การวิเคราะห์ปัจจัยที่มีอิทธิพลต่ออุบัติเหตุจราจรปี พ.ศ. 2565 ด้วยเทคนิคเหมืองข้อมูลกฎความสัมพันธ์

Analysis of Factors Influencing Traffic Accidents in 2022: A Data Mining Approach Using Apriori Algorithm

Abstract

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  This study investigates the factors influencing traffic accidents in 2022 by employing the Apriori Algorithm, a data mining technique. The aim is to understand the fundamental reasons behind accidents, thereby enhancing road safety measures. The research utilizes a dataset pertaining to traffic accidents in 2022, encompassing 20,033 records and six variables. These variables, including scene characteristics, presumptive causes, driver behavior, weather conditions, and vehicle characteristics, are crucial for predicting significant factors contributing to traffic accidents. The findings reveal patterns and relationships among these variables. Notably, the first association rule indicates a frequency of 6,461 instances, identifying rollovers and falls off straight roads as the primary cause. The second association rule, with a frequency of 4,998 occurrences, links rollovers and falls from straight roads to clear visibility. The third association rule, with a frequency of 5,192 instances, associate’s accidents with speeding, resulting in rollovers and falls off straight roads under clear visibility. The average confidence value is 94% (Conf. = 0.94), suggesting that most accidents are due to negligence and excessive speeding. These insights can be presented to policymakers, demonstrating the effectiveness of data mining techniques in extracting valuable information from large and complex datasets. The knowledge derived from this research can inform decision-making processes aimed at establishing policies to mitigate the root causes of traffic accidents.