ประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่อง สำหรับการพยากรณ์ ฝุ่นละอองขนาดเล็กในอากาศ
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่อง สำหรับการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ (PM2.5) โดยตัวแปรที่ใช้ในการสร้างตัวแบบฝุ่น PM2.5 จำนวน 16 ตัวแปร จากสถานีตรวจวัดคุณภาพอากาศและอุตุนิยมวิทยา ของกรมควบคุมมลพิษ จังหวัดอุดรธานี ที่ถูกจัดเก็บในรูปแบบรายชั่วโมง ตั้งแต่เดือนมิถุนายน ถึงเดือนธันวาคม ปี พ.ศ. 2564 รวมทั้งสิ้น 4,608 แถว โดยนำมาวิเคราะห์ตามกระบวนการวิเคราะห์ข้อมูล เพื่อสร้างตัวแบบพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ ด้วยเทคนิคการประมาณค่าข้อมูล (Regression Model) โดยในงานวิจัยในครั้งนี้ได้เลือกใช้เทคนิคการเรียนรู้ของเครื่องทั้งหมด 4 เทคนิค ได้แก่ เทคนิคการถดถอยเชิงเส้น (Linear Regression) เทคนิคโครงข่ายประสาทเทียม (Neural Network) เทคนิคซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machines) และเทคนิคการเรียนรู้เชิงลึก (Deep Learning) จากผลการวิจัยพบว่าเทคนิคที่มีความเหมาะสมที่สุดสำหรับการสร้างตัวแบบการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ คือ เทคนิคโครงข่ายประสาทเทียม (Neural Network) โดยให้ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) น้อยที่สุดเท่ากับ 8.673 ค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสอง (RMSE) เท่ากับ 2.945 ค่าความคลาดเคลื่อนสัมบูรณ์ (AE) เท่ากับ 2.126 ค่าความคลาดเคลื่อนกำลังสอง (SE) เท่ากับ 8.709 และค่าสัมประสิทธิ์การตัดสินใจพหุคูณ (R2) เท่ากับ 0.948 ผลลัพธ์จากการวิเคราะห์ข้อมูลนี้สามารถนำไปสร้างตัวแบบที่เหมาะสมไปใช้สำหรับการพยากรณ์ฝุ่นละอองขนาดเล็กในอากาศ เพื่อให้หน่วยงานที่เกี่ยวข้องสามารถเข้าถึงข้อมูลและนำไปใช้ในการกำหนดมาตรการการเฝ้าระวังการเกิดฝุ่นละอองขนาดเล็ก อีกทั้งสามารถพัฒนาต่อยอดไปเป็นระบบสารสนเทศสำหรับการการพยากรณ์ฝุ่นละอองขนาดเล็กที่จะเกิดขึ้นในอนาคต
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของลิขสิทธิ์ (สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์) ผู้เขียน ตกลงว่าการทำสำเนาบทความหรือส่วนใดส่วนหนึ่งของบทความดังกล่าวในรูปแบบสิ่งพิมพ์หรืออิเล็กทรอนิกส์ตามที่ได้รับอนุญาต จะต้องระบุประกาศลิขสิทธิ์ตามที่กำหนดไว้ในวารสาร พร้อมทั้งอ้างอิงข้อมูลฉบับสมบูรณ์ของบทความที่ตีพิมพ์ในวารสารที่จัดทำโดย สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์ อย่างครบถ้วนทุกครั้ง
เอกสารอ้างอิง
DAIKIN THAILAND. PM2.5 คืออะไร? อันตรายและการป้องกันฝุ่นละอองขนาดเล็ก [อินเทอร์เน็ต] 2563. [เข้าถึงเมื่อ 25 มีนาคม 2566]. เข้าถึงได้จาก: https://www.daikin.co.th/service- knowledge/pm-2-5/
เวชกร ไกรยราช, ภัทรพงศ์ บัณฑฺตา. แอปพลิเคชันพยากรณ์ปริมาณฝุ่นละอองขนาดเล็กในอากาศ PM2.5 ด้วยโครงข่ายประสาทเทียม (ปริญญานิพนธ์ปริญญาวิทยาศาสตรบัณฑิต). คณะวิทยาการสารสนเทศ. มหาสารคาม:มหาวิทยาลัยมหาสารคาม; 2564.
บรรจบ ชุณหสวัสดิกุล, พยงค์ วณิเกียรติ, อัมพร กรอบทอง, กมล ไชยสิทธิ. ผลต่อสุขภาพของฝุ่นละอองในอากาศขนาดไม่เกิน 2.5 ไมครอน กลไกก่อให้เกิดโรค และการรักษาด้วยการแพทย์ทางเลือก. วารสารการแพทย์แผนไทยและการแพทย์ทางเลือก. 2563; 18(1): 187-202.
อินท์ฉัตร สุขเกษม. การพยากรณ์ปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2. 5) จังหวัดนครราชสีมา. The office of disease prevention and control 9th Nakhon Ratchasima Journal. 2021; 27(1): 16-25.
ธรณินทร์ สัจวิริยทรัพย์. ตัวแบบผสมอารีมา-ซัพพอร์ตเวกเตอร์แมชชีนเน้น องค์ประกอบเชิงบวกสำหรับการพยากรณ์ปริมาณฝุ่นละอองขนาดไม่เกิน 10 ไมครอน. Thai Science and Technology Journal. 2019; 27(3): 526-538.
พรนภา แสงศรี, พรพิมล ชัยวุฒิศักดิ์. วิธีผสมของโครงข่ายประสาทเทียมและห่วงโซ่มาร์คอฟสำหรับพยากรณ์ปริมาณ ความเข้มข้นของฝุ่นละอองขนาด 2.5 ไมครอน. Thai Science and Technology Journal. 2021; 29(5): 752-765. doi: 10.14456/tstj.2021.63.
ชญานนท์ เทพแสงพราว, ธงทิศ ฉายากุล, ศิริมา ปัญญาเมธีกุล. การทํานายปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอนจากข้อมูลความลึกเชิงแสงของอนุภาคแขวนลอยในอากาศและข้อมูลอุตุนิยมวิทยาในพื้นที่กรุงเทพมหานครและปริมณฑล. ใน: รายงานการประชุมวิชาการวิศวกรรมโยธาแห่งชาติ ปีที่ 26, 23-25 มิถุนายน 2564 การประชุมรูปแบบออนไลน์: หน้า SGI-02-1 - SGI-02-8.
ปรัชญา สิงหวรวงศ์. การพยากรณ์ฝุ่น PM2.5 ล่วงหน้าในจังหวัดเชียงใหม่ โดยใช้แบบจำลองหน่วยความจำระยะสั้นแบบยาว (สารนิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต). คณะวิทยาศาสตร์. นครนายก: มหาวิทยาลัยศรีนครินทรวิโรฒ; 2563.
อนุพงศ์ สุขประเสริฐ, คู่มือการทำเหมืองข้อมูลด้วยโปรแกรม RAPIDMINER STUDIO. พิมพ์ครั้งที่ 4. มหาสารคาม: คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม; 2564.
World Health organization. WHO guidelines for air quality [อินเทอร์เน็ต]. 2565. [เข้าถึงเมื่อ 25 พฤศจิกายน 2565]. เข้าถึงได้จาก: https://www.who.int/news-room/feature-stories/detail/what-are-the-who-air-quality-guidelines
จิรายุทธ เจริญ, สิทธิเดช สารจันทร์, อนุพงศ์ สุขประเสริฐ, ธัญญธร ศรีวิเชียร. การพยากรณ์ราคาสกุลเงินอีเธอเรียมด้วยวิธีการเรียนรู้ของเครื่อง. ใน: รายงานการประชุมวิชาการระดับชาติเครือข่ายวิจัยสถาบันอุดมศึกษาทั่วประเทศ ครั้งที่ 15, 26-28 เมษายน 2565 กรุงเทพฯ: หน้า 196–208.
กิตติญา หมุนไหม. โปรแกรมแปลงภาพเป็นคำบรรยายภาษาไทยอัตโนมัติ [อินเทอร์เน็ต]. 2563. [เข้าถึงเมื่อ 25 มกราคม 2566]. เข้าถึงได้จาก: https://shorturl.asia/8gROl.
รณชัย ชื่นธวัช. “การพยากรณ์ค่าความเข้มข้นของฝุ่นละอองขนาดเล็กไม่เกิน 10 ไมครอนด้วยเครือข่ายประสาทเทียมร่วมกับรูปแบบออโตรีเกรสซีพ,”.วารสารวิทยาศาสตร์บูรพา ปีที่ 22, ฉบับที่ 3 (กันยายน–ธันวาคม พ.ศ. 2560), 519-537.
