ตัวแบบพยากรณ์ปริมาณส่งออกน้ำตาลทรายและน้ำตาลดิบของประเทศไทย โดยใช้โครงข่ายประสาทเทียมออโตรีเกรสซีฟไม่เชิงเส้นแบบเวฟเล็ต

Main Article Content

อนาลยา หนานสายออ
อาทิตย์ อภิโชติธนกุล

บทคัดย่อ

บทความนี้นำเสนอการพัฒนาตัวแบบพยากรณ์ปริมาณส่งออกน้ำตาลทรายและน้ำตาลดิบรายเดือนของประเทศไทยด้วย โครงข่ายประสาทเทียมออโตรีเกรสซีฟไม่เชิงเส้นแบบเวฟเล็ต และเปรียบเทียบผลการพยากรณ์กับวิธีโครงข่ายประสาทเทียมออโตรีเกรสซีฟไม่เชิงเส้น ผลลัพธ์แสดงให้เห็นว่าวิธีการโครงข่ายประสาทเทียมออโตรีเกรสซีฟไม่เชิงเส้นแบบเวฟเล็ตให้ความแม่นยำที่ดีด้วยค่าเฉลี่ยเปอร์เซ็นต์ความผิดพลาดสัมบูรณ์ในการพยากรณ์ประมาณ 8% และ 6% สำหรับการประมาณปริมาณส่งออกน้ำตาลทรายและน้ำตาลดิบตามลำดับ และมีค่าความคลาดเคลื่อนในการพยากรณ์สินค้าเกษตรทั้งสองชนิดด้วยค่า RMSE เท่ากับ 6,745.31 และ 6,719.65 ตัน ตามลำดับ ดังนั้น หน่วยงานที่เกี่ยวข้องหรือผู้มีส่วนได้ส่วนเสียในอุตสาหกรรมอ้อยและน้ำตาลของไทยสามารถที่จะนำตัวแบบนี้ไปใช้ในการกำหนดนโยบายและการบริหารจัดการโซ่อุปทานที่เหมาะสมเพื่อให้เกิดประโยชน์สูงสุด เพื่อรักษาและเพิ่มขีดความสามารถในการแข่งขันโดยรวมได้ต่อไป

Downloads

Download data is not yet available.

Article Details

บท
บทความวิจัย (research article)

References

เฉลิมพล จตุพร และ พัฒนา สุขประเสริฐ. 2559. ตัวแบบพยากรณ์ผลผลิตและปริมาณส่งออกยางพาราของประเทศไทย. แก่นเกษตร. 44(2): 219 – 228.

บุญฤทธิ์ ชูประดิษฐ์ และเสาวภา ชัยพิทักษ์. 2561. ตัวแบบพยากรณ์ปริมาณการส่งออกมะม่วงของประเทศไทย. วารสารมหาวิทยาลัยนเรศวร: วิทยาศาสตร์และเทคโนโลยี. 26(2): 74 – 85.

บองซูโคร. แหล่งข้อมูล : http://www.bonsucro.com ค้นเมื่อ 11 เมษายน 2563.

วรางคณา กีรติวิบูลย์. 2557. การพยากรณ์ปริมาณการส่งออกยางคอมปาวด์. วารสารวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ. 30(2): 41 – 56.

วรางคณา เรียนสุทธิ์ และน้ำอ้อย นิสัน. 2560. การพยากรณ์ปริมาณการส่งออกไก่แปรรูป. วารสารมหาวิทยาลัยนเรศวร: วิทยาศาสตร์และเทคโนโลยี. 25(2): 140 – 152.
สำนักงานคณะกรรมการอ้อยและน้ำตาล. 2562. รายงานพื้นที่ปลูกอ้อยปีการผลิต 2561/2562. แหล่งข้อมูล:
http://www.ocsb.go.th/upload/journal/fileupload/923-9040.pdf ค้นเมื่อ 11 เมษายน 2563.

สำนักงานเศรษฐกิจการเกษตร. แหล่งข้อมูล: http://www.oae.go.th ค้นเมื่อ 21 มีนาคม 2563.

Başer, U., M. Bozoğlu, N.A. Eroğlu, and B.K. Topuz. 2018. Forecasting chestnut production and export of Turkey using ARIMA model. Turkish Journal of Forecasting. 2(2): 27 – 33.

Benmouiza, K. and A. Cheknane. 2016. Small-scale solar radiation forecasting using ARMA and nonlinear autoregressive neural network models. Theoretical and Applied Climatology. 124: 945 – 958.

Bento, P.M.R., J.A.N. Pombo, M.R.A. Calado, and S.J.P.S Mariano. 2019. Optimization of neural network with wavelet transform and improved data selection using bat algorithm for short-term load forecasting. Neurocomputing. 358: 53 – 71.

Hamzaçebi, C., H. Avni Es, and R. Çakmak. 2019. Forecasting of Turkey’s monthly electricity demand by seasonal artificial neural network. Neural Computing & Applications. 31: 2217 – 2231.

Huang, L. and J. Wang. 2018. Forecasting energy fluctuation model by wavelet decomposition and stochastic recurrent wavelet neural network. Neurocomputing. 309: 70 – 82.

Jallal, M.A., A. González-Vidal, A.F. Skarmeta, S. Chabaa, and A. Zeroual. 2020. A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction. Applied Energy. 268: 114977.

Khosravi, A., L. Machado, and R.O. Nunes. 2018. Time-series prediction of wind speed using machine learning algorithms: A case study Osorio wind farm, Brazil. Applied Energy. 224: 550 – 566.

Kummong, R. and S. Supratid. 2019. Long-term forecasting system using wavelet-nonlinear autoregressive neural network conjunction model. Journal of Modeling in Management. 14(4): 948 – 971.

Li, R., P. Jiang, H. Yang, and C. Li. 2020. A novel hybrid forecasting scheme for electricity demand time series. Sustainable Cities and Society. 55, 102036, 11 pages.

Mehdizadeh, S., F. Fathian, and J.F. Adamowski. 2019. Hybrid artificial intelligence-time series models for monthly streamflow modeling. Applied Soft Computing. 80: 873 – 887.

Nourani, V. and N. Farboudfam. 2019. Rainfall time series disaggregation in mountainous regions using hybrid wavelet-artificial intelligence methods. Environmental Research. 168: 306 – 318.

Puchalsky, W., G.T. Robeiro, C.P. da Veiga, R.Z. Freire, and L.S. Coelho. 2018. Agribusiness time series forecasting using wavelet neural networks and metaheuristic optimization: An analysis of the soybean sack price and perishable products demand. International Journal of Production Economics. 203: 174 – 189.

Tealab, A., H. Hefny, and A. Badr. 2017. Forecasting of nonlinear time series using ANN. Future Computing and Informatics Journal. 2(1): 39 – 47.

Wei, S., D. Zuo, and J. Song. 2012. Improving prediction accuracy of river discharge time series using a wavelet-NAR artificial neural network. Journal of Hydroinformatics. 14(4): 974 – 991.

Zanotti, C., M., Rotiroti, S. Sterlacchini, G. Cappellini, L. Fumagalli, G.A. Stefania, M.S. Nannucci, B. Leoni, and T. Bonomi. 2019. Choosing between linear and nonlinear models and avoiding overfitting for short and long term groundwater level forecasting in a linear system. Journal of Hydrology. 578: 124015.