Performance Comparison of the Road Occurrence Accidents Prediction Models using Time Series Techniques

Main Article Content

ปทิตญา บุญรักษา
จารี ทองคำ

Abstract

            The purposes of the research were to study and comparison of effective models for forecasting number of road accidents. The data were collected from January 2010 to December 2016 at Khon Kaen province. Five techniques were used including Linear regression (LR), Artificial Neural Network (ANN), Sequential Minimal Optimization for Regression (SMOreg), Support Vector Machine Regression (SVR) and Gussian Process (GP). The Sliding Window method was utilized to segment data into learning and testing sets. The predictive efficiency of the models were measured by Mean Absolute Error (MAE) and Root Mean Square Error (RMSE).


            The research finding showed that SVM techniques is effective in predicting the number of road accident victims. This is the lowest error value when compared with LR, ANN, SMOreg and Gussian Process models.

Downloads

Download data is not yet available.

Article Details

How to Cite
บุญรักษาป., & ทองคำจ. (2018). Performance Comparison of the Road Occurrence Accidents Prediction Models using Time Series Techniques. Journal of Information Technology Management and Innovation, 4(2), 39-46. Retrieved from https://ph02.tci-thaijo.org/index.php/itm-journal/article/view/115315
Section
บทความวิจัย

References

[1] ศูนย์ข้อมูลอุบัติเหตุ. (2560). รายงานสถิติการใช้สิทธิ พรบ. รายจังหวัด. สืบค้นเมื่อ 23 กันยายน 2560, จาก https://rvpreport.rvpeservice.com/viewrsc.aspx?report=0486&session=16
[2] ศูนย์วิจัยอุบัติเหตุแห่งประเทศไทย. (2552). การพัฒนาแบบจำลองการเกิดอุบัติเหตุ. สืบค้นเมื่อ 26 กันยายน 2560, จาก
https://bhs.doh.go.th/files/Project/TACR/Accident%20Prediction%20Model_th.pdf
[3] วราพร งามสุข. (2555 ). การพยากรณ์อนุกรมเวลาโดยการเปรียบเทียบวิธีแบบฉบับและวิธีบอกซ์-เจนกินส์ กรณีศึกษาจำนวนการเกิดอุบัติเหตุในประเทศไทย (ภาควิชาคณิตศาสตร์ คณะ
วิทยาศาสตร์), มหาวิทยาลัยบูรพา.
[4] ธนาวุฒิ ประกอบผล. (2552). โครงข่ายประสาทเทียม Artificial Neural Networks (Vol. 12).
[5] Chih-Chung Chang และand Chih-Jen Lin. (April 2011 ). A Library for Support Vector Machines (LibSVM). ACM Transactions on Intelligent Systems and Technology
(TIST), 2(3).
[6] Sven F. Crone และRohit Dhawan. (2007). Forecasting Seasonal Time Series with Neural Networks: A Sensitivity Analysis of Architecture Parameters. IEEE Trans.Neural
Networks(IJCNN), 2099-2104.
[7] Amine Bermark Sofiane Brahim-Belhouari. (2004). Gaussian process for nonstationary time series prediction. Computational Statics & Data Analysis 47(47), 705-712.
[8] C. E. Rasmussen and C. K. I. Williams. (2006). Gaussian processes for machine learning. Cambridge, Mass.: MIT Press.
[9] ทัศนัย พลอยสุวรรณ และธนวันต์ ยลพัธน์. (2556). การพยากรณ์ค่าความต้องการใช้ไฟฟ้าสูงสุดของการไฟฟ้าฝ่ายผลิตแห่งประเทศไทยโดยกระบวนการเกาส์เซี่ยน. การประชุมและนำเสนอ
ผลงานวิชาการทางวิศวกรรมไฟฟ้า ครั้งที่ 36.
[10] พงษ์เทพ วิวรรณธนะเดช และคณะแพทย์ศาสตร์. (2550). การวิเคราะห์อนุกรมเวลา(Time Series Analysis)และระบบสารสนเทศทางภูมิศาสตร์(GIS)ในการพัฒนาองค์ความรู้ด้านสิ่ง
แวดล้อมและสุขภาพ. ศูนย์ประสานข้อมูลปัญหาหมอกควันในพื้นที่ภาคเหนือภาควิชาเวชศาตร์ชุมชน คณะแพทย์ศาตร์ มหาวิทยาลัยเชียงใหม่, pp.1-35.
[11] Adaptavist Theme. (2560). Time Series Analysis and Forecasting with Weka. Retrieved 23 September 2017, from
https://wiki.pentaho.com/display/DATAMINING/Time+Series+Analysis+and+Forecasting+with+Weka
[12] Mustaffa Z Zainal NA. (2016). Developing a gold price predictive analysis using Grey Wolf Optimizer. IEEE Student Conference on Research and Development 2016.
[13] Jin-Fang Yang; Yong-Jie Zhai; Da-Ping Xu. (2007). SMO Algorithm Applied in Time Series Model Building and Forecast. Pu Han 2007 International Conference on
Machine Learning and Cybernetics, 4, 2395 – 2400.