การพยากรณ์ปริมาณรถยนต์เข้าออกและผลกระทบต่อสภาพการจราจรด่าน ชายแดนไทย-ลาวหลังเปิดประชาคมอาเซียน

Main Article Content

Juangjan Chankrachang
Taweesak Samanchuen

บทคัดย่อ

การเดินทางสัญจรไปมาระหว่างประเทศต่างๆ ในปัจจุบันมีปริมาณมากขึ้น โดยเฉพาะการเดินทางทางบกโดยรถยนต์
เป็นทางเลือกหนึ่งที่สะดวกและง่ายต่อการเดินทางเหมาะสำหรับประเทศที่มีชายแดนติดกัน เมื่อการเดินทางผ่านด่านชายแดนเพิ่มขึ้นความจำเป็นในการพัฒนาโครงสร้างพื้นฐานอาทิเช่น พื้นที่ผิวในการจราจรและช่องทางการจราจรจึงต้องเพิ่มประสิทธิภาพตามไปด้วย ดังนั้นการวางแผนพัฒนาจึงมีความจำเป็นที่จะต้องคาดการณ์ปริมาณรถยนต์ในอนาคต นอกจากนั้นการเปิดประชาคมอาเซียนเป็นอีกปัจจัยหลักปัจจัยหนึ่งที่จะทำให้เกิดการเดินทางไปมาระหว่างประเทศกันง่ายขึ้น ซึ่งจะส่งผลให้เกิดความต้องการเดินทางไปมาระหว่างประเทศเพิ่มขึ้นตามไปด้วย ในงานวิจัยนี้ได้ศึกษาปริมาณรถยนต์เข้าออกของด่านชายแดนไทย-ลาว ผลกระทบที่อาจจะเกิดขึ้นหลังจากการเปิดประชาคมอาเซียนและความสามารถของการรองรับปริมาณรถยนต์ของด่านชายแดนไทย-ลาว โดยวิธีการพยากรณ์ปริมาณรถยนต์ของ งานวิจัยได้ใช้โครงสร้างแบบถดถอยด้วยตัวเองกับข้อมูลป้อนเข้าภายนอกไม่เชิงเส้นพยากรณ์รถยนต์เข้าออกด่านชายแดนมุกดาหารและด่านเชียงของ ผลจากการวิจัยพบว่าค่าสัมประสิทธิ์สหสัมพันธ์มีค่าเป็นบวกถือว่าเป็นสหสัมพันธ์ทางบวก และค่าเฉลี่ยความคลาดเคลื่อนกำลังสองที่ได้มีค่าต่ำถือได้ว่าการพยากรณ์มีความแม่นยำและถูกต้อง ดังนั้นสามารถนำข้อมูลการพยากรณ์ไปใช้เป็นแนวทางในการปรับปรุงพัฒนาด่านชายแดนต่างๆ เพื่อเตรียมความพร้อมในอนาคตและการเปิดประชาคมอาเซียน อีกทั้งไปประยุกต์ใช้กับการศึกษาด่านชายแดนประเทศไทยกับประเทศอื่นๆ ได้

Article Details

How to Cite
Chankrachang, J., & Samanchuen, T. (2016). การพยากรณ์ปริมาณรถยนต์เข้าออกและผลกระทบต่อสภาพการจราจรด่าน ชายแดนไทย-ลาวหลังเปิดประชาคมอาเซียน. วารสารข่ายงานวิศวกรรมอุตสาหการไทย, 2(3), 41–50. สืบค้น จาก https://ph02.tci-thaijo.org/index.php/ienj/article/view/179711
บท
Research and Review Article

References

[1] Office of Transport and Traffic Policy and Planning. Number of Vehicle Registered in Thailand, International Driving License, and Total number of new driving licenses issued for automobiles in Thailand and Laos [Internet]. Bangkok. 2009 [cited 2015 Feb 11]. Available from: https://apps.dlt.go.th/statistics_web/statistics.html
[2] Mukdahan Customs House. Number of vehicles accessing cross-borders at Mukdahan [Internet]. Mukdahan. 2013 [cited 2015 Feb 15]. Available from:https://www.danmuk.org/index.php?lay=
show&ac=article&Id=539339042
[3] Chiang Khong Customs. Number of vehicles accessing cross-borders at Chiang Khong [Internet]. Chiang Rai. 2010 [cited 2015 Feb 15]. Available from: https://www.chiangkhongcustoms.com/index.
php?lay=show&ac=article&Id=53938275&Ntype=6
[4] ASEAN Economic Community. The important goal of AEC [Internet]. Bangkok. 2012 [cited 2015 Feb 20]. Available from:https://www.thai-aec.com
[5] Irigoyen E, Minano G. A NARX neural network model for enhancing cardiovascular rehabilitation therapies. In: Corchado ES, Snasel V, Sedano J, Hassanien AE, Calvo JL, Slezak D, editors. Soft Computing Models in Industrial and Environmental Applications, 6th International Conference SOCO 2011; 2011 Apr 6-8; Salamanca, Spain. Madrid: Springer; 2011. p. 9-15.
[6] Pisoni E, Farina M, Carnevale C, Piroddi L. Forecasting peak air pollution levels using NARX models. Engineering Applications of Artificial Intelligence 2009;22:593-602.
[7] Chen D. Chinese automobile demand prediction based on ARIMA model. In: Ding Y, Peng Y, Shi R, Hao K, Wang L, editor. Biomedical Engineering and Informatics (BMEI); 2011 Oct 15-17; Shanghai. New
Jersey: IEEE; 2011. p. 2197-201.
[8] Jiang C, Song F. Sunspot Forecasting by Using Chaotic Time-series Analysis and NARX Network. J Comput 2011;6:1424-29.
[9] ASEAN-JAPAN Transport Partnership. Total number of registered road motor vehicles [Internet]. Tokyo. 2010 [cited 2015 Feb 20]. Available from:https://www.ajtpweb.org/statistics/compareasean/road_transport
[10] The World Bank. GDP per capita of Thailand and Laos [Internet]. Washington. 2015 [cited 2015 Mar 8]. Available from:https://www.worldbank.org/en/country
[11] Maddala GS, Kim IM. Unit Roots, Cointegration, and Structural Change. Cambridge: Cambridge University Press;1999.
[12] Xie Y, Lord D, Zhang Y. Predicting motor vehicle collisions using Bayesian neural network models: An empirical analysis. Accident Analysis & Prevention 2007;39:9