การเปรียบเทียบตัวแบบ SARIMA และตัวแบบผสม SARIMA-SVR เพื่อการพยากรณ์ปริมาณน้ำจำหน่ายในเขตอำเภอเมือง จังหวัดฉะเชิงเทรา
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของตัวแบบในการพยากรณ์ปริมาณน้ำจำหน่ายในเขตอำเภอเมือง จังหวัดฉะเชิงเทรา ซึ่งเป็นพื้นที่เศรษฐกิจที่มีความต้องการใช้น้ำเติบโตอย่างต่อเนื่อง โดยทำการเปรียบเทียบระหว่างตัวแบบ Seasonal Autoregressive Integrated Moving Average (SARIMA) และตัวแบบผสม SARIMA ร่วมกับตัวแบบ SVR (SARIMA-SVR) ข้อมูลที่ใช้ในการศึกษาเป็นข้อมูลปริมาณน้ำจำหน่ายรายเดือน ตั้งแต่เดือน มกราคม พ.ศ. 2558 ถึง ธันวาคม พ.ศ. 2568 รวมทั้งสิ้น 132 เดือน โดยแบ่งข้อมูลออกเป็น 2 ชุด คือ ข้อมูลสำหรับสร้างตัวแบบ (training data) 120 เดือน และข้อมูลสำหรับทดสอบการพยากรณ์ (testing data) 12 เดือน ประเมินประสิทธิภาพของตัวแบบด้วยเกณฑ์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error: MAE) และเกณฑ์ร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Percentage Error: MAPE) ผลการศึกษาพบว่า ตัวแบบผสม SARIMA-SVR2 ให้ความแม่นยำในการพยากรณ์ปริมาณน้ำจำหน่ายมากที่สุด ภายใต้ข้อมูลและตัวแบบที่ศึกษา โดยมีค่า MAE เท่ากับ 20,260.07 ลูกบาศก์เมตร และ MAPE ร้อยละ 2.35 มีความแม่นยำในการพยากรณ์ร้อยละ 97.65 ตัวแบบผสม SARIMA-SVR ให้ความแม่นยำในการพยากรณ์ปริมาณน้ำจำหน่ายดีกว่าตัวแบบ SARIMA โดยมีค่า MAE เท่ากับ 20,260.07 ลูกบาศก์เมตร และ MAPE ร้อยละ 2.35 ทั้งนี้เนื่องจากตัวแบบ SARIMA สามารถตรวจจับแนวโน้มและฤดูกาลที่เป็นเชิงเส้นได้ดี ในขณะที่ตัวแบบ SVR ช่วยลดความคลาดเคลื่อนในส่วนที่ไม่เป็นเชิงเส้นได้อย่างมีประสิทธิภาพ ผลลัพธ์จากงานวิจัยนี้สามารถนำไปใช้เป็นแนวทางสนับสนุนการตัดสินใจสำหรับหน่วยงานที่เกี่ยวข้องในการวางแผนบริหารจัดการการสำรองน้ำประปา และการพัฒนาโครงสร้างพื้นฐานด้านระบบสาธารณูปโภคในเขตอำเภอเมือง จังหวัดฉะเชิงเทราได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของ วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยอุบลราชธานี และคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
เอกสารอ้างอิง
Zhang, G.P. 2003. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 50: 159-175.
Box, G.E.P. and et al. 2008. Time Series Analysis: Forecasting and Control. 4th edition. Hoboken: John Wiley and Sons, Inc.
Pai, P.F. and Lin, C.S. 2005. A hybrid ARIMA and support vector machines model in stock price forecasting. Omega. 33(6): 497-505.
Sutthison, T. 2020. Appropriate models for forecasting of water supply consumption in Ubonratchathani Province. Burapha Science Journal. 25(1): 28-50. (in Thai)
Albarr, H. and Kusumawati, R. 2023. Hybrid autoregressive integrated moving average-support vector regression for stock price forecasting. Jurnal Matematika, Sains, dan Teknologi. 24(2): 1-17.
Provincial Waterworks Authority. 2025. Data Water Consumption. https://www.pwa.co.th/province/. Accessed 20 February 2026. (in Thai)
Bowerman, B.L., O’Connell, R.T. and Koehler, A.B. 2005. Forecasting, Time series and Regression: An Applied Approach. 4th edition. Belmont: Thomson Brooks/Cole.
Vapnik, V.N. 1995. The Nature of Statistical Learning Theory. Berlin: Springer-Verlag.
Ojemakinde, B.T. 2006. Support Vector Regression for Non-Stationary Time Series. M.Sc. Thesis, University of Tennessee, Knoxville.
Scholkopf, B. and Smola, A.J. 2001. Learning with Kernels: Support Vector Machines, Regularization, Optimization and Beyond. Cambridge: MIT Press.
Awad, M. and Khanna, R. 2015. Efficient Learning Machines. Berkeley: Apress.
Meyer, D. and et al. 2025. e1071: Misc functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien. https://CRAN.R-project.org/package=e1071. Accessed 22 April 2026.
Lewis, C.D. 1982. Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. Oxford: Butterworth-Heinemann.
