การศึกษาปัจจัยของการเกิดอุบัติเหตุและการพัฒนาระบบการตรวจจับ แจ้งเตือนอุบัติเหตุทางถนนและการตอบสนองทางการแพทย์ที่เกิดจากรถโดยสาร โดยใช้นวัตกรรมกล่องจับสัญญาณ และการเรียนรู้ของเครื่อง
ชื่อผู้แต่งข้างต้นเป็นข้อความจากระเบียนผลงาน ไม่ได้ผูกกับรหัสนักวิจัย จึงกดดูผลงานอื่นของบุคคลนี้ไม่ได้ — ในคลังนี้ 142,080 ผลงาน (63.6% ของทั้งหมด) มีชื่อผู้แต่งที่เชื่อมกับหน้าผู้แต่งได้ และ 60,298 ผลงาน (27.0%) มีผู้แต่งที่ผูกกับรหัสนักวิจัยจริง ส่วนอีก 81,382 ผลงานไม่มีข้อมูลผู้แต่งเลย (มีชื่อผู้แต่งเป็นข้อความอยู่ 142,009 ผลงาน = 63.5%)
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาการหาความสัมพันธ์ของการเกิดอุบัติเหตุในรถโดยสารขนาดใหญ่ในประเทศไทยโดยใช้นวัตกรรมกล่องจับสัญญาณและการเรียนรู้ของเครื่องที่อาจมีความสัมพันธ์กับการเกิดอุบัติเหตุ ทางถนนของรถโดยสารขนาดใหญ่ ผลลัพธ์ที่ได้จากการศึกษานี้จะนำไปต่อยอดสู่การออกมาตรการและในด้านองค์ความรู้ในการพัฒนาขยายผลสู่การผลิตเครื่องมือที่ใช้เพื่อการติดตามและบันทึกข้อมูลตัวแปรที่เกี่ยวข้องกับรถยนต์และถนน เช่น ตำแหน่งของรถ (GPS) ทิศทางของรถ และความเร็วของรถ เพื่อส่งข้อมูลอัตโนมัติแบบ Real-time ไปยัง Database ใน Server ผ่านสัญญาณ Internet และนำข้อมูลมาใช้ประโยชน์เชิงนโยบายในการป้องกันและลดความสูญเสียจากการเกิดอุบัติเหตุทางถนนพบว่า ปัจจัยเสี่ยงที่เพิ่มความน่าจะเป็นของการบาดเจ็บ ได้แก่ การขับรถในตอนเช้า การขับรถผิดทาง การขับรถบนทางลาดชัน การขับรถที่ทางแยก ผู้ขับขี่เผลอหลับใน หรือการขับรถในภาคเหนือของประเทศไทย และการเพิ่มการติดตั้ง sensor ประเภท IMU เข้าไปในเครื่องมือที่ใช้เพื่อการติดตามและบันทึกข้อมูลตัวแปรที่เกี่ยวข้องกับรถโดยสารขนาดใหญ่จะส่งผลให้ข้อมูลที่ได้มีประสิทธิภาพและความน่าเชื่อถือสูงขึ้น โดยการวิเคราะห์โมเดลการเรียนรู้ของเครื่องเพื่อจำลองและประเมินสถานการณ์ความเสี่ยงที่จะเกิดอุบัติเหตุของรถโดยสารโดยใช้ชุดข้อมูลจาก SafeSide Box พบว่าโมเดลการเรียนรู้ของเครื่องประเภท XGBoots สามารถเรียนรู้และประเมินสถานการณ์ความเสี่ยงของรถโดยสารประจำทางเส้นทางกรุงเทพฯไปมุกดาหารได้ดีที่สุดถึง97% ด้วยการใช้หลักการสร้างข้อมูลที่เป็นคุณลักษณะพิเศษจากข้อมูลที่เซนเซอร์ภายใน SafeSide Box บันทึกไว้เป็นเวลาหนึ่งเดือนเพื่อใช้ฝึกสอน และการใช้ค่าเบี่ยงเบนสัมบูรณ์ค่ามัธยฐาน (MAD) และ Elbow Method เพื่อกำหนดเหตุการณ์บนถนนที่ผิดปกติและมีความเสี่ยงสูงต่อการเกิดอุบัติเหตุ นอกจากนี้ด้วยการใช้หลักการสร้างคุณลักษณะพิเศษและการกำหนดเหตุการณ์ที่ผิดปกติดังกล่าวยังสามารถประยุกต์ใช้กับโมเดลการเรียนรู้ของเครื่องประเภทอื่นๆได้เช่นเดียวกัน ไม่ว่าจะเป็นโมเดลประเภท Na?ve Bayes, Support Vector Machine หรือ Artificial Neural Network