งข้อมูลเพื่อลดปัญหา overfitting ผู้วิจัยพบว่า ต้นแบบที่มีประสิทธิภาพสูงสุด คือ ต้นแบบที่พัฒนาขึ้นจากอัลกอริทึม XGBoost ซึ่งมีค่า RMSE อยู่ที่ 163.3069 และใช้เวลาในการสร้างต้นแบบเพียง 14.51 วินาที อย่างไรก็ดี ต้นแบบที่พัฒนาขึ้นด้วยอัลกอริทึม LightGBM และ CatBoost ก็มีแนวโน้มที่ดีในการนำไปพัฒนาต่อ เนื่องจากให้ค่า RMSE และใช้เวลาในการสร้างต้นแบบที่ค่อนข้างค่อนข้างต่ำ
เอกสารอ้างอิง
F. Li, Z-P. Fan, B-B. Cao and X. Li, “Logistics service mode selection for last mile delivery: an analysis method considering customer utility and delivery service cost,” Sustainability., vol. 13, no. 1, p. 284, 2021.
R. Gevaers, E. Van de Voorde and T. Vanelslander, “Characteristics of innovations in last-mile logistics-using best practices, case studies and making the link with green and sustainable logistics,” Association for European Transport and contributors., pp. 1-21, 2009.
K. K. Boyer, A. M. Prud'homme and W. Chung, “The last mile challenge: evaluating the effects of customer density and delivery window patterns,” Journal of business logistics., vol. 30, no. 1, pp. 185-201, 2009.
J. D. Cortes and Y. Suzuki, “Last-mile delivery efficiency: en route transloading in the parcel delivery industry,” International Journal of Production Research., pp. 1-18, 2021.
MARKETINGOOPS!, “3 กลยุทธ์ ‘ธุรกิจขนส่งพัสดุ’ รับมือสงครามราคา ปริมาณส่ง 4 ล้านชิ้นต่อวัน มูลค่า 6.6 หมื่นล้าน,” [ออนไลน์]. แหล่งที่มา:
https://www.marketingoops.com/reports/industry-insight/transport-and-logistics-strategy-2020/. [วันที่เข้าถึง 11 พฤษภาคม 2564].
Y. Geng, E. Liu, R. Wang and Y. Liu, “Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time,” in 2021 IEEE International Conference on Communications Workshops (ICC Workshops), 2021.
N. Frohner, M. Horn and G. R. Raidl, “Route duration prediction in a stochastic and dynamic vehicle routing problem with short delivery deadlines,” Procedia Computer Science., vol. 180, pp. 366-370, 2021.
TomTom, “TomTom Traffic Index ranking 2020,” [ออนไลน์]. แหล่งที่มา: https://www.tomtom.com/en_gb/traffic-index/ranking/. [วันที่เข้าถึง 11 พฤษภาคม 2564].
G. Yu and Y. Yang, “Dynamic routing with real-time traffic information,” Operational Research., vol. 19, no. 4, pp. 1033-1058, 2019.
S. Parinya, “Developing applications for vehicle routing problems with real time data acquisition,” International Journal of Simulation - Systems, Science & Technology., vol. 20, no. 2, pp. 1-6, 2019.
Hadiyanto, W. Budi, Maryono, E. Subowo, E. Sediyono and Farikhin, “Ant Colony Algorithm for Determining Dynamic Travel Routes Based on Traffic Information from Twitter,” in The 4th International Conference on Energy, Environment, Epidemiology and Information System (ICENIS 2019), 2019.
L. Huang and L. Xu, “Research on Taxi Travel Time Prediction Based on GBDT Machine Learning Method,” in 2018 Eighth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC), 2018.
B. Deb, S. R. Khan, K. T. Hasan, A. H. Khan and M. A. Alam, “Travel Time Prediction using Machine Learning and Weather Impact on Traffic Conditions,” in 2019 IEEE 5th International Conference for Convergence in Technology (I2CT), 2019.
D. Lin, W. Tsao, C. Yu, H. Liu and Y. Chang, “The Travel Time Prediction by Machine Learning Methods with Traffic Data in Chiayi City, Taiwan,” in 4th International Conference on Electromechanical Control Technology and Transportation (ICECTT), 2019.
M. Mohri, A. Rostamizadeh and A. Talwalkar, Foundations of machine learning, MIT press, 2018.
T. Dietterich, “Overfitting and undercomputing in machine learning,” ACM computing surveys (CSUR)., vol. 27, no. 3, pp. 326-327, 1995.
J. D. Rodriguez, A. Perez and J. A. Lozano, “Sensitivity analysis of k-fold cross validation in prediction error estimation,” IEEE transactions on pattern analysis and machine intelligence., vol. 32, no. 3, pp. 569-575, 2009.
S. Oh, Y.-J. Byon, K. Jang and H. Yeo, “Short-term travel-time prediction on highway: a review of the data-driven approach,” Transport Reviews., vol. 35, no. 1, pp. 4-32, 2015.
B. Qiu and W. Fan, “Travel time forecasting on a freeway corridor: a dynamic information fusion model based on the random forests approach,” Smart and Resilient Transportation., vol. 3, no. 2, pp. 131-148, 2021.
J. W. C. Lint, “Reliable real-time framework for short-term freeway travel time prediction,” Journal of Transportation Engineering., vol. 132, 2006.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
