กรอบแนวคิดการเรียนรู้ของเครื่องแบบอธิบายได้ สำหรับการวิเคราะห์ความรุนแรงของอุบัติเหตุทางถนนช่วงเทศกาล

สุกานดา นาคลำภา; ชัชชญา ศรีนวลขำ; ศศิประภา หิริโอตป์

ผู้แต่ง

สุกานดา นาคลำภา นักศึกษาระดับปริญญาตรี ภาควิชาสถิติ คณะวิทยาศาสตร์ มหาวิทยาลัยศิลปากร
ชัชชญา ศรีนวลขำ นักศึกษาระดับปริญญาตรี ภาควิชาสถิติ คณะวิทยาศาสตร์ มหาวิทยาลัยศิลปากร
ศศิประภา หิริโอตป์ ผู้ช่วยศาสตราจารย์ ภาควิชาสถิติ คณะวิทยาศาสตร์ มหาวิทยาลัยศิลปากร

คำสำคัญ:

ความรุนแรงของอุบัติเหตุทางถนน, กรอบแนวคิดการเรียนรู้ของเครื่องแบบอธิบายได้, เทคนิค SMOTE, การวิเคราะห์ SHAP, ปัจจัยเสี่ยงอุบัติเหตุ

บทคัดย่อ

อุบัติเหตุทางถนนที่รุนแรงมักเป็นปัญหาสำคัญที่ก่อให้เกิดความสูญเสียต่อชีวิตและทรัพย์สิน โดยเฉพาะอย่างยิ่งในช่วงเทศกาลสงกรานต์ซึ่งมีปริมาณการจราจรที่หนาแน่น และมีปัจจัยแวดล้อมอื่น ๆ ที่ต่างจากช่วงเวลาปกติ งานวิจัยนี้จึงมุ่งเน้นการวิเคราะห์ระดับความรุนแรงของปัญหาดังกล่าวผ่านข้อมูลอุบัติเหตุของกระทรวงคมนาคม (พ.ศ. 2564–2567) โดยนำเสนอกรอบแนวคิดการเรียนรู้ของเครื่องแบบอธิบายได้ (Explainable Machine Learning) เพื่อยกระดับการพยากรณ์ความรุนแรงของอุบัติเหตุให้มีความโปร่งใสและนำไปใช้ประโยชน์ได้จริง คณะผู้วิจัยได้ใช้เทคนิค SMOTE เพื่อแก้ปัญหาความไม่สมดุลของข้อมูล และเปรียบเทียบประสิทธิภาพระหว่างแบบจำลอง แรนดอมฟอเรสต์ (Random Forest) ซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine: SVM) และการถดถอยลอจิสติก (Logistic Regression) ผลการศึกษาพบว่าแบบจำลอง Random Forest ให้ประสิทธิภาพการทำนายภาพรวมดีที่สุด (Accuracy = 0.711± 0.006, AUC = 0.706 ± 0.025) ขณะที่ SVM มีความแม่นยำสูงในการระบุเหตุการณ์ความรุนแรงระดับสูง (Sensitivity = 0.701 ± 0.033) นอกจากนี้ การวิเคราะห์ด้วย SHAP (SHapley Additive exPlanations) ยังแสดงให้เห็นว่าการมีรถจักรยานยนต์เกี่ยวข้อง จำนวนยานพาหนะ และการชนที่เกิดจากความประมาทของตนเอง เป็นปัจจัยวิกฤตที่ส่งผลต่อความรุนแรง องค์ความรู้นี้ช่วยให้หน่วยงานที่เกี่ยวข้องเข้าใจสาเหตุเชิงลึกและสามารถกำหนดมาตรการความปลอดภัยเชิงรุกเพื่อลดอุบัติเหตุในช่วงเทศกาลได้อย่างยั่งยืน

เอกสารอ้างอิง

ศูนย์อำนวยการความปลอดภัยทางถนน, “สถิติอุบัติเหตุทางถนนช่วงเทศกาลสงกรานต์ พ.ศ. 2568,” [Online]. Available: https://roadsafety.disaster .go.th/roadsafety/download?id=7091. [วันที่เข้าถึง 17 เมษายน 2568].

ธิดา ธรรมรักษา, บุบผา ลาภทว, และ อมรพล กันเลิศ, “ปัจจัยที่เกี่ยวข้องกับความรุนแรงของการบาดเจ็บในผู้ประสบอุบัติเหตุจราจร ในหอผู้ป่วย,” วารสารโรงพยาบาลธรรมศาสตร์เฉลิมพระเกียรติ., pp. 13-25, 2559.

พรรณี สุรินทชัย, “การเกิดอุบัติเหตุจราจรและปัจจัยที่มีความสัมพันธ์กับระดับความรุนแรงของการบาดเจ็บในเขตอำเภอเมือง จังหวัดพะเยา,” รายงานวิจัย, กลุ่มการพยาบาล โรงพยาบาลพะเยา, พะเยา, 2557, pp. 3–14.

J. S. Madushani, R. K. Sandamal, D. Meddage, H. Pasindu, and P. I. Ayantha Gomes, “Evaluating expressway traffic crash severity by using logistic regression and explainable & supervised machine learning classifiers,” Transportation Engineering., vol. 13, p. 100190, 2022.

R. Yu and M. Abdel-Aty, “Utilizing support vector machine in real-time crash risk evaluation,” Accident Analysis & Prevention., vol. 51, no. 0001-4575, pp. 252-259, 2012.

B. Leo, “Random forests,” Machine Learning., vol. 45, pp. 5-32, 2001.

Q. Zhang, “Deep learning-based surrogate model for flight load analysis,” กรกฎาคม 2564. [Online]. Available: https://www.researchgate .net/figure/The-random-forest-The-data-set-is-divided-into-100-subsets-by-bootstrap-sampling-and_fig4_353520134 [Accessed 19 August 2025].

V. N. Vapnik, The Nature of Statistical Learning Theory, New York: Springer, 1995.

T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning, 2nd ed., New York: Springer, 2009.

รัสรินทร์ เมธาเฉลิมพัฒน์, “การประยุกต์ใช้ Machine Learning กับงานในภาคอุตสาหกรรม,” [ออนไลน์]. แหล่งที่มา: https://www.nectec .or.th/news/news-public-document/machine-learning-manufact-1.html. [วันที่เข้าถึง 19 สิงหาคม 2568].

กาญจน์เขจร ชูชีพ, "การถดถอยโลจีสติก (Logistic Regression)," in Remote Sensing Technical Note No. 5. Faculty of Forestry, Kasetsart University, 2561.

D. W. Hosmer Jr., S. Lemeshow, and R. X. Sturdivant, Applied Logistic Regression, 3rd ed., Hoboken, NJ: John Wiley & Sons, 2013.

P. Gatchalee, “Confusion Matrix เครื่องมือสำคัญในการประเมินผลลัพธ์ของการทำนาย ในMachine learning,” [ออนไลน์]. แหล่งที่มา: https://medium.com/@pagongatchalee/confusion-matrix-เครื่องมือสำคัญในการประเมินผลลัพธ์ของการทำนาย-ในmachine-learning-fba6e3f9508c. [วันที่เข้าถึง 19 สิงหาคม 2568].

S. M. Lundberg and S. I. Lee, “A unified approach to interpreting model predictions,” in Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, 2017.

อุบัติเหตุบนโครงข่ายถนนของกระทรวงคมนาคม, “MOT Data Catalog,” [ออนไลน์]. แหล่งที่มา: https://datagov.mot.go.th/dataset/roadaccident. [วันที่เข้าถึง 19 สิงหาคม 2568].

W. G. Cochran, Sampling Techniques, 3rd ed., New York, NY: John Wiley & Sons, 1977.

R. Kohavi, “A study of cross-validation and bootstrap for accuracy estimation and model selection,” in Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI), New York, 1995.

N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: synthetic minority over-sampling technique,” Journal of Artificial Intelligence Research., vol. 16, pp. 321–357, 2002.

G. Louppe, L. Wehenkel, A. Sutera, and P. Geurts, “Understanding variable importances in forests of randomized trees,” in Proceedings of the 26th International Conference on Neural Information Processing Systems (NIPS), 2013.

J. Demšar, “Statistical comparisons of classifiers over multiple data sets,” Journal of Machine Learning Research., vol. 7, pp. 1-30, 2006.

S. Holm, “A simple sequentially rejective multiple test procedure,” Scandinavian Journal of Statistics., vol. 6, no. 2, pp. 65-70, 1979.