📖 คู่มือใช้งาน TTVE

ระบบประมาณปริมาณจราจรไทย สำหรับคนทำงานจริง

🚀 Quickstart 60 วินาที

1. คลิก หน้าเริ่มต้น → กด "📦 โหลด sample data" เพื่อให้ระบบมีตัวอย่าง
2. ไป หน้าขอข้อมูล → เลือก tab MidBlock
3. กด "📍 Pin" → คลิกบน map ตรงจุดที่สนใจ
4. เลือก preset "7 วัน" → กด "▶ Submit"
5. รอ ~3 วินาที → ดูผล + กด Download CSV

💡 Concept หลัก ที่ต้องรู้

3 ประเภทข้อมูลที่ระบบให้ได้

WHERE / WHEN / WHAT

ทุกคำขอต้องตอบ 3 คำถาม:

• WHERE — ที่ไหน (pin / line / polygon / road_ref / search / admin code)
• WHEN — เมื่อไหร่ (preset / start-end / recurring days_of_week+hours)
• WHAT — อะไร (vehicle classes, granularity, format)

Calibration & Validation

🔄 Workflow แนะนำ

Workflow A — MidBlock จุดเดียว (15 วินาที)

1. หน้า Request → tab MidBlock → กด Pin
2. คลิก map ตรงจุดที่สนใจ (เช่น "แยกอโศก")
3. เลือก preset "7 วัน" → granularity "รายชั่วโมง"
4. กด Submit → ดูผล + Download CSV

Workflow B — TMC แยกเดียว (1 นาที)

1. หน้า Request → tab TMC → กด Center
2. คลิกกลางแยกบน map → ระบบ auto-detect 4 legs
3. เลือก peak hours (07:00-19:00) → granularity "15 นาที"
4. กด Submit → ดู turn matrix [from_leg × {L, T, R, U}]

Workflow C — OD Study (3-5 นาที)

1. หน้า Request → tab OD
2. กด "🟢 Origin polygon" → วาด polygon รอบโซน origin
3. กด "🟠 Dest polygon" → วาด polygon รอบโซน destination
4. เลือก mode: pair (1-to-1) / matrix (all combos) / many_to_one
5. กด 💰 Cost preview → ดูราคาก่อน
6. กด ▶ Submit → รอ async (อาจ 30 นาที สำหรับงานใหญ่)

📍 MidBlock Fields

🔀 TMC Fields

🌐 OD Fields

📊 Quality Scoring (เกรด)

คะแนนคำนวณจาก: completeness × confidence × freshness

🏛 หน่วยงานรัฐ

• DOH / สนข. — เปรียบเทียบกับ AADT รายปี + วางแผนทางหลวงใหม่
• BMA — Signal timing optimization, BRT planning
• EXAT — เปรียบเทียบ probe data กับ M-Flow data
• อบจ./เทศบาล — สถิติรายเดือน + 5-year master plan

🚗 บริษัทที่ปรึกษา

• Traffic Impact Assessment (TIA) — base year volume + projection
• Signal timing — TMC ที่ peak hour + lost time analysis
• BRT/MRT feasibility — OD จากชุมชนไปสถานี proposed
• Parking demand — volume entering area × dwell time

🏢 Real estate / Retail

• Site selection — เทียบ traffic ผ่าน 3-5 candidate sites
• Retail visibility — peak hour volume × visibility radius
• Condo demand — OD จากย่านงาน → ทำเลคอนโด proposed

📚 นักวิจัย

• วิทยานิพนธ์ ITS / Transport eng. — มี methodology + paper อ้างอิงครบ
• Citation suggested: Sekuła et al. 2018 (TR-C), Seo et al. 2017 (Annual Reviews in Control)
• ดู หน้า Vendor Keys สำหรับวาง API key ของแหล่งข้อมูล probe

📦 Logistics

• OD matrix → fleet routing optimization
• Travel time prediction → SLA management
• Cost modelling — fuel × distance × congestion factor

🚦 Smart city

• Integration กับ city dashboard ผ่าน REST API
• Real-time updates via webhook
• Bulk CSV upload for periodic refresh

🤝 Vendors ที่รองรับ

💰 Budget Guardrails

ทุก request ผ่าน 3 cap:

• Per-request — กันงานเดียวที่ราคาเกิน (default $50)
• Daily — รวมต่อวัน (default $30)
• Monthly — รวมต่อเดือน (default $100)

ถ้าเกิน 80% → warning, 95% → block (HTTP 402)

ปรับได้ผ่าน env: TTVE_BUDGET_MONTHLY_USD, TTVE_BUDGET_DAILY_USD, TTVE_BUDGET_PER_REQUEST_USD

🔑 API Keys

สร้าง key ผ่าน:

• Web UI: หน้า API Keys (แนะนำ)
• CLI: python -m src.api.auth issue --org-id ชื่อ --role analyst

ใช้ผ่าน header:

Authorization: Bearer ttve_xxxxxxxxxxxx

📐 Methodology & Academic References

ส่วนนี้สำหรับท่านที่ต้องใช้ TTVE ใน รายงานวิชาการ / TIA / EIA / Master's thesis / journal paper — คำอธิบายเต็มของวิธีการพร้อม peer-reviewed references ที่อ้างอิงได้

🔬 Pipeline ของ TTVE (ภาพรวม)

┌──────────────┐   ┌──────────────┐   ┌──────────────┐   ┌──────────────┐
│ Probe Vendor │ → │  Calibration │ → │   Estimate   │ → │  Validation  │
│ (raw GPS)    │   │ (penetration)│   │   (FD model) │   │  (GEH stat)  │
└──────────────┘   └──────────────┘   └──────────────┘   └──────────────┘
  TomTom/HERE        XGBoost           van Aerde         DMRB Vol 12
  Mapbox/AIS         vs DOH AADT       Single-regime     GEH < 5 = pass

1. Probe → Volume conversion (Sekuła 2018 [1])

Probe data ให้เรา vehicle count subset แต่เราต้องการ total volume อาศัย penetration rate p ที่ประมาณการได้:

V_total(s, t) = N_probe(s, t) / p(s, t, vendor, day_of_week, hour)

โดย p ถูกประมาณด้วย XGBoost ที่เทรนกับคู่ (probe count, DOH AADT) ในจุด validation ตามวิธี Sekuła et al. (2018) [1] — MAPE typical ที่ Bangkok arterial ≈ 12-18%

2. Speed estimation — Fundamental Diagram (van Aerde [3])

Single-regime model:

k = 1 / (c₁ + c₂/(v_f − v) + c₃·v)

โดย v_f = free-flow speed (จาก probe ตอน free-flow), k = density, c₁..c₃ = calibrated constants ตาม van Aerde (1995) [3] — เหมาะกับถนนไทยทั้ง motorway, arterial, urban (parameter set ต่างกัน)

3. Validation — GEH Statistic (DMRB Vol 12 [4])

UK Highways Agency กำหนด GEH formula:

GEH = √( 2·(M − C)² / (M + C) )

โดย M = modelled (TTVE), C = counted (DOH AADT ground truth)

เกณฑ์ผ่าน DMRB Vol 12 §11.4: ≥ 85% ของจุด validation ต้องมี GEH < 5 (peak hour), และ ≥ 80% สำหรับ off-peak

4. Vehicle classification (DOH-calibrated)

Probe data ไม่ได้แยกประเภทรถโดยตรง (ยกเว้น TomTom Trucks) → TTVE ใช้ DOH 12-class proportional split จากสถานี calibration:

v_class_i(s, t) = V_total(s, t) × p_class_i(s, day_type, period)

โดย p_class_i มาจาก DOH AADT 12-class data ของสถานีที่ใกล้ที่สุด (รัศมี ≤ 5 km, road class เดียวกัน) — ขยายเป็น 4 super-class: car / truck / moto / bus

5. Uncertainty quantification (Conformal Prediction)

80% confidence interval ใช้ conformal prediction ตาม Vovk et al. (2005) [5] — bootstrap residuals จาก calibration set ให้ได้ v_lower / v_upper ที่ valid coverage 80% โดยไม่ assume distribution

6. 🚦 Thai Traffic Engineering Metrics (new in this build)

ระบบจะคำนวณ metric ตามมาตรฐานวิศวกรรมจราจรทุกครั้งที่ download CSV / PDF / Methodology — ค่าทุกตัวมีอยู่ใน CSV header แล้ว ใช้ได้กับงาน TIA/EIA ทันที

PCE (Passenger Car Equivalent) — DOH 2000

Conversion: PCU/h = car·1.0 + truck·2.5 + moto·0.33 + bus·2.0

Capacity (PCU/h/lane) — DOH planning values

LOS (Level of Service) — HCM 2010 thresholds (urban arterial)

PHF / K-factor / D-factor

• PHF (Peak Hour Factor) = peak hour volume / avg of top-4 hours · ค่าทั่วไป Thai urban 0.85-0.95
• K-factor = Design Hourly Volume / AADT · ค่าทั่วไป Thai urban 0.10-0.12, rural 0.13-0.15
• D-factor = max(NB, SB) / total · 0.55-0.65 typical urban arterial
• fHV (Heavy Vehicle Factor) = 1 / (1 + P_T(E_T-1) + P_R(E_R-1)) per HCM Eq 12-10

Additional validation metrics

• GEH per bucket — แต่ละ bucket เทียบ DOH AADT scaled ที่ hour นั้น (DMRB Vol 12 §11.4)
• MAPE = mean absolute percentage error (สำหรับ paper-grade work)
• RMSE = root mean square error (สำหรับ paper-grade work)

🌉 Grade-Separated Intersections — วิธีจัดการ Overpass/Tunnel

แยกในกรุงเทพหลายแห่งมี โครงสร้างยกระดับด้านบน (ทางด่วน/BTS) หรือ tunnel ใต้ดิน (MRT) ซึ่งกระทบ TMC อย่างมากเพราะ:

• รถบนทางด่วนวิ่งผ่านแยกโดยไม่หยุดสัญญาณ — ถ้านับรวมจะ over-count Through movement
• BTS/MRTไม่ใช่ road traffic — ไม่ควรเข้า TMC เลย
• Underpass/tunnelมี Through traffic แต่ไม่ผ่านสัญญาณไฟ — ต้องแยก signal-controlled vs free-flow

TTVE ใช้ 3 วิธีร่วมกัน (vertical disambiguation):

GPS Altitude — ไม่ใช้ทำไม?

GPS vertical accuracy ปกติ ±10-20m — ไม่พอแยกชั้นทางที่ห่างกัน 5-8m (ทางด่วนยกระดับ). เลยใช้ horizontal map-matching + speed/trajectory แทน. โปรแกรมอย่าง DataFromSky ที่ใช้ aerial video เห็น 2 ชั้นแยกชัดเจน — TTVE ไม่มีข้อได้เปรียบนี้ แต่ method 3 อย่างข้างบนรวมกันให้ผลใกล้เคียง

กรณีที่ TTVE ทำได้/ไม่ได้

ใน Result panel: ถ้าระบบพบว่าแยกมี grade_separation != "ground-level" จะแสดง 🌉 badge สีส้ม + อธิบายว่ามีโครงสร้างอะไรอยู่ด้านบน/ล่าง + วิธี TTVE filter

📚 References (peer-reviewed, citable)

📝 ตัวอย่าง paragraph สำหรับใส่ใน "Data and Methodology" section ของรายงาน

⚖ Known systematic biases (ต้องระบุใน limitation section ของรายงาน)

• Motorcycle underestimation 50-70% — probe data จาก smartphone navigation captures น้อย เพราะ moto riders ไทยใช้ navigation น้อยกว่า
• Lane-level resolution N/A — probe GPS accuracy 5-15 m ทำให้แยก inner/outer lane ไม่ได้
• Saturated/queued conditions — stopped-vehicle filtering อาจ under-count peak
• Short trips (<2 km) — sampling rate ต่ำเกินไป → OD pair distance สั้นไม่ accurate
• Through-trips — probe ที่ไม่หยุดในโซน จำแนกถูกเฉพาะถ้า zones ครอบคลุม full path

🌉 Overpass vs Under-bridge — แยกข้อมูล Probe ได้อย่างไร?

หลายแยกในไทย เช่น แยกศรีเทพา (ถ.เทพารักษ์ × ถ.ศรีนครินทร์), แยกบางนา, แยกพระราม 9 (RCA) มี สะพานข้ามแยก ทำให้รถวิ่งตรงไม่ต้องหยุดสัญญาณ ขณะที่รถใต้สะพานต้องรอไฟแดง + ทำเลี้ยวซ้าย/ขวา/U-turn การนำข้อมูลจราจรไปใช้ ต้อง แยก 2 ชุด มิฉะนั้นจะ over-estimate capacity ของชั้นใต้สะพาน

🔬 6 Methods ที่ TTVE ใช้ (multi-method pipeline)

1. OSM Layer Tag — OSM ระบุ layer=1 หรือ layer=2 สำหรับ overpass. snap probe ไป way ที่มี layer ตรงกัน (ความน่าเชื่อถือสูงสุดเมื่อ OSM tag ครบ).

2. Speed Signature — รถบนสะพาน free-flow มี standard deviation ของ speed ต่ำ (σ < 8 km/h) เพราะวิ่งสม่ำเสมอ. รถใต้สะพาน stop-and-go มี σ > 15 km/h (เร่ง→cruise→เบรก→หยุด→เร่งใหม่).

3. Trajectory Continuity — probe ที่ผ่านแยกโดยไม่มี dwell (ไม่มีช่วงช้า) = overpass. probe ที่มีรูปแบบ dwell-stop-accel = under-bridge. Tiaprasert et al (2015) ใช้วิธีนี้ใน connected-vehicle adaptive signal.

4. Traversal-Time Threshold — ตั้ง polygon ครอบแยก. คำนวณเวลาที่ probe ใช้ผ่าน polygon: < 18s = overpass (free-flow 40-60 km/h × 200m), > 30s = signal-delayed under-bridge.

5. HMM Map-Matching (Newson & Krumm 2009) — Hidden Markov Model snap probe ping ไปยัง candidate ways หลายอัน (ทั้งบนสะพานและใต้สะพาน) แล้วใช้ Viterbi algorithm หา path ที่น่าจะถูกที่สุด based on transition probabilities ระหว่าง pings.

6. GPS Elevation Hint — smartphone GPS ส่ง altitude แต่ noisy (±10-20m typical). ใช้เป็น tiebreaker เมื่อ method 1-5 ไม่ชัด, ไม่ใช่ primary signal.

📊 Output: ตารางแยก 2 ชั้น

เมื่อ TMC ที่แยกนี้สำเร็จ จะได้ตารางใน PDF "Section 4c":

✅ Capacity Analysis: ใช้คนละสูตร

• บนสะพาน → ใช้ HCM 2010 Chapter 12 (Basic Freeway Segments) คำนวณ density, LOS A-F
• ใต้สะพาน → ใช้ HCM 2010 Chapter 19 (Signalized Intersection) คำนวณ control delay + queue + LOS

📚 References:
Newson P, Krumm J (2009). "Hidden Markov Map Matching Through Noise and Sparseness." ACM SIGSPATIAL GIS.
Tiaprasert K et al (2015). "Queue length estimation using connected vehicle technology for adaptive signal control." IEEE Trans. Intelligent Transportation Systems 16(6):2901-2913.
HCM 2010 (Highway Capacity Manual), TRB — Chapter 12 + Chapter 19.

🎯 Calibration Methods — ดันความเชื่อมั่นเข้าใกล้ 100%

ค่า confidence ในรายงานถูกจำกัดด้วย penetration rate × calibration freshness × n_validation_stations. หากต้องการให้สูงขึ้น (GEH<3, conf>0.95) ใช้สูตรวิชาการต่อไปนี้ (ทุกฟังก์ชันพร้อมใช้งานผ่าน window.TTVE_CALIB.* — เปิด DevTools เรียก ได้เลย):

1️⃣ IPF — Iterative Proportional Fitting (Bell 1991)

ใช้ปรับ matrix (OD หรือ TMC) ให้ row+column sums ตรงกับ ground truth marginals.

repeat:
  for row i: scale M[i,*] *= row_target_i / Σ_j M[i,j]
  for col j: scale M[*,j] *= col_target_j / Σ_i M[i,j]
until ‖ΔM‖_∞ < ε

📚 Bell MGH (1991). Transp Res B 25(2):115-125 · TTVE_CALIB.ipfCalibrate(matrix, rowTargets, colTargets)

2️⃣ Bayesian Penetration Update (Aslam 2012)

คำนวณ posterior distribution ของ penetration rate p เมื่อมี validation data ใหม่:

p_posterior ~ Beta(α + observed_probes, β + (true_volume − observed_probes))
posterior_mean = α / (α+β)
95% CI = mean ± 1.96·√[αβ / ((α+β)²(α+β+1))]

📚 Aslam J et al (2012). Trans Res Rec 2308:34-43 · TTVE_CALIB.bayesianPenetration(α, β, obs, truth)

3️⃣ Kalman Filter 1D (Yang 2014)

Dynamic state tracking — สำหรับกรณี penetration rate เปลี่ยนตามเวลา (smartphone adoption drift):

Predict:  x_pred = x_prev,   P_pred = P_prev + Q
Update:   K = P_pred / (P_pred + R)
          x_new = x_pred + K·(z − x_pred)
          P_new = (1 − K)·P_pred

📚 Yang H et al (2014). IEEE T-ITS · TTVE_CALIB.kalmanUpdate(x_prev, p_prev, observation, Q, R)

4️⃣ Maximum Likelihood Penetration (Hazelton 2008)

ถ้ามี N validation pairs (probe_i, truth_i) — closed-form penetration:

p̂ = Σ probe_i / Σ truth_i
var(p̂) = p̂·(1−p̂) / Σ truth
95% CI = p̂ ± 1.96·√var

📚 Hazelton ML (2008). Transp Sci 42:255-269 · TTVE_CALIB.mlePenetration(probeCounts, truthCounts)

5️⃣ Bootstrap CI (Efron 1979)

Non-parametric 95% CI — resample with replacement N=1000 ครั้ง → percentile method. ไม่ต้องตั้งสมมติฐานการแจกแจง.

📚 Efron B (1979). Annals Stats 7(1):1-26 · TTVE_CALIB.bootstrapCI(samples, statistic, n)

6️⃣ Confidence Improvement Recommendations

เรียก TTVE_CALIB.confidenceRecommendations(state) ส่งสถานะปัจจุบัน (GEH, sample_size, n_DOH_stations, calibration_age_months) — ได้ list of prioritized actions:

🔍 Source Attribution — แหล่งที่มาทุก metric

ทุกตัวเลขในรายงาน TTVE ต้องอ้างอิงได้. ดาวน์โหลด CSV / PDF / Methodology Sheet จะมีตาราง source_attribution บอกครบทั้ง (a) source, (b) method, (c) ground_truth, (d) standard สำหรับ ทุก column. ตัวอย่าง:

📅 Day-of-Week × Peak-Window Analysis

รายงานทุก mode (MidBlock/TMC/OD) มีสรุปแยกตามวัน × ช่วงเวลา (7 days × 4 windows). นิยาม Peak-window ตาม Thai DOH convention:

ในรายงาน PDF จะมีการ ไฮไลต์สีส้ม สำหรับวัน Mon/Wed/Fri/Sat (typical-day analysis ตาม DOH practice). สำหรับงาน TIA ใช้ am-peak + pm-peak ของวัน Wed (กลางสัปดาห์) เป็น design hour.

🚦 Simulator Integration Guide

คู่มือนำผลลัพธ์ TTVE ไปใช้ใน PTV VISSIM, SUMO, Aimsun, หรือ traffic simulator อื่นๆ — TTVE ปุ่ม Download ในหน้า History มี format SUMO, VISSIM, GeoJSON ให้ครบ

🧭 Direction-aware data (ใหม่ในเวอร์ชันล่าสุด)

หน้า Request Builder มี Direction selector สำหรับ MidBlock (ขาไป / ขากลับ / ทั้ง 2 ทิศ) + ปุ่ม 🔍 Preview Layout ที่จะ:

• ดึงข้อมูลถนนจาก OSM (oneway flag, lane count, road class, max speed)
• วาด arrow บน map ตามทิศที่เลือก
• เตือนถ้าเลือกทิศที่ไม่ valid (เช่น เลือก reverse บนถนน one-way)
• แนะนำค่า lanes ที่ควรตั้งใน SUMO/VISSIM ตาม OSM

ข้อมูลทิศจะติดไปถึงผลลัพธ์ใน field resolved_location.direction และ SUMO route file จะมี route id="rt_forward" / "rt_reverse" ให้ใช้ได้ทันที

📋 Mapping ผลลัพธ์ TTVE → Format ของ Simulator

🚗 SUMO: workflow แบบเต็ม

ใช้สำหรับ open-source mesoscopic/microscopic simulation

1. สร้างถนนจาก OSM:

   netconvert --osm-files area.osm.pbf \
              --output-file net.net.xml \
              --geometry.remove --roundabouts.guess --tls.guess

2. ดาวน์โหลด TTVE result เป็น SUMO format จากหน้า History (ปุ่มสีส้ม)
3. สำหรับ MidBlock: เปิด ttve_xxxxx.rou.xml, แก้ placeholder EDGE_IN/EDGE_SEGMENT/EDGE_OUT เป็น ID edge ในไฟล์ net.net.xml ของคุณ
4. รันจำลอง:

   sumo -n net.net.xml \
        -r ttve_xxxxx.rou.xml \
        --begin 0 --end 86400 \
        --tripinfo-output trips.xml \
        --summary-output summary.xml

5. สำหรับ TMC: แยกไฟล์เป็น flows.rou.xml + turns.add.xml ตามคำสั่งใน header แล้วใช้:

   jtrrouter --route-files flows.rou.xml \
             --turn-ratio-files turns.add.xml \
             --net-file net.net.xml \
             --output-file routes.rou.xml

6. สำหรับ OD: สร้างไฟล์ TAZ (Traffic Analysis Zones) ก่อน:

   od2trips --net-file net.net.xml \
            --taz-files taz.add.xml \
            --od-matrix-files ttve_xxxxx.od.taz.xml \
            --output-file trips.xml

🛣 PTV VISSIM: workflow แบบเต็ม

ใช้สำหรับ commercial microsimulation (TIA, signal optimization)

1. ใน VISSIM สร้าง Vehicle Classes ให้ match TTVE:

   VISSIM Class ID	Name	TTVE class	Length	vClass
   100	Car	car	5.0 m	passenger
   200	HGV	truck	12.0 m	HGV
   300	Bus	bus	13.0 m	bus
   400	Motorcycle	moto	2.2 m	motorcycle

2. สร้าง Vehicle Composition ตามสัดส่วนใน TTVE header (เช่น Car 71% / Truck 12% / Moto 14% / Bus 3%)
3. MidBlock: Traffic → Vehicle Inputs → เลือก link → Time Intervals → Import CSV จาก TTVE
4. TMC: สร้าง Static Routes ที่แต่ละ approach → ใส่ค่า turn proportion จากไฟล์ TTVE
5. OD: File → Read Matrix → เลือกไฟล์ CSV ของ TTVE (origins=rows, destinations=cols)

🌐 Aimsun Next: workflow ย่อ

1. นำเข้า OSM network ผ่าน Aimsun OSM importer
2. สร้าง Centroid Configuration ที่ match กับ origin/destination IDs ใน TTVE
3. ใช้ Matrix Editor → New OD Matrix → paste ข้อมูลจาก TTVE CSV
4. สร้าง Traffic Demand → Stochastic Route Choice หรือ Dynamic Assignment

📐 หลักการ pre-processing ที่แนะนำ (สำคัญ)

📊 Field-by-field mapping (สำหรับ developer)

🎯 Quality grading — เลือก simulator scope ตาม GEH

🔍 ตัวอย่างคำสั่ง end-to-end (SUMO + MidBlock)

# 1. โหลด OSM area
osmconvert thailand-latest.osm.pbf \
  -b=100.50,13.73,100.58,13.78 \
  -o=bangkok-sukhumvit.osm

# 2. สร้าง SUMO network
netconvert --osm-files bangkok-sukhumvit.osm \
  --geometry.remove --roundabouts.guess --tls.guess \
  --output-file sukhumvit.net.xml

# 3. ดาวน์โหลด TTVE result เป็น SUMO ผ่านปุ่ม SUMO ในหน้า History
# จะได้ไฟล์: ttve-midblock-xxxxx.rou.xml

# 4. แก้ EDGE_* placeholder ในไฟล์ .rou.xml ให้ตรงกับ edge ID ใน sukhumvit.net.xml
#    (เปิด net.net.xml ดู  ที่เป็นช่วงถนนสนใจ)

# 5. รันจำลอง 24 ชม.
sumo -n sukhumvit.net.xml \
     -r ttve-midblock-xxxxx.rou.xml \
     --begin 0 --end 86400 \
     --tripinfo-output trips.xml \
     --summary-output summary.xml \
     --statistic-output stats.xml

# 6. วิเคราะห์ผล
python -c "import sumolib; print(sumolib.output.parse('summary.xml'))"

🩹 Troubleshooting

📚 อ้างอิงวิชาการ

• Sekuła et al. 2018 — "Estimating historical hourly traffic volumes via ML" — TR-C 97
• Seo et al. 2017 — "Traffic state estimation on highway: comprehensive survey" — Annual Reviews in Control 43
• van Aerde 1995 — Single regime FD
• UK DMRB Vol 12 — GEH validation standard

ดูเพิ่มเติม: 🔑 Vendor Keys · 🔌 Backend Setup · ⚙️ Admin