Sugar and raw sugar products export volumes forecasting models based on wavelet-nonlinear autoregressive neural network
Article Sidebar
Published:
Feb 15, 2021
Keywords:
time series forecasting sugar and raw sugar products export volumes wavelet-nonlinear autoregressive neural network model (WNAR thai sugarcane and sugar industry
Main Article Content
Abstract
The paper presents the development and comparison of the forecasting models for sugar and raw sugar products export volumes of Thailand. This approach has been developed based on wavelet-nonlinear autoregressive neural network (WNAR) and comparisons results with the nonlinear autoregressive neural network (NAR) method. The results show that the developed model provides accuracy prediction solutions with the minimum mean absolute percentage error (MAPE) values of 8%, 6% and minimum root mean square error (RMSE) values of 6,745; 6,720 tons for the sugar and raw sugar products, respectively. Therefore, the related stakeholders in Thai sugarcane and sugar industry should be used the models to set the appropriate policies and manage supply chains, to maximize overall benefits, to maintain and increase overall competitiveness.
Article Details
How to Cite
Nansaior, A. ., & Apichottanakul, A. . (2021). Sugar and raw sugar products export volumes forecasting models based on wavelet-nonlinear autoregressive neural network. Khon Kaen Agriculture Journal, 49(1), 179–191. retrieved from https://li01.tci-thaijo.org/index.php/agkasetkaj/article/view/249330
Section
บทความวิจัย (research article)
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
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.
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.
