បញ្ហា (The Problem)៖ ការរៀបចំផែនការគន្លងផ្លូវ និងការព្យាករណ៍ទីតាំងនាពេលអនាគតជួបប្រទះនឹងបញ្ហាប្រឈមក្នុងការស្វែងយល់ពីទំនាក់ទំនងនៃចម្ងាយឆ្ងាយ និងលក្ខណៈស្មុគស្មាញនៃចរាចរណ៍ទីក្រុង ដើម្បីកាត់បន្ថយការកកស្ទះ និងបង្កើនប្រសិទ្ធភាពសេវាកម្មយានយន្តអគ្គិសនី និងស្វ័យប្រវត្តិ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតក្របខ័ណ្ឌបណ្ដាញសរសៃប្រសាទប្រភេទ STTFFN ដែលរួមបញ្ចូលទិន្នន័យទីតាំង សង្គម និងពេលវេលា ដើម្បីកែលម្អការព្យាករណ៍ទិសដៅដោយជោគជ័យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| STTFFN (Proposed Model) បណ្ដាញសរសៃប្រសាទ STTFFN ផ្អែកលើ Spatial-temporal transformer |
មានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកទំនាក់ទំនងទីតាំង និងពេលវេលាបានល្អទាំងចម្ងាយជិតនិងឆ្ងាយ។ ការរួមបញ្ចូលទិន្នន័យ POI ពីបណ្តាញសង្គមធ្វើឱ្យការព្យាករណ៍កាន់តែច្បាស់ និងឆ្លាតវៃ។ | ទាមទារទិន្នន័យប្រវត្តិធ្វើដំណើរដ៏ធំ និងថាមពលកុំព្យូទ័រខ្ពស់ (GPU) ក្នុងការបង្វឹកគំរូ។ | មានកំហុសចម្ងាយ (EDS) ទាបបំផុត៖ ត្រឹមតែ ១,៩០ គ.ម (Porto) និង ១,៣០ គ.ម (Manhattan)។ |
| ST-GCN បណ្តាញ Spatio-Temporal Graph Convolutional Networks |
ពឹងផ្អែកលើសមាសភាគទីតាំងនិងពេលវេលាដោយប្រើទម្ងន់ក្រាហ្វ (graph weights) ដែលជួយរក្សាភាពបន្តបន្ទាប់នៃទិន្នន័យស៊េរីពេលវេលាបានល្អ។ | មិនបានរួមបញ្ចូលទិន្នន័យអាកប្បកិរិយាអ្នកបើកបរ និងចំណុចគោលដៅទីតាំង (POI) លម្អិតដូចវិធីសាស្ត្រ STTFFN ឡើយ។ | កំហុសចម្ងាយ (EDS): ២,៦៧ គ.ម (Porto) និង ២,០០ គ.ម (Manhattan) ដែលខ្ពស់ជាងគំរូដែលបានស្នើ។ |
| LSTM (BOC+W2V) បណ្តាញ Long-Short-Term Memory រួមបញ្ចូលជាមួយ BOC និង Word2Vec |
ដំណើរការបានល្អដោយប្រើប្រាស់ទិន្នន័យស៊េរីពេលវេលា និងអាចប្រើបច្ចេកទេស Word2Vec ដើម្បីតំណាងឱ្យទីតាំងបានល្អបង្គួរ។ | មានកម្រិតក្នុងការចាប់យកទំនាក់ទំនងទីតាំងនៅតំបន់ឆ្ងាយៗ (Long-range spatial dependencies) បើធៀបនឹងការប្រើប្រាស់ Transformer។ | កំហុសចម្ងាយ (EDS): ២,៨៨ គ.ម (Porto) និង ២,០៨៨ គ.ម (Manhattan)។ |
| ARIMA គំរូ Autoregressive Integrated Moving Average |
មានប្រសិទ្ធភាពសម្រាប់ការព្យាករណ៍ទិន្នន័យស៊េរីពេលវេលា (time series) ជាមូលដ្ឋាន និងងាយស្រួលក្នុងការអនុវត្តដោយមិនចាំបាច់ប្រើធនធានកុំព្យូទ័រធំ។ | មិនមានសមត្ថភាពចាប់យកទំនាក់ទំនងស្មុគស្មាញនៃលំហទីតាំង (Spatial) និងកត្តាខាងក្រៅដូចជាសកម្មភាពសង្គមបានទេ។ | ដំណើរការខ្សោយជាងគេ ដោយមានកំហុសចម្ងាយ (EDS) ៦,២២ គ.ម (Porto) និង ៥,៣៨ គ.ម (Manhattan)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រ និងផ្នែករឹងកម្រិតខ្ពស់សម្រាប់ការបង្វឹកគំរូ Deep Learning ព្រមទាំងសំណុំទិន្នន័យទីតាំងនិងគន្លងផ្លូវក្នុងទំហំដ៏ធំ។
ការសិក្សានេះពឹងផ្អែកទាំងស្រុងលើទិន្នន័យតាក់ស៊ីពីទីក្រុង Porto នៃប្រទេសព័រទុយហ្គាល់ និង Manhattan នៃសហរដ្ឋអាមេរិក ដែលជាទីក្រុងមានរចនាសម្ព័ន្ធផ្លូវខ្វែង និងលំហូរចរាចរណ៍មានសណ្តាប់ធ្នាប់។ សម្រាប់ប្រទេសកម្ពុជា លំហូរចរាចរណ៍មានភាពចម្រុះ និងស្មុគស្មាញជាង (ដោយមានម៉ូតូ កង់បី និងការកកស្ទះមិនតាមស្តង់ដារ) ដូច្នេះការព្យាករណ៍ដោយយកគំរូដើមមកអនុវត្តផ្ទាល់អាចនឹងមានភាពលម្អៀង ហើយតម្រូវឱ្យមានការកែសម្រួលនិងបង្វឹកឡើងវិញជាមួយទិន្នន័យចរាចរណ៍ក្នុងស្រុកជាមុនសិន។
ថ្វីត្បិតតែមានភាពខុសគ្នានៃប្រព័ន្ធចរាចរណ៍ ប៉ុន្តែវិធីសាស្ត្រ Deep Learning នេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអភិវឌ្ឍប្រព័ន្ធដឹកជញ្ជូនឆ្លាតវៃនៅទីក្រុងធំៗរបស់កម្ពុជា។
ការអនុវត្តបច្ចេកវិទ្យានេះនឹងជួយពន្លឿនការផ្លាស់ប្តូរទៅជាទីក្រុងឆ្លាតវៃ (Smart City) នៅកម្ពុជា តាមរយៈការធ្វើឱ្យប្រសើរឡើងនូវការរៀបចំផែនការហេដ្ឋារចនាសម្ព័ន្ធ និងប្រព័ន្ធដឹកជញ្ជូន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Spatial-Temporal Trajectory | ដំណើរនៃទីតាំងបន្តបន្ទាប់គ្នារបស់យានយន្តឬវត្ថុ ដែលត្រូវបានរៀបចំតាមលំដាប់លំដោយពេលវេលាក្នុងលំហភូមិសាស្ត្រ ដោយបង្ហាញពីកន្លែងដែលវត្ថុនោះបានទៅ និងម៉ោងដែលវាទៅដល់។ | ដូចជាការគូសខ្សែបន្ទាត់តាមដានជើងក្មេងរត់លេងក្នុងសួនច្បារ ដោយកត់ត្រាទាំងកន្លែង និងម៉ោងដែលគេរត់ដល់ជាក់លាក់។ |
| Feed-Forward Neural Network (FFN) | ជាទម្រង់នៃបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលទិន្នន័យធ្វើដំណើរតែទៅមុខ (ពី input ទៅ output) ដោយមិនមានការត្រឡប់ក្រោយ ដែលក្នុងឯកសារនេះវាជួយគណនារកទំនាក់ទំនងនៃទីតាំងនៅចម្ងាយឆ្ងាយ។ | ប្រៀបដូចជាខ្សែសង្វាក់ផលិតកម្មរោងចក្រ ដែលវត្ថុធាតុដើមត្រូវបញ្ជូនទៅមុខជារហូតពីផ្នែកមួយទៅផ្នែកមួយទៀតរហូតចេញជាផលិតផលសម្រេច មិនមានការបញ្ជូនថយក្រោយឡើយ។ |
| Skip-gram model | ជាបច្ចេកទេសមួយនៃម៉ូដែល Word2Vec (ម៉ូដែលរៀនពាក្យ) ដែលក្នុងបរិបទនេះ ត្រូវបានប្រើដើម្បីស្វែងយល់ពីទំនាក់ទំនងនៃតំបន់ជិតៗគ្នា ដោយប្រើប្រាស់ទីតាំងកណ្តាលដើម្បីទស្សន៍ទាយទីតាំងដែលនៅជុំវិញវា។ | ដូចជាពេលយើងឃើញអគារមន្ទីរពេទ្យមួយ យើងអាចទាយបានថាជុំវិញនោះប្រហែលជាមានឱសថស្ថាន ឬគ្លីនិកក្បែរៗនោះ។ |
| Location-Based Social Networks (LBSN) | ជាបណ្តាញសង្គមដែលភ្ជាប់ជាមួយទីតាំងភូមិសាស្ត្រ (ដូចជា Foursquare) ដែលអនុញ្ញាតឱ្យប្រព័ន្ធប្រមូលទិន្នន័យអំពីប្រភេទសកម្មភាពនានា ដើម្បីស្វែងយល់ពីអត្ថន័យនៃទីតាំងនីមួយៗ និងទម្លាប់អ្នកធ្វើដំណើរ។ | ដូចជាមុខងារ Check-in លើ Facebook ដែលប្រាប់គេឯងថាអ្នកកំពុងញ៉ាំកាហ្វេនៅទីតាំងណាមួយ ជួយឱ្យប្រព័ន្ធដឹងពីប្រភេទនៃកន្លែងនោះ។ |
| Point of Interest (POI) | ចំណុចទីតាំងជាក់លាក់នៅលើផែនទីដែលមានអត្ថន័យនិងសារៈសំខាន់ ដូចជា សាលារៀន មន្ទីរពេទ្យ ភោជនីយដ្ឋាន ជាដើម ដែលជួយឱ្យប្រព័ន្ធកុំព្យូទ័រយល់ពីគោលបំណងនៃការធ្វើដំណើររបស់អ្នកដំណើរ។ | ដូចជាស្លាកសញ្ញាសម្គាល់កន្លែងសំខាន់ៗនៅលើ Google Maps ដែលប្រាប់យើងថានេះជាហាងកាហ្វេ ឬជាស្ថានីយ៍ប្រេងឥន្ធនៈ។ |
| Haversine distance | ជារូបមន្តគណិតវិទ្យាប្រើសម្រាប់វាស់ចម្ងាយផ្ទាល់រវាងចំណុចពីរនៅលើផែនដី ដោយគិតបញ្ចូលនូវភាពកោងនៃផែនដី (តាមរយៈបណ្តោយនិងទទឹង) ជំនួសឱ្យការវាស់ជាបន្ទាត់ត្រង់លើប្លង់រាបស្មើ ដែលទីនេះប្រើសម្រាប់វាស់កំហុសក្នុងការទស្សន៍ទាយទីតាំង។ | ដូចជាការវាស់ចម្ងាយដោយយកខ្សែទៅវាស់ផ្ទាល់នៅលើកូនលោកីយ៍មូល ជំនួសឱ្យការវាស់លើផែនទីក្រដាសរាបស្មើដែលមិនសុក្រឹត។ |
| Map Decomposition | បច្ចេកទេសបែងចែកផែនទីទីក្រុងទាំងមូលទៅជាក្រឡាចត្រង្គតូចៗ (Grid cells) ជាច្រើន ដើម្បីងាយស្រួលក្នុងការវិភាគ និងដំណើរការទិន្នន័យទំហំធំនៃទីតាំងយានយន្ត។ | ដូចជាការគូសបន្ទាត់ក្រឡាអុកនៅលើផែនទីទីក្រុង ដើម្បីងាយស្រួលចំណាំថាកន្លែងណាស្ថិតនៅជួរណា។ |
| Geographical Zone Embedding | ការបំប្លែងព័ត៌មានលក្ខណៈភូមិសាស្ត្រ និងទម្លាប់នៃការធ្វើដំណើរក្នុងតំបន់មួយ ទៅជាទម្រង់វ៉ិចទ័រលេខ (Vector representations) ដែលម៉ូដែលកុំព្យូទ័រអាចអានយល់ និងប្រើប្រាស់ដើម្បីគណនាភាពស្រដៀងគ្នានៃតំបន់នានា។ | ដូចជាការប្រែក្លាយព័ត៌មានលម្អិតរបស់សង្កាត់នីមួយៗ (មានផ្សារ មានសាលា) ទៅជាលេខកូដសម្គាល់ខ្លីៗដើម្បីឱ្យកុំព្យូទ័រងាយស្រួលប្រៀបធៀប។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
