การจำลองการจราจรหรือการจำลองระบบขนส่งคือการสร้างแบบจำลองทางคณิตศาสตร์ของระบบขนส่ง (เช่น จุดเชื่อมต่อทางด่วน เส้นทางหลัก วงเวียน ระบบโครงข่ายเมือง ฯลฯ) โดยใช้ซอฟต์แวร์คอมพิวเตอร์เพื่อช่วยวางแผน ออกแบบ และดำเนินการระบบขนส่งให้ดียิ่งขึ้น^{[ 1 ]}การจำลองระบบขนส่งเริ่มขึ้นในช่วงทศวรรษ 1950 ^{[ 2 ]}และเป็นสาขาวิชาที่สำคัญในวิศวกรรมจราจรและการวางแผนการขนส่งในปัจจุบัน หน่วยงานขนส่งระดับชาติและระดับท้องถิ่น สถาบันการศึกษา และบริษัทที่ปรึกษาต่างๆ ใช้การจำลองเพื่อช่วยในการจัดการเครือข่ายการขนส่งของตน

การจำลองในด้านการขนส่งมีความสำคัญ เนื่องจากสามารถศึกษาแบบจำลองที่ซับซ้อนเกินกว่าจะวิเคราะห์หรือคำนวณได้ สามารถใช้ในการศึกษาเชิงทดลอง สามารถศึกษาความสัมพันธ์โดยละเอียดที่อาจสูญหายไปในการวิเคราะห์หรือคำนวณ และสามารถสร้างภาพสาธิตที่น่าสนใจของสถานการณ์ปัจจุบันและอนาคตได้

เพื่อให้เข้าใจการจำลอง จำเป็นต้องเข้าใจแนวคิดของสถานะระบบซึ่งเป็นชุดของตัวแปรที่มีข้อมูลเพียงพอที่จะอธิบายวิวัฒนาการของระบบเมื่อเวลาผ่านไป^{[ 3 ]}สถานะระบบอาจเป็นแบบไม่ต่อเนื่องหรือต่อเนื่อง ก็ได้ แบบจำลองการจำลองการจราจรถูกจำแนกตามเวลา สถานะ และพื้นที่แบบไม่ต่อเนื่องและต่อเนื่อง^{[ 4 ]}

วิธีการจำลองในด้านการขนส่งสามารถใช้ทฤษฎีต่างๆ ได้หลากหลาย รวมถึงทฤษฎีความน่าจะเป็นและสถิติ สมการเชิงอนุพันธ์ และวิธีการเชิงตัวเลข

• วิธีมอนเตคาร์โล

หนึ่งในแบบจำลองการจำลองเหตุการณ์แบบไม่ต่อเนื่องที่เก่าแก่ที่สุดคือการจำลองมอนเตคาร์โลซึ่งใช้ชุดตัวเลขสุ่มเพื่อสังเคราะห์สภาพการจราจร^{[ 5 ]}

• แบบจำลองออโตมาตาเซลลูลาร์

ต่อมาคือ แบบจำลอง ออโตมาตาเซลลูลาร์ที่สร้างความสุ่มจากกฎที่กำหนดไว้ล่วงหน้า

• การจำลองเหตุการณ์แบบไม่ต่อเนื่องและการจำลองเวลาต่อเนื่อง

วิธีการที่ทันสมัยกว่านั้นใช้การจำลองเหตุการณ์แบบไม่ต่อเนื่องหรือการจำลองแบบต่อเนื่องตามเวลา แบบจำลองการจำลองเหตุการณ์แบบไม่ต่อเนื่องนั้นเป็นทั้งแบบสุ่ม (มีส่วนประกอบแบบสุ่ม) และแบบไดนามิก (เวลาเป็นตัวแปร) ตัวอย่างเช่น คิวเซิร์ฟเวอร์เดี่ยวสามารถจำลองได้ดีมากโดยใช้การจำลองเหตุการณ์แบบไม่ต่อเนื่อง เนื่องจากเซิร์ฟเวอร์มักจะอยู่ที่ตำแหน่งเดียวและจึงเป็นแบบไม่ต่อเนื่อง (เช่นสัญญาณไฟจราจร ) ในทางกลับกัน การจำลองแบบต่อเนื่องตามเวลาสามารถแก้ไขข้อบกพร่องของการจำลองเหตุการณ์แบบไม่ต่อเนื่องได้ โดยที่แบบจำลองจำเป็นต้องมีวิถีการป้อนข้อมูล สถานะ และผลลัพธ์ภายในช่วงเวลาหนึ่ง วิธีนี้ต้องใช้สมการเชิงอนุพันธ์โดยเฉพาะอย่างยิ่งวิธีการบูรณาการเชิงตัวเลข^{[ 6 ]}สมการเหล่านี้อาจมีตั้งแต่แบบง่ายๆ เช่นวิธีของออยเลอร์ ไปจนถึงวิธี อนุกรมเทย์เลอร์ลำดับสูงเช่นวิธีของเฮินและรันเก-คุตตะ^{[ 7 ]}

• โมเดลติดตามรถยนต์

แบบ จำลองต่อเนื่องระดับจุลภาคประเภทหนึ่ง ที่เรียกว่า แบบจำลองการขับตามรถ ( car-following models ) ก็ใช้สมการเชิงอนุพันธ์เป็นพื้นฐานเช่นกัน แบบจำลองที่สำคัญ ได้แก่ แบบจำลองของ Pipes, แบบจำลองผู้ขับขี่อัจฉริยะและแบบจำลองของ Gippsแบบจำลองเหล่านี้จำลองพฤติกรรมของยานพาหนะแต่ละคัน ("ระดับจุลภาค") เพื่อดูผลกระทบต่อระบบจราจรโดยรวม ("ระดับมหภาค") การใช้วิธีการเชิงตัวเลขกับแบบจำลองการขับตามรถ (เช่น แบบจำลองของ Gipps ร่วมกับแบบจำลองของ Heun) สามารถสร้างข้อมูลสำคัญเกี่ยวกับสภาพการจราจร เช่น ความล่าช้าของระบบ และการระบุจุดคอขวดได้

วิธีการที่กล่าวมาข้างต้นโดยทั่วไปใช้เพื่อจำลองพฤติกรรมของระบบที่มีอยู่แล้ว และมักมุ่งเน้นไปที่พื้นที่ที่สนใจเฉพาะภายใต้เงื่อนไขต่างๆ (เช่น การเปลี่ยนแปลงรูปแบบ การปิดช่องทางจราจร และระดับการไหลของจราจรที่แตกต่างกัน) การวางแผนและการพยากรณ์ด้านการขนส่งสามารถนำมาใช้เพื่อพัฒนาความเข้าใจที่กว้างขึ้นเกี่ยวกับความต้องการด้านการจราจรในพื้นที่ทางภูมิศาสตร์ที่กว้างขวาง และคาดการณ์ระดับการจราจรในอนาคตที่จุดเชื่อมต่อ (ส่วนต่างๆ) ในเครือข่าย โดยรวมเอาสถานการณ์การเติบโตที่แตกต่างกัน พร้อมด้วยวงจรป้อนกลับเพื่อรวมผลกระทบของความแออัดต่อการกระจายการเดินทาง

แบบจำลองการจำลองการจราจรมีประโยชน์จากมุมมองระดับจุลภาค ระดับมหภาค และบางครั้งระดับกลาง การจำลองสามารถนำไปใช้ได้ทั้งในการวางแผนการขนส่งและการออกแบบและการดำเนินงานด้านการขนส่ง ในการวางแผนการขนส่ง แบบจำลองการจำลองจะประเมินผลกระทบของรูปแบบการพัฒนาเมืองในระดับภูมิภาคต่อประสิทธิภาพของโครงสร้างพื้นฐานด้านการขนส่งองค์กรวางแผนระดับภูมิภาคใช้แบบจำลองเหล่านี้เพื่อประเมินสถานการณ์สมมติในภูมิภาค เช่น คุณภาพอากาศ เพื่อช่วยพัฒนา แนวนโยบาย การใช้ที่ดินที่นำไปสู่การเดินทางที่ยั่งยืน มากขึ้น ในทางกลับกัน การสร้างแบบจำลองการดำเนินงานและการออกแบบระบบขนส่งมุ่งเน้นไปที่ระดับที่เล็กกว่า เช่น ทางหลวงและจุดคอขวด ประเภทของเลน การกำหนดเวลาสัญญาณไฟจราจร และคำถามอื่นๆ ที่เกี่ยวข้องกับการจราจรจะได้รับการตรวจสอบเพื่อปรับปรุงประสิทธิผลและประสิทธิภาพของระบบในท้องถิ่น^{[ 8 ]}ในขณะที่แบบจำลองการจำลองบางแบบมีความเชี่ยวชาญในการสร้างแบบจำลองการดำเนินงานหรือการวางแผนระบบ แต่แบบจำลองบางแบบก็มีความสามารถในการสร้างแบบจำลองทั้งสองอย่างได้ในระดับหนึ่ง

ไม่ว่าจะเป็นเพื่อการวางแผนหรือการดำเนินงานของระบบ การจำลองสามารถนำไปใช้กับ โหมดการขนส่งที่หลากหลายได้

การขนส่งทางบกสำหรับทั้งการเคลื่อนย้ายผู้โดยสารและสินค้าอาจเป็นพื้นที่ที่มีการใช้การจำลองอย่างกว้างขวางที่สุด การจำลองสามารถดำเนินการได้ในระดับทางเดิน หรือในระดับเครือข่ายถนนที่ซับซ้อนกว่า เพื่อวิเคราะห์การวางแผน การออกแบบ และการดำเนินงาน เช่น ความล่าช้า มลพิษ และความแออัด แบบจำลองการขนส่งทางบกสามารถรวมโหมดการเดินทางบนถนนทุกรูปแบบ รวมถึงยานพาหนะ รถบรรทุก รถโดยสาร จักรยาน และคนเดินเท้า ในแบบจำลองการจราจรบนถนนแบบดั้งเดิม มักใช้การแสดงการจราจรแบบรวมกลุ่ม โดยที่ยานพาหนะทั้งหมดในกลุ่มใดกลุ่มหนึ่งปฏิบัติตามกฎพฤติกรรมเดียวกัน ในการจำลองขนาดเล็ก จะรวมพฤติกรรมของผู้ขับขี่และประสิทธิภาพของเครือข่าย เพื่อให้สามารถตรวจสอบปัญหาการจราจรที่สมบูรณ์ (เช่นระบบขนส่งอัจฉริยะคลื่นกระแทก) ได้^{[ 9 ]}

ทางรถไฟเป็นรูปแบบการเดินทางที่สำคัญสำหรับทั้งการขนส่งสินค้าและผู้โดยสาร การจำลองทางรถไฟสำหรับการขนส่งสินค้ามีความสำคัญต่อการกำหนดประสิทธิภาพการดำเนินงานและการตัดสินใจวางแผนอย่างมีเหตุผล^{[ 10 ]}การจำลองการขนส่งสินค้าสามารถรวมถึงแง่มุมต่างๆ เช่น เลนรถบรรทุกเฉพาะ การไหลของสินค้า ความจุของทางเดินและระบบ การจัดสรรการจราจร/การไหลของเครือข่าย และแผนการขนส่งสินค้าที่เกี่ยวข้องกับการพยากรณ์ความต้องการการเดินทาง^{[ 11 ]}

การขนส่งทางทะเลและทางอากาศเป็นสองด้านที่มีความสำคัญต่อเศรษฐกิจ การจำลองการขนส่งทางทะเลส่วนใหญ่เกี่ยวข้องกับ การสร้างแบบจำลอง ท่าเทียบเรือคอนเทนเนอร์ ซึ่งเกี่ยวข้องกับโลจิสติกส์ของการจัดการคอนเทนเนอร์เพื่อปรับปรุงประสิทธิภาพของระบบ การจำลองการขนส่งทางอากาศส่วนใหญ่เกี่ยวข้องกับการสร้างแบบจำลองการดำเนินงานของอาคารผู้โดยสารสนามบิน (การจัดการสัมภาระ จุดตรวจรักษาความปลอดภัย) และการดำเนินงาน ของทางวิ่ง

นอกเหนือจากการจำลองโหมดการขนส่งแต่ละแบบแล้ว การจำลอง เครือข่ายการ ขนส่งแบบหลายโหมด มักมีความสำคัญมากกว่า เนื่องจากในความเป็นจริง โหมดการขนส่งต่างๆ นั้นมีการบูรณาการและมีความซับซ้อนมากกว่าที่แต่ละโหมดอาจมองข้ามไป การจำลองเครือข่ายการขนส่งแบบหลายโหมดจะช่วยให้เข้าใจผลกระทบของเครือข่ายนั้นๆ ได้ดียิ่งขึ้นจากมุมมองที่ครอบคลุม เพื่อให้สามารถแสดงผลกระทบได้อย่างแม่นยำยิ่งขึ้นและนำไปสู่การกำหนดนโยบายที่สำคัญ ตัวอย่างของโปรแกรมจำลองการขนส่งแบบหลายโหมดคือ Commuter ที่พัฒนาโดย Azalient ซึ่งมีการเพิ่มตัวเลือกเส้นทางและโหมดการเดินทางแบบไดนามิกโดยผู้ใช้งานในระหว่างการจำลอง – การจำลองประเภทนี้เรียกว่า นาโนซิมูเลชัน (nanosimulation) เนื่องจากพิจารณาความต้องการและการเดินทางในรายละเอียดที่ละเอียดกว่าไมโครซิมูเลชัน (microsimulation) แบบดั้งเดิม

การจำลองในด้านการขนส่งยังสามารถบูรณาการเข้ากับการจำลองสภาพแวดล้อมในเมืองได้ โดยการจำลองพื้นที่เมืองขนาดใหญ่ซึ่งรวมถึงเครือข่ายถนน เพื่อให้เข้าใจการใช้ที่ดินและผลกระทบด้านการวางแผนอื่นๆ ของเครือข่ายการจราจรที่มีต่อสภาพแวดล้อมในเมืองได้ดียิ่งขึ้น

ซอฟต์แวร์จำลอง^{[ 12 ]}กำลังพัฒนาดีขึ้นในหลายๆ ด้าน ด้วยความก้าวหน้าใหม่ๆ ในด้านคณิตศาสตร์ วิศวกรรม และการคำนวณ โปรแกรมซอฟต์แวร์จำลองจึงเร็วขึ้น มีประสิทธิภาพมากขึ้น มีรายละเอียดมากขึ้น และสมจริงมากขึ้น^{[ 13 ]}

โดยทั่วไปแล้วแบบจำลองการขนส่งสามารถจำแนกได้เป็นแบบจำลองระดับจุลภาค ระดับกลาง ระดับมหภาค และระดับเหนือระดับมหภาค แบบจำลองระดับจุลภาคศึกษาองค์ประกอบแต่ละส่วนของระบบการขนส่ง เช่น พลวัตของยานพาหนะแต่ละคันและพฤติกรรมของผู้เดินทางแต่ละคน แบบจำลองระดับกลางวิเคราะห์องค์ประกอบการขนส่งในกลุ่มเล็กๆ ซึ่งองค์ประกอบภายในกลุ่มนั้นถือว่ามีความเป็นเนื้อเดียวกัน ตัวอย่างทั่วไปคือพลวัตของขบวนยานพาหนะและพฤติกรรมการเดินทางในระดับครัวเรือน แบบจำลองระดับมหภาคเกี่ยวข้องกับลักษณะโดยรวมขององค์ประกอบการขนส่ง เช่น พลวัตการไหลของจราจรโดยรวมและการวิเคราะห์ความต้องการการเดินทางในระดับพื้นที่

แบบจำลองไมโครซิมูเลชันติดตามการเคลื่อนไหวของยานพาหนะแต่ละคันในระดับวินาทีหรือต่ำกว่าวินาที ไมโครซิมูเลชันอาศัยตัวเลขสุ่มในการสร้างยานพาหนะ เลือกเส้นทาง และกำหนดพฤติกรรม เนื่องจากความผันแปรนี้ จึงจำเป็นต้องรันแบบจำลองหลายครั้งด้วยค่าเริ่มต้นของตัวเลขสุ่ม ที่แตกต่างกัน เพื่อให้ได้ความแม่นยำที่ต้องการ จะมีช่วง "วอร์มเครื่อง" ก่อนที่ระบบจะเข้าสู่สภาวะคงที่ และควรตัดช่วงเวลานี้ออกจากผลลัพธ์

แบบจำลองไมโครซิมูเลชันมักสร้างผลลัพธ์สองประเภท ได้แก่ ภาพเคลื่อนไหว และผลลัพธ์เชิงตัวเลขในไฟล์ข้อความ สิ่งสำคัญคือต้องเข้าใจว่าซอฟต์แวร์ได้รวบรวมและสรุปผลลัพธ์เชิงตัวเลขอย่างไรเพื่อป้องกันการตีความผิดพลาด ภาพเคลื่อนไหวช่วยให้นักวิเคราะห์ประเมินประสิทธิภาพได้อย่างรวดเร็ว แต่มีข้อจำกัดในการเปรียบเทียบเชิงคุณภาพ ตัวบ่งชี้หลักของปัญหาที่สามารถมองเห็นได้ในภาพเคลื่อนไหวคือการเกิดคิวที่ค้างอยู่เป็นเวลานาน

'ตัวชี้วัดประสิทธิผล' (MOEs) อาจคำนวณหรือกำหนดในลักษณะเฉพาะสำหรับแต่ละโปรแกรมจำลอง MOEs คือสถิติประสิทธิภาพของระบบที่จัดประเภทระดับที่ทางเลือกใดทางเลือกหนึ่งบรรลุวัตถุประสงค์ของโครงการ MOEs ต่อไปนี้เป็นสิ่งที่พบได้บ่อยที่สุดในการวิเคราะห์แบบจำลองการจำลอง:

• 'VMT' (ระยะทางที่ยานพาหนะวิ่ง) คำนวณจากจำนวนยานพาหนะในระบบและระยะทางที่ยานพาหนะเหล่านั้นวิ่ง
• 'VHT' (ชั่วโมงการเดินทางของยานพาหนะ) คำนวณจากผลคูณของปริมาณการจราจรบนเส้นทางและเวลาในการเดินทางบนเส้นทางนั้น แล้วนำผลรวมของทุกเส้นทางมารวมกัน
• 'ความเร็วเฉลี่ยของระบบ' เท่ากับ VMT/VHT
• 'ความล่าช้ารวมของระบบ' เป็นหนึ่งในวิธีที่มีประสิทธิภาพที่สุดในการประเมินทางเลือกต่างๆ ในการบรรเทาปัญหาการจราจรติดขัด และโดยปกติแล้ว ความล่าช้าโดยรวม (MOE) มักเป็นสิ่งที่ผู้เดินทางสังเกตเห็น ความล่าช้าสามารถคำนวณได้หลายวิธี บางวิธีนับเฉพาะความล่าช้าที่เกินกว่าสภาวะการจราจรคล่องตัว บางวิธีรวมความล่าช้าพื้นฐานที่เกิดขึ้นจากอุปกรณ์ควบคุมการจราจร บางวิธีรวมความล่าช้าจากการเร่งความเร็วและการลดความเร็ว ในขณะที่บางวิธีนับเฉพาะความล่าช้าขณะหยุดนิ่ง

ตัวชี้วัดอื่นๆ ที่มักรายงานจากเครื่องมือจำลองการจราจร ได้แก่:

• ความเร็ว การไหล ความหนาแน่น เวลาเดินทาง ความล่าช้า เวลาหยุด ในช่วงเวลาของถนนเชื่อมต่อ
• ปริมาณการเลี้ยวบริเวณทางแยก การจราจรติดขัด
• เวลาเดินทาง
• เครื่องตรวจจับลูปจะบันทึกความเร็ว จำนวนรถ ระยะห่างระหว่างรถ และช่องว่างระหว่างรถ
• เส้นทางการเคลื่อนที่ของยานพาหนะและกราฟแสดงความเร็วเทียบกับระยะทาง

ผลลัพธ์จากแบบจำลองไมโครซิมูเลชันแตกต่างจากผลลัพธ์จากคู่มือความจุทางหลวง ของรัฐบาลกลางสหรัฐฯ (HCM) ตัวอย่างเช่น ขั้นตอนส่วนใหญ่ของ HCM ถือว่าการจราจรที่ทางแยกหนึ่งจะไม่ได้รับผลกระทบจากสภาพของถนนที่อยู่ติดกัน (ยกเว้นทางด่วน HCS 2000) การจราจรติดขัดและแถวยาวจากที่หนึ่งไปรบกวนอีกที่หนึ่งจะขัดแย้งกับสมมติฐานนี้

คู่มือ HCM 2010ให้คำแนะนำที่ปรับปรุงใหม่เกี่ยวกับประเภทของผลลัพธ์จากซอฟต์แวร์จำลองการจราจรที่เหมาะสมที่สุดสำหรับการวิเคราะห์และการเปรียบเทียบกับ HCM ตัวอย่างเช่น เส้นทางการเคลื่อนที่ของยานพาหนะและผลลัพธ์ดิบจากตัวตรวจจับลูป

ในแบบจำลองการจราจรแบบไมโครซิมูเลชัน (HCM) ค่าความล่าช้าถูกใช้เพื่อประเมินระดับการให้บริการ (LOS) สำหรับทางแยก อย่างไรก็ตาม มีความแตกต่างที่ชัดเจนระหว่างวิธีการที่โปรแกรมไมโครซิมูเลชันและ HCM กำหนดค่าความล่าช้า HCM ใช้ค่าความล่าช้าโดยอิงจากปริมาณการจราจรที่ปรับแล้ว โดยใช้ค่าเฉลี่ยของค่าความล่าช้าในการควบคุมในช่วง 15 นาทีที่มีปริมาณการจราจรสูงสุดภายในหนึ่งชั่วโมง ความแตกต่างระหว่างความล่าช้าทั้งหมดและความล่าช้าในการควบคุมมีความสำคัญ ความล่าช้าในการควบคุมคือเมื่อการควบคุมสัญญาณไฟจราจรทำให้กลุ่มรถชะลอตัวหรือหยุด สิ่งสำคัญคือต้องดูเอกสารประกอบของซอฟต์แวร์เพื่อทำความเข้าใจวิธีการคำนวณความล่าช้า ในการใช้ผลลัพธ์จากไมโครซิมูเลชันเพื่อหา LOS ค่าความล่าช้าจะต้องถูกสะสมในช่วงเวลา 15 นาทีและหาค่าเฉลี่ยจากการจำลองหลายครั้งด้วยค่าเริ่มต้นแบบสุ่มที่แตกต่างกัน เนื่องจาก HCM ใช้ปริมาณการจราจรที่ปรับแล้ว อีกวิธีหนึ่งในการเปรียบเทียบความล่าช้าคือการหารปริมาณการจราจรสูงสุด 15 นาทีของข้อมูลป้อนเข้าการจำลองด้วยปัจจัยชั่วโมงสูงสุด (PHF) เพื่อเพิ่มปริมาณการจราจรในการจำลอง

HCM 2000 นิยามคิวว่าเป็นแถวของยานพาหนะ จักรยาน หรือบุคคลที่รอรับบริการจากระบบ โดยอัตราการไหลจากด้านหน้าของคิวจะเป็นตัวกำหนดความเร็วเฉลี่ยภายในคิว ยานพาหนะที่เคลื่อนที่ช้าหรือบุคคลที่เข้าร่วมท้ายคิวมักจะถือว่าเป็นส่วนหนึ่งของคิว คำจำกัดความเหล่านี้ค่อนข้างสัมพันธ์กันและอาจคลุมเครือ ในโปรแกรมจำลองขนาดเล็กส่วนใหญ่ ความยาวของคิวไม่สามารถเกินความจุในการจัดเก็บสำหรับทางเลี้ยวหรือเลนนั้นได้ การล้นไปยังลิงก์ที่อยู่ติดกันหรือออกนอกเครือข่ายมักจะไม่ถูกนำมาพิจารณา แม้ว่าสิ่งนี้อาจส่งผลต่อผลลัพธ์ก็ตาม (หากเป็นเช่นนั้น วิธีแก้ปัญหาชั่วคราวคือการเพิกเฉยต่อผลกระทบเหล่านั้นชั่วคราวและขยายเครือข่ายหรือพื้นที่จัดเก็บสำหรับลิงก์เพื่อให้ครอบคลุมความยาวคิวสูงสุด) ^{[ 14 ]}

• Hollander, Yaron (2016). การสร้างแบบจำลองการจราจรสำหรับผู้เริ่มต้นอย่างสมบูรณ์ CTthink!
• Treiber, M.; Kesting, A. (2013). พลวัตการไหลของจราจร . Springer.
• "คำแนะนำเกี่ยวกับระดับความพยายามที่จำเป็นในการวิเคราะห์การจราจรโดยใช้การจำลองขนาดเล็ก" (PDF)สำนักงานบริหารทางหลวงแห่งสหรัฐอเมริกามีนาคม 2557