การวิเคราะห์ปัจจัยที่มีอิทธิพลต่ออุบัติเหตุจราจรปี พ.ศ. 2565 ด้วยเทคนิคเหมืองข้อมูลกฎความสัมพันธ์

Main Article Content

Prajak Chertchom

บทคัดย่อ

          งานวิจัยนี้ศึกษาปัจจัยที่ส่งผลต่ออุบัติเหตุจราจรในปี พ.ศ. 2565 โดยใช้เทคนิคการทำเหมืองข้อมูลอัลกอริทึมอพริโอริ (Apriori Algorithm)  เพื่อการทำความเข้าใจสาเหตุที่แท้จริงของอุบัติเหตุ การศึกษานี้ใช้ชุดข้อมูลที่เกี่ยวข้องกับอุบัติเหตุจราจรจำนวน 20,033 แถว (Rows) ประกอบไปด้วย 6 ตัวแปร (Attributes)  สำหรับการทำนายปัจจัยสำคัญที่ทำให้เกิดอุบัติเหตุจราจร ได้แก่ ลักษณะทางที่เกิดเหตุ มูลเหตุสันนิษฐาน พฤติกรรมของผู้ขับขี่ สภาพอากาศและคุณลักษณะของยานพาหนะ  การค้นพบเผยให้เห็นรูปแบบและความสัมพันธ์ระหว่างตัวแปร ได้แก่ กฎความสัมพันธ์ที่หนึ่งเท่ากับ 6,461 ครั้งเกิดจากยานหนะพลิกคว่ำและตกถนนในถนนเส้นทางตรง กฎความสัมพันธ์ที่สองเท่ากับ 4,998 ครั้ง เกิดจากการพลิกคว่ำและตกถนนในถนนเส้นทางตรงและทัศนะวิสัยแจ่มใสและกฎความสัมพันธ์ที่ 3 เท่ากับ 5,192 ครั้ง เกิดจากการขับรถเร็วเกินกำหนด การพลิกคว่ำและตกถนนในเส้นทางตรงและทัศนะวิสัยแจ่มใส โดยค่าความเชื่อมั่นของโมเดลการทำนายเท่ากับ 94 % (Conf. =0.94)) ซึ่งสรุปได้ว่าอุบัติเหตุที่เกิดขึ้นส่วนใหญ่มาจากความประมาทและขับรถเร็วเกินอัตรากฎหมายกำหนด งานวิจัยนี้สามารถนำเสนอต่อผู้กำหนดนโยบายและการใช้เทคนิคการทำเหมืองข้อมูลแสดงให้เห็นถึงประสิทธิภาพในการดึงข้อมูลที่มีค่าจากชุดข้อมูลขนาดใหญ่ นำไปสู่การตัดสินใจเพื่อกำหนดนโยบายลดสาเหตุของอุบัติเหตุจราจร

Article Details

บท
บทความวิจัย

References

รายงานการวิเคราะห์สถานการณ์อุบัติเหตุทางถนนของกระทรวงคมนาคม พ.ศ. 2562. (2562). กรุงเทพฯ: สำนักแผนความปลอดภัย, กลุ่มพัฒนาความปลอดภัย, หน้า 7.

ศูนย์เทคโนโลยีสารสนเทศและการสื่อสาร กระทรวงคมนาคม. (2567). รายงานการวิเคราะห์สถานการณ์ อุบัติเหตุทางถนน. วันที่ค้นข้อมูล 12 มกราคม 2566, เข้าถึงได้จาก https://datagov.mot.go.th/dataset/roadaccident

Abdel-Aty, M. A., & Radwan, A. E. (2000). Modeling traffic accident occurrence and involvement. Accident Analysis & Prevention, 32(5), 633-642.

Aguinis, H., Forcum, L. E., & Joo, H. (2013). Using market basket analysis in management research. Journal of Management, 39(7), 1799-1824.

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2018). CRISP-DM 1.0 Step-by-step data mining guide. Retrieved January 12, 2024, from https://www.the-modeling-agency.com/crisp-dm.pdf

Dongre, J., Prajapati, G. L., & Tokekar, S. V. (2014). The role of Apriori algorithm for finding the association rules in Data mining. In 2014 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT) (pp. 657-660). IEEE.

Elvik, R., Høye, A., Vaa, T., & Sørensen, M. (2009). Assessing the Quality of Evaluation Studies. In The Handbook of Road Safety Measures (pp. 99-115). Emerald Group Publishing Limited.

Han, J., Kamber, M., & Pei, J. (2012). Data mining concepts and techniques (3rd ed.). Burlington, MA.: Morgan Kaufmann Publishers.

Harun, N. A., Makhtar, M., Abd Aziz, A., Zakaria, Z. A., & Syed, F. (2017). The application of Apriori algorithm in predicting flood areas. International Journal on Advanced Science Engineering and Information Technology, 7(3), 763.

Plotnikova, V., Dumas, M., & Milani, F. P. (2022). Applying the CRISP-DM data mining process in the financial services industry: Elicitation of adaptation requirements. Data & Knowledge Engineering, 139, 102013.

Quddus, M. A., Wang, C., & Ison, S. G. (2010). Road traffic congestion and crash severity: econometric analysis using ordered response models. Journal of Transportation Engineering, 136(5), 424-435.

Sucharittham, N. (2021). Customer Sentiment Knowledge Management in Thai Life Insurance. JAIST. Retrieved February 5, 2024, from https://dspace.jaist.ac.jp/

TDRI. (2024). Road accidents biggest health crisis. Retrieved February 1, 2024, from https://tdri.or.th/en/2020/11/road-accidents-biggest-health-crisis/

Tiwari, M., Dixit, R., & Kesharwani, A. (2017). Data Mining Principles, Process Model and Applications. New Delhi, Delhi: Educreation Publishing.

Theofilatos, A., & Yannis, G. (2014). A review of the effect of traffic and weather characteristics on road safety. Accident Analysis & Prevention, 72, 244-256.

Yuan, X. (2017). An improved Apriori algorithm for mining association rules. AIP conference proceedings, 1820(1).