บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองคาดการณ์พื้นที่เสี่ยงต่อการเกิดอุบัติเหตุทางถนนในเขตกรุงเทพมหานคร โดยใช้เทคนิคแมชชีนเลิร์นนิงและดีปเลิร์นนิงกับข้อมูลเหตุอุบัติเหตุจากสำนักงานตำรวจแห่งชาติ ระหว่างปี พ.ศ. 2563–2567 รวมกว่า 70,000 เหตุการณ์ การวิเคราะห์ประกอบด้วย (1) การวิเคราะห์เชิงพรรณนาและเชิงพื้นที่ เพื่อระบุปัจจัยที่มีอิทธิพลต่อการเกิดอุบัติเหตุ และ (2) การสร้างแบบจำลองคาดการณ์ด้วยอัลกอริทึม Random Forest, XGBoost และ Logistic Regression โดยใช้ตัวแปรด้านเวลา พื้นที่ ประชากร และสภาพแวดล้อม ผลการศึกษา พบว่าช่วงเวลา 00.00–06.00 น. เป็นช่วงเสี่ยงสูงสุด กลุ่มเสี่ยงหลักคือ ผู้ขับขี่รถจักรยานยนต์อายุ 20–25 ปี และพื้นที่เสี่ยงสูง ได้แก่ เขตลาดกระบัง บางขุนเทียน ประเวศ ดอนเมือง และมีนบุรี ปัจจัยเชิงพื้นที่ที่มีอิทธิพลสูง ได้แก่ ความหนาแน่นของจุดสนใจ (POI) เช่น โรงเรียน ร้านสะดวกซื้อ และทางแยก แบบจำลอง Random Forest ให้ค่า ROC-AUC = 0.76 และ Balanced Accuracy = 0.72 แสดงถึงความสามารถในการจำแนกพื้นที่เสี่ยงได้อย่างมีประสิทธิภาพ ข้อเสนอเชิงนโยบาย ได้แก่ การจัดตั้ง “เขตปลอดภัยทางถนน (Road Safety Zones)” รอบสถานศึกษาและจุดชุมชน การเพิ่มระบบไฟส่องสว่างและป้ายเตือนในพื้นที่เสี่ยง การสร้างระบบเฝ้าระวังอุบัติเหตุแบบเรียลไทม์ และการจัดตั้งคณะกรรมการข้อมูลอุบัติเหตุระดับชาติ เพื่อยกระดับความปลอดภัยทางถนนของประเทศไทย
บทคัดย่อ
This research aims to develop predictive models to identify road traffic accident risk
zones in Bangkok using Machine Learning and Deep Learning techniques. Accident
data from the Royal Thai Police (2020–2024) comprising over 70,000 cases were
analyzed through descriptive and predictive modeling approaches.
Random Forest, XGBoost, and Logistic Regression algorithms were employed with
temporal, spatial, demographic, and environmental variables. The results indicate
that the midnight to early morning period (00:00–06:00) posed the highest risk,
with motorcycle riders aged 20–25 years being the most vulnerable group. High-risk
districts included Lat Krabang, Bang Khun Thian, Prawet, Don Mueang, and Min
Buri, often located in outer Bangkok areas with complex road networks and logistics
routes.
The Random Forest model achieved the best predictive performance (ROC-AUC =
0.76, Balanced Accuracy = 0.72). Spatial analysis further revealed high–high clusters
of fatal crashes around major intersections, schools, and convenience stores.
Policy recommendations include establishing Road Safety Zones, improving street
lighting and traffic signage, developing a real-time crash risk monitoring system,
and creating a National Crash Data Committee to integrate road safety data across
agencies.
