Page Header

การวิเคราะห์จัดกลุ่มตามลำดับชั้นและแยกประเภทสถานีรถไฟฟ้า กรณีศึกษา สถานีรถไฟฟ้ามหานครสายเฉลิมรัชมงคล
Hierarchical Clustering Analysis and Classification of MRT Stations: A Case Study of the MRT Chaloem Ratchamongkhon Line

Pontakon Onlamai, Ackchai Sirikijpanichkul

Abstract


รถไฟฟ้ามหานคร สายเฉลิมรัชมงคลเป็นระบบขนส่งมวลชนสายหลักที่มีแนวเส้นทางล้อมรอบเขตเมืองชั้นในของกรุงเทพมหานคร ทำหน้าที่เชื่อมต่อรถไฟฟ้าสายต่างๆ ที่เข้าสู่ใจกลางกรุงเทพมหานครในแนวรัศมีรวมไปถึงสถานีรถไฟหัวลำโพง และสถานึกลางกรุงเทพอภิวัฒน์ (หรือ สถานีกลางบางชื่อ) จึงเป็นหนึ่งในระบบบขนส่งมวลขนที่มีผู้โดยสารนิยมใช้บริการเป็นจำนวนมากทั้งในช่วงเร่งด่วน และนอกเวลาเร่งด่วนเพื่อเดินทางเชื่อมต่อที่มีความหลากหลายทั้งในแง่ของคู่จดต้นทาง-ปลายทางและวัตถุประสงในการเดินทางทำให้เป็นที่คาดหมายว่าระบบตังกล่าวจะมีความสำคัญอย่างยิงในการรองรับการเดินทางของผู้คนในเขตเมืองในอนาคต เพื่อให้การวางแผนการพัฒนาสถานีรถไฟฟ้าเป็นไปอย่างมีทิศทางที่สอดคล้องกับสภาพแวดล้อมบริเวณโดยรอบสถานี งานวิจัยนี้จึงมีวัตถประสงค์ในการนำเสนอการจัดกลุ่ม และแบ่งประเภทของสถานีรถไฟฟ้ามหานครด้วยวิธีการวิเคราะห์จัดกลุ่มตามลำดับขั้น โดยอาศัยตัวแปรตาม คือ จำนวนผู้โดยสารเข้าออกสถานีในช่วงเวลาเร่งด่วนเข้าและเย็นในแต่ละสถานี และตัวแปรอิสระ ได้แก่ ปัจจัยแวดล้อมโดยรอบสถานี อาทิ ข้อมลการใช้ประโยชน์ที่ดิน จากระบบสารสนเทศภูมิศาสตร์ และข้อมูลประเภทผู้ใช้น้ำประปาในระยะรัศมีการเข้าถึงสถานีด้วยการเดินเท้า ข้อมูลจำนวนป้าย และสายการเดินรถโดยสารประจำทางที่ผ่านสถานี และเมื่อทำการวิเคราะห์การจัดกลุ่มตามเลำดับตามชั้นแล้ว สามารถแยกกลุ่มประเภทของสถานีได้ออกเป็นกลุ่มหลักๆ ได้แก่ ย่านพักอาศัย ย่านการทำงาน หรือธุรกิจ สถานีสำหรับจดเชื่อมชื่อมต่อกับระบบขนส่งประเภทอื่นๆ และทำการวิเคราะห์การถดถอยพพคุณเพื่อหาความสัมพัมพันธ์ระหว่างปัจจัยแวดล้อมโดยรอบสถานีที่ต่อปริมาณผู้โดยสารในช่วงเวลาเร่งด่วนเข้าและเย็นในแต่ละสถานี ผลงานวิจัยนี้คาดว่าจะเป็นประโยชน์ต่อการวางแผนเพื่อพัฒนาปรับปรุงพื้นที่การใช้ประโยชน์พื้นที่โดยรอบสถานีอย่างเหมาะสมต่อไป

The MRT Chaloem Ratchamongkhon Line is the main mass transit system that surrounds the inner city of Bangkok. It is the major circular line that serves as a connector among various radial train lines that enter the Bangkok CBD as well as major railway hubs including Hua Lamphong Station and Bang Sue Grand Station. Therefore, it is one of the most crowded transit lines both during the peak and off-peak periods to serve the travel between various origin-destination pairs and travel objectives. It is expected that this mass transit system is going to be an essential line serving the urban traffic. This research is aimed at presenting the grouping and classification of the MRT Chaloem Ratchamongkhon Line stations by hierarchical clustering analysis method. The dependent variable is the number of passengers entering and leaving the station during the morning rush hour at each station. The independent variables are influencing factors including the land-use data around the stations from geographic information system, water users classified by type within the walking distance precinct around the station, the number of bus lines and stops around the stations. The results of analysis demonstrates that the MRT Chaloem Ratchamongkhon Line stations can be clustered into major groups according to its surrounding neighborhood such as residential, work or business areas, and intermodal hubs. The multiple regression analysis is performed to determine the relationship between influencing factors and the number of passengers entering and leaving the station during the rush hours. This research is expected to be useful for development planning of the areas surrounding mass transit stations.


Keywords



[1] Mass Rapid Ttansit Authority of Thailand. (2013). Annual Report 2556. Mass Rapid Ttansit Authority of Thailand. Bangkok, Thailand. [Online] (in Thai). Available: https://www.mrta. co.th/media/275700/all2556.pdf

[2] S. Hussain and A. W. Matin, “Base Station Assisted Hierarchical Cluster-Based Routing,” presented at 2006 International Conference on Wireless and Mobile Communications (ICWMC'06), Bucharest, Romania, July 29–31, 2006.

[3] A. Chakraborty, J. K. Mandal, S. B. Chandrabanshi, and S. Sarkar, “ A GIS Anchored system for selection of utility. service stations through Hierarchical Clustering,” Procedia Technology, vol. 10, pp. 762–772, 2013.

[4] R. Wang, N. Chen, and C. Zhang, “Clustering subway station arrival patterns using weighted dynamic time warping,” in IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 2018, pp. 531–535.

[5] X. Zhao, Y.-p. Wu, G. Ren, K. Ji, and W.-w. Qian, “Clustering Analysis of ridership patterns at subway stations: A case in Nanjing, China,” Journal of Urban Planning and Development, vol. 145, no. 2, 2019.

[6] W. Khwanfai, “Classifying skytrain stations by building use and accessibility: A case study of sukhumvit line and silom line,” Academic Journal of Architecture, vol. 69 pp. 33–46, 2019 (in Thai).

[7] S. Chalermpong and S. Wibowo, “Transit station access trips and factors affecting,” Journal of the Eastern Asia Society for Transportation Studies, vol. 7, pp. 1806–1819, 2007.

[8] T. Ruangsawat, B. Chanthanavivat, and P. Hirunyupakomn, “Modified distance algorithm for hierarchical clustering,” Bachelor of Science, Mathematics and Computer Science, Faculty of Science Computer Science, King Mongkut's Institute of Technology Ladkrabang, 2006 (in Thai).

[9] S. Phattarsukol, “Applying hierarchical clustering method for identifying possible software objects in a structural C source program,” M. Eng. thesis, Department Of Computer Engineering, Faculty of Engineering, Chulalongkorn University, 2002.

[10] S. Chanaboon, Multiple Linear Regression. Khon Kaen Public Health Office, 2017, pp. 148– 160 (in Thai).

[11] M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-means clustering method and elbow method for identification of the best customer profile cluster,” Materials Science and Engineering, vol. 336, 2018.

[12] B. M. Administration, “City Plan 2556,” Government Gazette, vol. 136, 2013.

Full Text: PDF

DOI: 10.14416/j.kmutnb.2022.11.002

ISSN: 2985-2145