Chulalongkorn University Theses and Dissertations (Chula ETD)

Other Title (Parallel Title in Other Language of ETD)

Spatial-Temporal Traffic Prediction Using Accident Embedding and Deep Neural Networks

Year (A.D.)


Document Type


First Advisor

พีรพล เวทีกูล


Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Department (if any)

Department of Computer Engineering (ภาควิชาวิศวกรรมคอมพิวเตอร์)

Degree Name


Degree Level


Degree Discipline





ระบบขนส่งและจราจรอัจฉริยะ (Intelligent Transportation System, ITS) นั้น มีความสำคัญเป็นอย่างมากต่อการดำรงชีวิตในปัจจุบัน และเมื่อไม่นานมานี้ เริ่มมีการนำการเรียนรู้เชิงลึก (Deep Learning) มาใช้ในการทำนายข้อมูลจราจรเพื่อช่วยให้มีความแม่นยำมากยิ่งขึ้น อย่างไรก็ตาม ปัญหาสำคัญของการทำนายข้อมูลจราจรในเครือข่ายขนาดใหญ่คือการทำนายล่วงหน้าในหลาย ๆ ช่วงเวลา และทำนายในตำแหน่งที่แตกต่างกัน นอกจากนี้สำหรับการจราจรแล้ว อุบัติเหตุที่เกิดขึ้นนั้นจะส่งผลกระทบต่อการจราจรเสมอ การเรียนรู้ถึงผลกระทบที่เกิดขึ้นของอุบัติเหตุจะช่วยให้การทำนายข้อมูลจราจรมีความแม่นยำขึ้น งานวิจัยนี้ จึงนำเสนอนิวรอลเน็ตเวิร์กที่เรียนรู้ความสัมพันธ์ในเชิงพื้นที่และเวลาของข้อมูลจราจร โดยใช้นิวรอลเน็ตเวิร์คแบบคอนโวลูชัน (Convolutional Neural Network, CNN) ร่วมกับหน่วยความจำระยะสั้นแบบยาว (Long Short-Term Memory, LSTM) เพื่อให้สามารถเรียนรู้และทำนายข้อมูลจราจรได้แม่นยำยิ่งขึ้น อีกทั้งยังมีการนำตัวเข้ารหัสอัตโนมัติ (Autoencoder) มาเรียนรู้ข้อมูลอุบัติเหตุ เพื่อให้สามารถเรียนรู้ถึงผลกระทบที่เกิดขึ้นในช่วงที่เกิดอุบัติเหตุไปพร้อม ๆ กันได้

Other Abstract (Other language abstract of ETD)

Nowadays, the Intelligent Transportation System (ITS) is extremely important. Recently, many studies attempt to predict traffic using deep learning approach. The problem is challenging due to various non-linear temporal, different location and difficulty for longer-step ahead prediction. Both spatial and temporal dependencies provide significant implications for traffic prediction. Hence, we propose a combination of deep learning method architectures which consist of Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) to analyze spatial and temporal features and predict traffic speed in multiple steps. In addition, while most of the previously proposed techniques focus on rush-hour, unexpected accidents that affect local traffic were not considered in these works. To improve the prediction, we employ an autoencoder to learn accident embedding input to detect unexpected accidents and their effects with minimizing the prediction error.



To view the content in your browser, please download Adobe Reader or, alternately,
you may Download the file to your hard drive.

NOTE: The latest versions of Adobe Reader do not support viewing PDF files within Firefox on Mac OS and if you are using a modern (Intel) Mac, there is no official plugin for viewing PDF files within the browser window.