แบบจำลองการดึงดูดการเดินทางโดยใช้ข้อมูลเครือข่ายสังคมออนไลน์และการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการดึงดูดการเดินทางโดยใช้ข้อมูลเครือข่ายสังคมออนไลน์ โดยงานวิจัยนี้ใช้ข้อมูลการเดินทางเข้าสู่พื้นที่อุทยานแห่งชาติเป็นกรณีศึกษา ทำการพัฒนาแบบจำลองโดยใช้วิธีการเรียนรู้เชิงลึก และเปรียบเทียบกับการวิเคราะห์ด้วยวิธีวิเคราะห์ความถดถอยและวิธีโครงข่ายประสาทเทียม ผลการวิจัยพบว่า ข้อมูลจากการเช็คอินสามารถนำมาสร้างแบบจำลองการดึงดูดการเดินทางได้ เมื่อเปรียบเทียบแบบจำลองทั้งสามแบบพบว่า แบบจำลองที่ได้จากวิธีการเรียนรู้เชิงลึกให้ความถูกต้องในการพยากรณ์สูงที่สุด โดยให้ค่าเฉลี่ยเปอร์เซ็นต์ของความคลาดเคลื่อนสัมบูรณ์เท่ากับ43.99 ทั้งนี้ค่าที่ได้ต่ำกว่าวิธีวิเคราะห์ความถดถอยเชิงเส้นและวิธีโครงข่ายประสาทเทียมซึ่งมีค่าเท่ากับ 386.48 และ 88.97 ตามลำดับ ทั้งนี้การพัฒนาแบบจำลองโดยใช้ข้อมูลเครือข่ายสังคมออนไลน์จะช่วยลดค่าใช้จ่ายในการสำรวจข้อมูลลงได้อย่างมาก
Article Details
เอกสารอ้างอิง
Hasan, S., Zhan, X. and Ukkusuri., S.V. (2013). Understanding Urban Human Activity and Mobility Patterns Using Large-Scale Location-based Data from Online Social Media. 2nd ACM SIGKDD international workshop on urban computing, 11 August 2013 at Chicago, Illinois, USA, 1-8.
Hu, W.N. and Jin, P.J. (2015). Dynamic Trip Attraction Estimation with Location Based Social Network Data Balancing between Time of Day Variations and Zonal Differences. International Workshop on Spatiotemporal Computing, 13–15 July 2015 at Fairfax, Virginia, USA, 193-198.
Ke, J., Zheng H., Yang, H., and Chen, X. (2017). Short-Term Forecasting of Passenger Demand under On-Demand Ride Services: A Spatio-Temporal Deep Learning Approach. Transportation Research Part C, 85, 591-608.
Liu, L. and Chen, R-C. (2017). A Novel Passenger Flow Prediction Model Using Deep Learning Methods. Transportation Research Part C : Emerging Technologies, 84, 74-91.
Lomlek, P. and Yongcharoen, W. (2014). Application of Neural Network for the Performance Prediction of Absorption Chiller. Journal of Energy Research, 11(2), 67-78. (in Thai)
Maghrebi, M., Abbasi, A., Rashidi, T.H., and Waller, S.T. (2015). Complementing Travel Diary Surveys with Twitter Data: Application of Text Mining Techniques on Activity Location, Type and Time. 2015 IEEE 18th International Conference on Intelligent Transportation Systems, 15-18 September 2015 at Las Palmas, Gran Canaria, Spain, 208-213.
Sangarun, T. and Sangarun, A. (2015). Classification Techniques of Affecting Factor on Resigning of Hotel’s Employee by Artificial Neural Network. Southeast Bangkok Journal, 1(2), 96-112. (in Thai)
Yang, F., Jin, P.J., Cheng, Y., and Ran, B. (2015). Origin-Destination Estimation for Non Commuting Trips Using Location-Based Social Networking Data. International Journal of Sustainable Transportation, 9(8), 551-564.
