จำไม่ได้ว่าเคยคุยกับคิมหรือเปล่า มีคนเอาไปทำแล้ว
ถ้าจำไม่ผิดเราเคยมีไอเดียคร่าวๆว่าน่าจะใช้ markov chain ทำนายสภาพจราจรบนเน็ตเวิร์ค ณ เวลาต่างๆกันได้
paper นี้ เขาใช้ discrete time markov chain หา estimated route's travel time บนทางด่วนได้
ถ้าลองอ่านดูจะพบว่าไอเดียดีครับ ทำไม่ยาก น่าจะทำเพิ่มเติมได้อีก
Note: ไอเดียต่างกับเรานิดหน่อยที่เราต้องการทำนายทั้งเน็ตเวิร์ค ไม่ใช่แค่ corridor
ตรงนี้ของเขาแบ่งทางด่วนช่วงหนึ่งออกเป็น 6 links
แต่ละ link ให้มี state ได้คือ 0 กับ 1 คือ รถว่าง (non-congested) กับ รถติด (congested)
ดังนั้น สภาพของถนนทั้งหมดที่เป็นไปได้ ณ ขณะใดๆจะมีได้ 2^6 = ุ64 states
แต่ในความเป็นจริงเค้าเก็บข้อมูล 4 เดือน แล้วแบ่ง transition matrix ตามช่วงเวลาอีก คือความจริง เช่น ช่วง peak เย็น อาจมีสภาพจริง ไม่ vary ถึง 64 states แต่จะสลับไปมา 20 กว่า states จากนั้นก็เก็บข้อมูลจริง แล้วหา (one-step) transition matrix จากนั้นก็เอา matrix นั้นมาหาค่าเฉลี่ยของเวลาในการเดินทางได้ครับ โดยเขาให้ 1 step = 1 min นอกจากนี้ยังเอา ข้อมูล flow rate มาคิด โดยใช้ flow-travel time curve โดยใส่ค่า flow หา travel time (fit curve) แล้วโยนเข้าเป็น travel time โดยแบ่งเป็น congested กับ non-congested
โดยรวมแล้ว idea ดีมากครับ แต่ความเห็นส่วนตัวว่าframeworkมันยังไม่ unified เท่าไหร่ เหมือนตัดๆต่อๆ เช่น eq.(6) ถ้ามีวิธีทำให้มันดีกว่านี้ก็จะดี
แล้วก็ travel time มันอาจจะยังไม่ dynamics นะ เพราะว่าเอา travel time ณ ตรงเวลานั้นมาคิดเลย แต่จริงๆ กว่าจะไปถึง link ปลายๆ เวลามันก็เปลียนไปแล้ว อันนี้เหมือนเอา travel time ณ เวลาใดเวลาหนึงมาต่อๆกัน (อาจไม่ใช่ก็ได้ ต้องอ่านละเอียดอีกที) แต่ยังไงก็ตาม เจ้าของผลงานก็ claim ว่า ค่าเฉลี่ย ของ travel time ที่ได้มีความใกล้เคียงกับสภาพจริง เมื่อทดสอบทางสถิติแล้ว (Note: ค่าเฉลี่ยมันก็คือภาพรวมๆ ความจริงมันน่าจะมีตัววัดอื่นๆด้วย) และสังเกตว่า ระยะทาง 7-8 ไมล์ วิ่งใช้เวลาประมาณ 7-8 นาที (ประมาณ 1 mile/นาที = 60 ไมล์/ชม) สภาพรถน่าจะไม่ติดมาก แล้วมันchallenge ยังไง???? ถ้าลองมาทำกับ urban network น่าจะท้าทายดีแต่คงมีปัญหาที่ต้องขบคิดมากกว่าแน่ๆ ลงท้ายเค้าบอกว่ามันยังมีโอกาสคิดเพิ่มเติมพวก ก่อสร้างทาง (work zone) หรือ พวก incidents ต่างๆได้
กระทู้นี้โม้ยาวเหมือนกันแฮะ จบดีกว่า
ถ้าจำไม่ผิดเราเคยมีไอเดียคร่าวๆว่าน่าจะใช้ markov chain ทำนายสภาพจราจรบนเน็ตเวิร์ค ณ เวลาต่างๆกันได้
paper นี้ เขาใช้ discrete time markov chain หา estimated route's travel time บนทางด่วนได้
ถ้าลองอ่านดูจะพบว่าไอเดียดีครับ ทำไม่ยาก น่าจะทำเพิ่มเติมได้อีก
Note: ไอเดียต่างกับเรานิดหน่อยที่เราต้องการทำนายทั้งเน็ตเวิร์ค ไม่ใช่แค่ corridor
ตรงนี้ของเขาแบ่งทางด่วนช่วงหนึ่งออกเป็น 6 links
แต่ละ link ให้มี state ได้คือ 0 กับ 1 คือ รถว่าง (non-congested) กับ รถติด (congested)
ดังนั้น สภาพของถนนทั้งหมดที่เป็นไปได้ ณ ขณะใดๆจะมีได้ 2^6 = ุ64 states
แต่ในความเป็นจริงเค้าเก็บข้อมูล 4 เดือน แล้วแบ่ง transition matrix ตามช่วงเวลาอีก คือความจริง เช่น ช่วง peak เย็น อาจมีสภาพจริง ไม่ vary ถึง 64 states แต่จะสลับไปมา 20 กว่า states จากนั้นก็เก็บข้อมูลจริง แล้วหา (one-step) transition matrix จากนั้นก็เอา matrix นั้นมาหาค่าเฉลี่ยของเวลาในการเดินทางได้ครับ โดยเขาให้ 1 step = 1 min นอกจากนี้ยังเอา ข้อมูล flow rate มาคิด โดยใช้ flow-travel time curve โดยใส่ค่า flow หา travel time (fit curve) แล้วโยนเข้าเป็น travel time โดยแบ่งเป็น congested กับ non-congested
โดยรวมแล้ว idea ดีมากครับ แต่ความเห็นส่วนตัวว่าframeworkมันยังไม่ unified เท่าไหร่ เหมือนตัดๆต่อๆ เช่น eq.(6) ถ้ามีวิธีทำให้มันดีกว่านี้ก็จะดี
แล้วก็ travel time มันอาจจะยังไม่ dynamics นะ เพราะว่าเอา travel time ณ ตรงเวลานั้นมาคิดเลย แต่จริงๆ กว่าจะไปถึง link ปลายๆ เวลามันก็เปลียนไปแล้ว อันนี้เหมือนเอา travel time ณ เวลาใดเวลาหนึงมาต่อๆกัน (อาจไม่ใช่ก็ได้ ต้องอ่านละเอียดอีกที) แต่ยังไงก็ตาม เจ้าของผลงานก็ claim ว่า ค่าเฉลี่ย ของ travel time ที่ได้มีความใกล้เคียงกับสภาพจริง เมื่อทดสอบทางสถิติแล้ว (Note: ค่าเฉลี่ยมันก็คือภาพรวมๆ ความจริงมันน่าจะมีตัววัดอื่นๆด้วย) และสังเกตว่า ระยะทาง 7-8 ไมล์ วิ่งใช้เวลาประมาณ 7-8 นาที (ประมาณ 1 mile/นาที = 60 ไมล์/ชม) สภาพรถน่าจะไม่ติดมาก แล้วมันchallenge ยังไง???? ถ้าลองมาทำกับ urban network น่าจะท้าทายดีแต่คงมีปัญหาที่ต้องขบคิดมากกว่าแน่ๆ ลงท้ายเค้าบอกว่ามันยังมีโอกาสคิดเพิ่มเติมพวก ก่อสร้างทาง (work zone) หรือ พวก incidents ต่างๆได้
กระทู้นี้โม้ยาวเหมือนกันแฮะ จบดีกว่า
No comments:
Post a Comment