បញ្ហា (The Problem)៖ បញ្ហាចម្បងដែលឯកសារនេះដោះស្រាយគឺការកែលម្អភាពត្រឹមត្រូវនៃការទស្សន៍ទាយលំហូរចរាចរណ៍នៅក្នុងប្រព័ន្ធដឹកជញ្ជូនឆ្លាតវៃ (ITS) ដើម្បីឆ្លើយតបទៅនឹងកំណើនយានយន្ត និងការកកស្ទះចរាចរណ៍នៅក្នុងទីក្រុង។ វាពិនិត្យមើលភាពខ្វះចន្លោះនៃវិធីសាស្ត្រស្ថិតិ និងម៉ាស៊ីនរៀន (Machine Learning) បែបប្រពៃណី ដែលមិនអាចចាប់យកគំរូចរាចរណ៍ដ៏ស្មុគស្មាញបាន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការត្រួតពិនិត្យ និងប្រៀបធៀបយ៉ាងស៊ីជម្រៅទៅលើគំរូ Deep Learning ទំនើបៗ ដោយផ្តោតលើស្ថាបត្យកម្មដែលប្រើប្រាស់ទំនាក់ទំនងពេលវេលា-លំហ និងយន្តការចំណាប់អារម្មណ៍។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| ASTMGCNet (State-of-the-Art) គំរូកូនកាត់ប្រើប្រាស់បណ្តាញសរសៃប្រសាទក្រាហ្វ (Dynamic Graph Neural Network) ជាមួយនឹងប្រព័ន្ធចំណាប់អារម្មណ៍ (Attention Mechanism) ទាំងក្នុងលំហ និងពេលវេលា។ |
មានសមត្ថភាពខ្ពស់ក្នុងការធ្វើបច្ចុប្បន្នភាពទំនាក់ទំនងក្រាហ្វ (Adjacency matrix) តាមពេលវេលាជាក់ស្តែង និងចាប់យកលំនាំចរាចរណ៍ចម្រុះបានយ៉ាងល្អ។ | ទាមទារទំហំគណនាធំខ្លាំង (ប៉ារ៉ាម៉ែត្រ 14.2 លាន) និងចំណាយពេលបង្វឹកយូរ (៤.៥ ម៉ោង) ដែលពិបាកក្នុងការដាក់ឱ្យដំណើរការលើឧបករណ៍ខ្នាតតូច (Edge devices)។ | សម្រេចបានកម្រិតលម្អៀងទាបបំផុតដោយមាន RMSE ៤.០៦ និង MAPE ១២.៥៦% នៅលើសំណុំទិន្នន័យ TaxiBJ។ |
| Att-DHSTNet គំរូ Spatio-Temporal Hybrid Network ដែលប្រើប្រាស់ប្រព័ន្ធ Attention សម្រាប់ការទស្សន៍ទាយលំហូរចរាចរណ៍។ |
អាចចាប់យកទំនាក់ទំនងនៃពេលវេលា និងលំហ ព្រមទាំងកត្តាខាងក្រៅ (ដូចជាអាកាសធាតុ) បានយ៉ាងល្អតាមរយៈ Multi-branch architecture។ | នៅមានកម្រិតដោយសារការប្រើប្រាស់ទម្រង់លំហបែប Grid-based ដែលមិនអាចបត់បែនបានល្អដូចការប្រើប្រាស់ក្រាហ្វ (Graph-based) នោះទេ។ | ទទួលបានលទ្ធផលល្អជាមួយនឹង RMSE ១៤.២៨ និង MAPE ១៣.៥៦% នៅលើសំណុំទិន្នន័យ TaxiBJ។ |
| ST-ResNet គំរូប្រើប្រាស់បណ្តាញ Convolutional Neural Network (CNN) ជាមួយនឹងការរៀនបែប Residual (Residual Learning)។ |
ជាគំរូគោល (Baseline) ដ៏រឹងមាំមួយ ដែលអាចទស្សន៍ទាយបានល្អសម្រាប់ទិន្នន័យមានរចនាសម្ព័ន្ធបែបក្រឡាចត្រង្គ (Grid structures)។ | ការបែងចែកពេលវេលាថេរ (Fixed temporal segmentation) ធ្វើឱ្យគំរូនេះពិបាកសម្របខ្លួនទៅនឹងព្រឹត្តិការណ៍ចរាចរណ៍ដែលប្រែប្រួលខុសប្រក្រតី ជាពិសេសនៅម៉ោងកកស្ទះ។ | ទទួលបានកម្រិតលម្អៀង RMSE ១៦.៨៩ និង MAPE ១៥.៣៩% នៅលើសំណុំទិន្នន័យ TaxiBJ។ |
| ARIMA វិធីសាស្ត្រស្ថិតិប្រពៃណី (Traditional Statistical Method) សម្រាប់វិភាគ និងទស្សន៍ទាយទិន្នន័យផ្អែកលើពេលវេលា (Time-series)។ |
ងាយស្រួលក្នុងការបង្កើត និងមិនទាមទារធនធានកុំព្យូទ័រខ្ពស់សម្រាប់ការគណនា។ | មិនអាចចាប់យកទំនាក់ទំនងដ៏ស្មុគស្មាញបែប Spatiotemporal (លំហ និងពេលវេលា) នៃលំហូរចរាចរណ៍ទូទាំងទីក្រុងបានទេ ជាពិសេសការទស្សន៍ទាយរយៈពេលវែង។ | កម្រិតលម្អៀង (Error) កើនឡើងយ៉ាងខ្លាំងរហូតដល់ ៣៣.៥% ខ្ពស់ជាងគំរូ LSTM នៅពេលទស្សន៍ទាយសម្រាប់រយៈពេល ៦០ នាទីទៅមុខ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តគំរូកម្រិតខ្ពស់ទាំងនេះទាមទារថាមពលកុំព្យូទ័រខ្លាំង និងទិន្នន័យចរាចរណ៍ដ៏ធំទូលាយសម្រាប់ការបង្វឹក ដើម្បីទទួលបានលទ្ធផលសុក្រឹត។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីទីក្រុងធំៗ និងទំនើបដូចជា ប៉េកាំង (TaxiBJ) និងញូវយ៉ក (BikeNYC) ដែលមានហេដ្ឋារចនាសម្ព័ន្ធច្បាស់លាស់ និងការបែងចែកគន្លងផ្លូវត្រឹមត្រូវ។ សម្រាប់ប្រទេសកម្ពុជា លំហូរចរាចរណ៍មានភាពចម្រុះច្រើន (មានម៉ូតូ រ៉ឺម៉ក) និងខ្វះឧបករណ៍ចាប់សញ្ញា (Sensors) តាមដងផ្លូវ ដែលអាចធ្វើឱ្យគំរូទាំងនេះធ្លាក់ចុះប្រសិទ្ធភាពពី ៣០-៤០% ប្រសិនបើគ្មានការប្រើប្រាស់បច្ចេកទេស Transfer Learning។
ថ្វីត្បិតតែមានភាពខុសគ្នានៃស្ថានភាពចរាចរណ៍ គំរូទាំងនេះនៅតែមានសក្តានុពលខ្ពស់ក្នុងការជួយដោះស្រាយបញ្ហាកកស្ទះនៅក្នុងប្រទេសកម្ពុជា ប្រសិនបើមានទិន្នន័យគ្រប់គ្រាន់។
ទោះបីជាការប្រមូលទិន្នន័យនៅជាបញ្ហាប្រឈមក៏ដោយ ការចាប់ផ្តើមសាកល្បងគំរូកូនកាត់ (Hybrid Models) ជាមួយនឹងបច្ចេកវិទ្យាទីក្រុងឆ្លាតវៃ នឹងក្លាយជាជំហានផ្លាស់ប្តូរដ៏ធំមួយសម្រាប់ប្រព័ន្ធដឹកជញ្ជូននៅកម្ពុជានាពេលអនាគត។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Spatiotemporal dependencies | ទំនាក់ទំនងដែលពឹងផ្អែកគ្នាទៅវិញទៅមករវាងទីតាំង (លំហ) និងពេលវេលា។ ក្នុងបរិបទចរាចរណ៍ វាមានន័យថាការកកស្ទះនៅផ្លូវមួយនាពេលនេះ នឹងជះឥទ្ធិពលដល់ផ្លូវបន្តបន្ទាប់ ឬតំបន់ក្បែរនោះនៅពេលខាងមុខ។ | ដូចជាការចាក់ទឹកលើដីរាបស្មើ ទឹកហូរដល់ទីតាំងណា (លំហ) និងត្រូវចំណាយពេលប៉ុន្មាន (ពេលវេលា) គឺអាស្រ័យលើគ្នាទៅវិញទៅមក។ |
| Graph Neural Networks (GNNs) | ជាប្រភេទបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលបង្កើតឡើងពិសេសសម្រាប់រៀនពីទិន្នន័យមានទម្រង់ជាក្រាហ្វ (បណ្ដាញ) ដូចជាបណ្ដាញផ្លូវថ្នល់ ដើម្បីស្វែងយល់ពីទំនាក់ទំនងរវាងចំនុចប្រសព្វនីមួយៗនៅក្នុងប្រព័ន្ធដ៏ស្មុគស្មាញ។ | ដូចជាអ្នករៀបចំផែនការទីក្រុងដែលមើលផែនទីផ្លូវថ្នល់ទាំងមូល ហើយអាចដឹងថាបើស្តុបមួយស្ទះ តើស្តុបណាខ្លះទៀតដែលនៅជាប់នោះនឹងរងផលប៉ះពាល់។ |
| Attention Mechanisms | បច្ចេកទេសក្នុង Deep Learning ដែលអនុញ្ញាតឱ្យម៉ូដែល AI ផ្ដោតការយកចិត្តទុកដាក់តែទៅលើផ្នែកសំខាន់ៗបំផុតនៃទិន្នន័យ (ដូចជាម៉ោងមានគ្រោះថ្នាក់ ឬទីតាំងកកស្ទះខ្លាំង) ជាជាងកាត់ក្តីលើទិន្នន័យទាំងអស់ស្មើៗគ្នា។ | ដូចជាពេលយើងកំពុងស្តាប់មិត្តភក្តិនិយាយក្នុងពិធីជប់លៀងដែលមានសំឡេងរំខាន ខួរក្បាលយើងផ្ដោតតែលើសំឡេងមិត្តភក្តិ ហើយបិទសំឡេងរំខានផ្សេងៗចោល។ |
| Adjacency matrix | ម៉ាទ្រីសគណិតវិទ្យាដែលប្រើដើម្បីតំណាងឱ្យទំនាក់ទំនង ឬការតភ្ជាប់រវាងថ្នាំង (nodes) នៅក្នុងក្រាហ្វ។ ក្នុងប្រព័ន្ធចរាចរណ៍ វាជាតារាងទិន្នន័យដែលបង្ហាញថាផ្លូវឬតំបន់ណាខ្លះភ្ជាប់គ្នាដោយផ្ទាល់។ | ដូចជាតារាងបញ្ជីឈ្មោះសិស្សក្នុងថ្នាក់ដែលគូសសញ្ញាធីក (Tick) ក្នុងក្រឡា ដើម្បីបង្ហាញថានរណាអង្គុយជាប់នរណា។ |
| ConvLSTM | ជាម៉ូដែលកូនកាត់ដែលបូកបញ្ចូលគ្នានូវបណ្ដាញ CNN (សម្រាប់ទាញយកលក្ខណៈរូបរាង/លំហ) និង LSTM (សម្រាប់ចងចាំទិន្នន័យតាមបន្តបន្ទាប់នៃពេលវេលា) ដើម្បីព្យាករណ៍ទិន្នន័យវីដេអូ ឬលំហូរចរាចរណ៍។ | ដូចជាអ្នកវិភាគអាកាសធាតុដែលអាចមើលរូបភាពពពក (CNN) ផង និងចងចាំទិសដៅខ្យល់ពីម្សិលមិញ (LSTM) ផង ដើម្បីទស្សន៍ទាយថានឹងមានភ្លៀងនៅកន្លែងណានៅថ្ងៃស្អែក។ |
| Dynamic graph generation | សមត្ថភាពរបស់ម៉ូដែល AI ក្នុងការបង្កើត ឬកែប្រែរចនាសម្ព័ន្ធទំនាក់ទំនងនៃបណ្តាញផ្លូវថ្នល់ដោយស្វ័យប្រវត្តិ និងតាមពេលវេលាជាក់ស្តែង ផ្អែកលើស្ថានភាពចរាចរណ៍ជាក់ស្តែង ជំនួសឱ្យការប្រើប្រាស់បណ្តាញទំនាក់ទំនងថេរ។ | ដូចជាកម្មវិធី Google Maps ដែលអាចប្តូរគំនូសផ្លូវវាងដោយស្វ័យប្រវត្តិភ្លាមៗ នៅពេលដែលវាដឹងថាមានគ្រោះថ្នាក់ចរាចរណ៍បិទផ្លូវនៅខាងមុខ។ |
| Uncertainty Quantification | ដំណើរការនៃការប៉ាន់ស្មាន ឬវាស់វែងកម្រិតនៃភាពមិនច្បាស់លាស់នៅក្នុងលទ្ធផលទស្សន៍ទាយរបស់ម៉ូដែល AI ដើម្បីដឹងថាតើម៉ូដែលនោះមានទំនុកចិត្តប៉ុនណាលើចម្លើយរបស់ខ្លួន មុននឹងយកទៅសម្រេចចិត្តក្នុងកិច្ចការសំខាន់ៗ។ | ដូចជាការព្យាករណ៍អាកាសធាតុដែលប្រាប់ថា 'មានឱកាសភ្លៀង ៨០%' ជំនួសឱ្យការនិយាយតែមួយម៉ាត់ថា 'នឹងមានភ្លៀង' ដើម្បីឱ្យយើងដឹងពីកម្រិតនៃភាពប្រាកដប្រជា។ |
| Root Mean Square Error (RMSE) | រង្វាស់ស្តង់ដារក្នុងផ្នែកស្ថិតិ និង Machine Learning សម្រាប់វាស់កម្រិតលម្អៀងរវាងទិន្នន័យដែលម៉ូដែលទស្សន៍ទាយបាន និងទិន្នន័យពិតជាក់ស្តែង។ តម្លៃកាន់តែទាប មានន័យថាម៉ូដែលទស្សន៍ទាយកាន់តែសុក្រឹត។ | ដូចជាការបាញ់ព្រួញ ការវាស់ចម្ងាយពីចំណុចដែលព្រួញបានបុក ទៅកាន់ចំណុចកណ្តាលនៃផ្ទាំងស៊ីប រួចគណនារកកម្រិតខុសឆ្គងជាមធ្យមនៃព្រួញទាំងអស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
