Search
A
A
A
Back
Home
Geographic Data

Geographic Data

ข่าวและบทความที่เกี่ยวข้อง

All Geographic Data

PostType Filter En

บทความ
Big Data 101
การสร้างแพลตฟอร์มข้อมูลภูมิสารสนเทศด้วย FOSS4G: ทำไมเราถึงอยากแนะนำ
การจัดการข้อมูลเชิงพื้นที่มีความสำคัญอย่างยิ่งต่อองค์กรต่าง ๆ และ FOSS4G เป็นทางเลือกที่น่าสนใจในการสร้างแพลตฟอร์มเหล่านี้ มาทำความรู้จักกับ FOSS4G และเหตุผลที่ควรพิจารณาในการใช้งาน ในบทความนี้"
10 April 2024
Read More

บทความ
Big Data 101
อะไรอะไรก็ Shapefile: ข้อมูลภูมิสารสนเทศยุคใหม่มีทางเลือกอื่นหรือไม่?
โลกของ GIS รูปแบบไฟล์ที่เรียกว่า Shapefile ได้ถูกใช้งานกันอย่างแพร่หลาย แต่เมื่อเวลาผ่านไป Shapefile ก็ไม่อาจรองรับการใช้งานที่หลากหลาย เราผู้ใช้จะสามารถเลือกอะไรมาทดแทนได้บ้าง สามารถอ่านได้ในบทความนี้
18 March 2024
Read More

บทความ
Big Data 101
เทคนิคการ Feature Engineering จากพิกัดละติจูด ลองจิจูด
ในปัจจุบัน เราจะพบข้อมูลพิกัดบอกตำแหน่ง ละติจูด (Latitude) และลองจิจูด (Longitude) เป็นจำนวนมาก โดยการนำไปใช้ประโยชน์เชิงวิเคราะห์นั้น หากเลือกใช้ ละติจูด และลองจิจูดเป็นสองตัวแปรแยกกันมักจะได้ผลออกมาแล้วตีความยาก ในบทความนี้จะทำการอธิบายและนำเสนอตัวอย่างวิธีการ Feature Engineering จากข้อมูลพิกัดจุด การเลือกใช้ ละติจูด และลองจิจูดเป็นสองตัวแปรแยกกันมักจะได้ผลออกมาแล้วตีความยาก การสร้าง Feature จากข้อมูลพิกัดจุด (Geospatial Data) นั้นจำเป็นต้องใช้ความเข้าใจในความสัมพันธ์จากบริบทของภูมิศาสตร์ กับโจทย์ปัญหาที่เราต้องการแก้ เช่น หากโจทย์ต้องการทำนายราคาบ้าน เราอาจจะเริ่มด้วยการคิดว่ามีปัจจัยใดบ้างที่มีผลต่อราคา เช่น ระยะทางจากสถานีรถไฟฟ้า, ระยะทางจากศูนย์กลางเมือง, ระยะห่างจากทะเล เป็นต้น ดังนั้นเราจะต้องแปลงปัจจัยดังกล่าวให้เป็นตัวเลขเพื่อนำไปใช้ในการวิเคราะห์ และนำไปใช้ประโยชน์ได้ ในบทความนี้ เราจะยกตัวอย่างการใช้ข้อมูลพิกัดจุดเพื่อใช้ทำนายราคาบ้านโดยใช้ข้อมูล Kaggle California Housing Prices ในการวิเคราะห์ ซึ่งเป็นข้อมูลสำรวจ Census ในปี 1990 แต่ละระเบียนจะเป็นข้อมูลของสิ่งปลูกสร้าง 1 บล็อก ในชุดข้อมูลนี้จะมีข้อมูลอยู่ทั้งหมด 10 คอลัมน์ แต่เราจะเลือกใช้แค่ 4 คอลัมน์ ได้แก่ รูปภาพประกอบในบทความนี้สามารถสร้างได้จากชุดคำสั่งใน Python ซึ่งผู้อ่านสามารถทำตามได้จาก House Value California: Feature Engineering หากเรานำพิกัดจุดมาใช้โดยตรงนั้นจะไม่ค่อยได้ประโยชน์เท่าไหร่ เพื่อให้เห็นภาพชัดเจนเราจะใช้ scatter plot ระหว่างตัวแปรและค่าราคาบ้าน จะเห็นได้ว่าตัวแปรละติจูดและลองจิจูด นั้นไม่ได้มีความเกี่ยวข้องกับราคาบ้านที่ชัดเจน ดังนั้นเราอาจจำเป็นต้องผ่านกระบวนการอื่นเพิ่มเติมก่อนที่จะนำในการนำตัวแปรสองตัวนี้ไปใช้ประโยชน์ได้ การใช้ Diagonal เพื่อประเมินระยะห่างจากชายฝั่ง จาก Fig.2 จะมองเห็นได้ชัดเจนว่าบ้านที่อยู่ใกล้กับชายฝั่งจะมีราคาแพงมากกว่าบ้านที่อยู่ห่างจากชายฝั่ง โดยเราสามารถแปลความใกล้กับชายฝั่งได้แบบง่ายๆ โดยการนำเอาพิกัดละติจูดและลองจิจูดมาบวกกันเป็น Feature ใหม่ที่ชื่อว่า Diagonal เมื่อย้อนกลับไปดูที่ Fig. 2 จะสามารถเห็นได้ว่าถ้าผลบวกน้อยจะใกล้ชายฝั่ง (เส้นสีเขียว) ถ้าผลบวกมากจะอยู่ห่างจากชายฝั่ง (เส้นส้ม) [1] จะเห็นได้ว่า Diagonal นั้นมีความสัมพันธ์กับราคาบ้านที่ชัดเจนขึ้นและสอดคล้องกับ Label ที่ได้มาจากคอลัมน์ ocean_proximity การคำนวณ Diagonal นั้นมีข้อดีที่ใช้ง่ายและสามารถมองเห็นได้ด้วยตาเปล่า แต่อาจจะต้องปรับการใช้ตามลักษณะรูปร่างขอเมือง ในกรณีนี้สามารถใช้ได้ดีเป็นกรณีพิเศษเนื่องจากรัฐ California มีลักษณะเป็นแนวเส้นเฉียงจากซ้ายบนลงขวาล่าง (ตามรูป) โดยในประเทศไทยนั้นมีจังหวัดที่มีรูปร่างที่เหมาะกับการใช้ Diagonal ได้แก่ กระบี่, ตรัง และสตูล เป็นต้น การใช้ Principal Component Analysis ในส่วนนี้เราจะนำการใช้ Principal Component Analysis [3]เพื่อนำแนวความคิดของการใช้ diagonal มาใช้กับเมืองที่อยู่ติดชายฝั่ง แต่อาจจะไม่ได้เฉียงจากซ้ายบนลงขวาล่าง โดยจังหวัดในประเทศไทยที่เข้าข่ายนี้ ได้แก่ ชลบุรี และ ประจวบครีขันธ์ การใช้ Principal Component Analysis (PCA) นั้นจะให้ตัวโปรแกรมหาแกนที่เหมาะสมให้เราเอง โดยหลักการคร่าวๆนั้นตัวโปรแกรมจะทำการลากเส้นบนแผนที่ (ตาม Fig.4) แล้วเลือกแกนที่มีการกระจายตัวของข้อมูลมากที่สุดเป็น PCA 1 และเลือกแกนที่ตั้งฉากกันเป็น PCA 2 จะเห็นได้ว่าค่าของ PCA 2 ที่ได้มานั้นจะมีค่าสูงเมื่อบ้านอยู่ห่างจากชายฝั่ง และต่ำเมื่อบ้านอยู่ใกล้ชายฝั่ง จึงทำให้นำมาใช้แทน Diagonal ได้ แต่วิธีการนี้ก็ยังมีข้อจำกัดอยู่ที่ว่าสามารถใช้ได้กับเมืองที่มีลักษณะเป็นแนวเฉียงเท่านั้น ซึ่งในกรณีอื่นนั้นอาจจะนำความรู้เรื่องตำแหน่งของใจกลางเมืองมาช่วยในการสร้าง Feature เพื่อนำมาใช้ประโยชน์ได้ การใช้ระยะห่างจากเมืองใหญ่ ย้อนกลับไปที่ Fig. 2 เราอาจสังเกตได้ว่าบ้านที่มีราคาสูงจะกระจุกตัวอยู่ใกล้ตัวเมือง Los Angeles และ San Francisco ซึ่งค่อนข้างสมเหตุสมผล เนื่องจากมีระยะใกล้กับสิ่งอำนวยความสะดวกและสถานที่ทำงานมากกว่า ทำให้มีความราคาแพงกว่าบ้านที่อยู่ห่างจากตัวเมือง ในกรณีนี้เราอาจจะเลือกใช้ระยะห่างจากเมืองใหญ่ถึงบ้านใช้เป็น feature ที่ใช้ในการทำนายราคาบ้านได้ โดยการคำนวณระยะทางจากพิกัดละติดจูด และ ลองจิจูด ตามหลักแล้วจะต้องใช้ฟังก์ชั่น Haversine (มีฟังก์ชั่นสำเร็จรูปใน Python – คู่มือการใช้) เพื่อการคำนวณให้แม่นยำ แต่ในกรณีนี้เราใช้เพื่อนำมาทำ Feature Engineering อาจจะไม่ต้องการความแม่นยำมาก เราอาจจะใช้สูตรพิทาโกรัส เพื่อคำนวณระยะห่างแบบง่ายๆ โดยเราจะเลือกใช้ระยะทางจากเมืองที่อยู่ใกล้บ้านที่สุดมาใช้คำนวณได้ สรุปผล การทำ Feature Engineering นั้น สิ่งที่จะต้องคำนึงถึงเป็นอย่างแรกคือลักษณะรูปร่างของเมืองและความสัมพันธ์ของข้อมูล ในบทความนี้เราได้ยกตัวอย่างรัฐ California ซึ่งมีลักษณะเฉพาะตัว โดยได้ยกตัวอย่างการทำ Feature Engineering อยู่ 3 วิธีคือ Diagonal, Principal Component Analysis และ การใช้ระยะห่างจากเมืองใหญ่ โดยเน้นวิธีการที่สามารถตีความได้ง่ายและไม่ซับซ้อน โดยในบางกรณีการนำข้อมูล Geospatial ไปใช้ยังมีวิธีอื่นที่ไม่ได้รวมไว้อยู่ในบทความนี้ เช่น Clustering, geohash [6] โดยผู้ทำการวิเคราะห์สามารถเลือกใช้ให้เข้ากับบริบทของโจทย์ อ้างอิง
28 July 2022
Read More

บทความ
Movements
การใช้ Big Data พลิกโฉมวงการเกมอย่าง Pokémon Go
หลายปีก่อน หลายท่านคงจำได้ถึงเหตุการณ์ที่ถูกกล่าวขวัญไปทั่วโลก เรื่องที่บริษัท Niantic Labs ได้ทำให้ประโยคนี้มีชีวิตขึ้นมาจริง โดยการทำให้ตัวละครในเกมออกมาโลดแล่นอยู่บนโลกเสมือนจริง ซึ่งเป็นการปฏิวัติวงการเกมไปอย่างสิ้นเชิงของ Pokémon Go เกมบนโทรศัพท์มือถือที่มียอดดาวน์โหลดแล้วมากกว่า 1 พันล้านครั้ง1 และยังทำรายได้ไปแล้วกว่า 2 แสนล้านบาท2! ซึ่งหนึ่งในเหตุผลเบื้องหลังความสำเร็จครั้งยิ่งใหญ่นี้ของเกม Pokémon Go ก็คือ เทคโนโลยีที่เกมนี้นำมาใช้ เช่น เทคโนโลยี AR : Augmented Reality และระบบ Location Based เพื่อให้ผู้เล่นรู้สึกเหมือนได้ออกเดินทางท่องเที่ยวไปตามสถานที่ต่าง ๆ ในโลกแห่งความเป็นจริงเพื่อเก็บสะสมโปเกมอนและทำภารกิจต่าง ๆ อีกทั้งยังสามารถแข่งขันกับผู้เล่นคนอื่น ๆ รวมถึงเพื่อนของตนเองได้อีกด้วย นอกจากการนำเทคโนโลยีสมัยใหม่มาผสมผสานสร้างสรรค์เกมแล้ว Pokémon Go ยังมี การใช้ประโยชน์จากข้อมูลขนาดใหญ่หรือ Big Data ได้อย่างชาญฉลาด ซึ่งช่วยดึงดูดเหล่า Pokémon  Trainers ทุกช่วงวัย เรามาดูกันว่า Pokémon Go ใช้ประโยชน์จาก Big Data อย่างไรบ้าง การใช้ประโยชน์จากข้อมูลทางภูมิศาสตร์ Pokémon Go สร้างความตื่นตาตื่นใจให้กับผู้เล่นในการจำลองแผนที่ในเกมให้สอดคล้องกับแผนที่ในโลกแห่งความจริง ทำให้ผู้เล่นเสมือนกำลังเผชิญหน้ากับเหล่าโปเกมอนต่าง ๆ ณ สถานที่ที่ผู้เล่นกำลังยืนอยู่จริง ณ ขณะนั้น โดย Pokémon Go กำหนดให้ผู้เล่นต้องเปิด GPS ไว้ตลอดเวลาตอนที่เล่นเกม ซึ่งสิ่งที่น่าสนใจและดึงดูดผู้เล่นก็คือการที่ Pokéstop* และ Pokémon Gym** ถูกเลือกสรรให้ตั้งอยู่อย่างเหมาะสมกับพื้นที่ต่าง ๆ โดยมีการเลือกใช้ประติมากรรมและแลนด์มาร์คที่สำคัญ ๆ ของแต่ละพื้นที่มาเป็นที่ตั้ง * Pokéstop คือ เสาสำหรับหมุนเพื่อรับไอเทมต่าง ๆ ในเกม **Pokémon Gym คือ เสาขนาดใหญ่หรือยิมที่ผู้เล่นสามารถนำโปเกมอนมาต่อสู้และยึดครอง คำถาม คือ “ในประเทศไทย จะเอาอะไรมาเป็นฐาน (Pokéstop และ Pokémon Gym) ให้ผู้เล่นเกมจะต้องเดินทางไปยังสถานที่จริงเพื่อทำการหมุนเสาดีล่ะ?” ใครจะไปคิดว่าแลนมาร์คหลัก ๆ ที่ถูกเลือกให้มาเป็น Pokéstop แจกไอเทมต่าง ๆ ก็คือสถานที่สุดขลังอย่างศาลพระภูมิของเรานั่นเอง ซึ่งที่มาของการเลือกศาลพระภูมินี้ก็มาจากการที่ Niantic Labs ผู้พัฒนาเกม Pokémon Go ใช้ประโยชน์ของข้อมูลจากฐานข้อมูลที่มีอยู่เมื่อตอนที่สร้างเกม Ingress มาลองตลาด ซึ่งนอกจากการใช้ข้อมูลจากฐานข้อมูลเดิมแล้ว Niantic Labs ยังทำการวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data) แบบ real time ดูการกระจุกตัวของคนในแต่ละพื้นที่ประกอบกับ feedback ที่ได้รับจากผู้เล่นเพื่อกำหนดจุดยุทธศาสตร์ของเกม ยังไม่หมดเพียงเท่านี้ เกมนี้ยังใช้คุณลักษณะต่าง ๆ ของพื้นที่ให้เป็นประโยชน์อีกด้วย เช่น ถ้าต้องการจับโปเกมอนธาตุน้ำอย่าง Magikarp หรือ Goldeen คุณอาจต้องไปใกล้กับสถานที่ที่มีน้ำเพื่อเพิ่มโอกาสในการเจอ อีกทั้งยังอาจใช้ประโยชน์จากข้อมูลพื้นที่คู่กับข้อมูลด้านเวลา เช่น โปเกมอนธาตุผีหรือธาตุพลังจิตมีโอกาสเจอได้มากกว่าตอนช่วงกลางคืนโดยเฉพาะอย่างยิ่งใกล้ ๆ บริเวณที่เป็นสุสาน นอกจากนี้ ยังมีการใช้ข้อมูลด้านสภาพภูมิอากาศ ทำให้โปเกมอนบางสายพันธุ์สามารถพบได้ในประเทศที่มีหิมะตกและจะออกมาตอนช่วงหิมะตกเท่านั้น เป็นต้น ซึ่งก็ถือเป็นอีกหนึ่งเสน่ห์ที่สำคัญของเกมนี้ การใช้ประโยชน์เพื่อทำการตลาดและเพิ่มรายได้ Pokémon Go มีการใช้ข้อมูลทางภูมิศาสตร์ประกอบกับข้อมูลแบบเรียลไทม์อื่น ๆ ของผู้เล่น ไม่ว่าจะเป็น ‘ระยะเวลาเฉลี่ยที่ผู้เล่นใช้เล่นเกม ระยะทางเฉลี่ยที่ใช้เดินทางในแต่ละวัน สถานที่ที่ผู้เล่นเดินทางไปประจำ โปเกมอนที่ผู้เล่นเลือกให้ไปยึด Pokémon Gym หรือไปสู้กับโปเกมอนของผู้เล่นคนอื่น หรือประวัติการซื้อของต่าง ๆ ในเกม’ ซึ่งทำให้ผู้พัฒนาเกมสามารถวิเคราะห์พฤติกรรมของผู้เล่นและวางแผนได้ว่าเวลาใด สถานที่ไหน ที่จะมีอัตราการซื้อไอเทมแต่ละชนิดสูง และควรจะออกแบบกิจกรรมต่าง ๆ ในลักษณะใด ปล่อยโปเกมอนชนิดไหน คิดแคมเปญหรือโปรโมชั่นลดราคาสินค้าตัวใดเพื่อที่จะล่อให้ผู้เล่นมาจ่ายเงินซื้อของในเกมให้ได้มากที่สุดหรือก็คือ การใช้ประโยชน์จากข้อมูลพฤติกรรมเพื่อวางแผนการตลาดและสร้างรายได้ นั่นเอง นอกจากการเลือกซื้อสินค้า ๆ ต่าง ๆ ในเกมแล้ว Pokémon Go ยังได้จับมือกับร้านค้าและแบรนด์ชั้นนำต่าง ๆ ที่ต้องการเกาะกระแสของ Pokémon Go ไปด้วยกัน เช่น การออกโปรโมชั่นร่วมกับร้านค้าที่ผู้เล่นหลายคนผ่านเป็นประจำ หรือแม้กระทั่งจับมือกับแบรนด์ชื่อดังระดับโลกอย่าง Gucci และ North Face ซึ่งนอกจากจะได้โฆษณาแบรนด์ร่วมกันแล้ว ยังเป็นการหลอกล่อให้ผู้เล่นที่อยากสะสมไอเทมเหล่านี้ไปหมุน Pokéstop ที่ตั้งอยู่หน้าร้าน Gucci เพื่อเพิ่มโอกาสในการขายสินค้าจากร้าน Gucci อีกด้วย นอกจากนี้ Pokémon  Go ยังจับกลุ่มแบรนด์สินค้าที่ราคาจับต้องได้มากกว่าอย่าง Uniqlo หรือ Longchamp โดยร่วมกันผลิตเสื้อผ้า กระเป๋าที่สวมใส่ได้จริงทั้งในเกมและนอกเกม โดยยังไม่นับรวมถึงสินค้าอื่น ๆ ที่ Pokémon  Go ผลิตเองโดยตรงเพื่อให้เหล่าสาวก Pokémon Go ทั้งหลายมาเลือกซื้อกัน โดยสินค้าที่เลือกผลิตนี้ ก็มาจากข้อมูลในเกมที่บริษัทได้มาจากผู้เล่นเองโดยตรงนั่นล่ะ ว่าผู้เล่นชอบสะสมโปเกมอนตัวไหน บทส่งท้าย ตอนนี้ผู้อ่านทุกท่านคงเห็นภาพแล้วว่า Big Data และการวิเคราะห์ข้อมูลสำคัญต่อการพัฒนาเกมอย่างไร นอกจากจะทำให้ผู้เล่นอยากเล่นเกมต่อแล้ว ยังทำให้ผู้เล่นเต็มใจในการจ่ายเงินซื้อของต่าง ๆ อีกด้วย ซึ่งก็มาจากการใช้ประโยชน์ของข้อมูลพฤติกรรมของผู้เล่นเองได้อย่างแนบเนียนประกอบกับข้อมูลรอบตัวอย่างข้อมูลภูมิศาสตร์ที่ผลักดันให้เกมน่าสนใจมากขึ้น ทำให้ถึงแม้เกม Pokémon Go จะเปิดตัวออกมาตั้งแต่ปี 2016 แต่ก็ยังคงมีผู้เล่นจำนวนมากขึ้นและทำรายได้เพิ่มขึ้นอย่างต่อเนื่องมาจนถึงทุกวันนี้ สุดท้ายนี้ อยากจะชวนให้ทุกท่านลองสังเกตดูว่า ทุกวันนี้เหล่าผู้ผลิตสินค้าและผลิตภัณฑ์ต่าง ๆ รู้ได้ยังไงว่าผู้บริโภคจะชอบอะไร มีข้อมูลอะไรที่ได้จากเราไปบ้างโดยที่เราไม่ทันรู้ตัว และได้ข้อมูลไปทางไหนกันบ้างนะคะ แหล่งอ้างอิง 1 https://en.wikipedia.org/wiki/List_of_most-played_mobile_games_by_player_count 2 https://en.wikipedia.org/wiki/List_of_highest-grossing_mobile_games 3 https://www.dexerto.com/Pokémon /how-to-get-free-gucci-x-north-face-avatar-items-in-Pokémon -go-1489761/ 4 https://lofficielthailand.com/2020/09/longchamp-x-pokemon/ อื่นๆ https://www.softwareadvisoryservice.com/en/industry-updates/pokemon-go-and-big-data/ https://www.businessofapps.com/data/pokemon-go-statistics/ https://arstechnica.com/gaming/2020/03/pokemon-go-adjusts-to-the-quarantine-era/
29 July 2021
Read More

สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน)

Big Data Institute (Public Organization)

234/432 Soi Lat Phrao 12, Chomphon, Chatuchak, Bangkok 10900, Thailand

Contact Us

0 2480 8833
saraban@bdi.or.th (For receiving and sending electronic documents)
info@bdi.or.th (For general inquiries)

Quick Link

About Us

© Big Data Institute | Privacy Policy

Web Setting
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Settings Reject Accept
Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings
Privacy Preferences
Name
Strictly Necessary Cookies
Category
Strictly Necessary Cookies
Host
https://bdi.or.th
Duration
1 ปี
Description
Strictly Necessary Cookies
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.