แบบจำลองทำนายราคาข้าวโพดโดยใช้การเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
ข้าวโพดเลี้ยงสัตว์เป็นสินค้าการเกษตรที่มีความต้องการสูงในหลายอุตสาหกรรม อย่างไรก็ตาม ราคาของข้าวโพดเลี้ยงสัตว์มีการเปลี่ยนแปลงอย่างไม่แน่นอนในแต่ละปี ส่งผลให้เกษตรกรประสบความยากลำบากในการวางแผนเพาะปลูก การคาดการณ์ราคาข้าวโพดล่วงหน้าจึงมีความสำคัญเพื่อให้เกษตรกรสามารถวางแผนได้อย่างมีประสิทธิภาพ งานวิจัยนี้นำเสนอการพัฒนาแบบจำลองทำนายราคาข้าวโพด โดยใช้ทั้งข้อมูลราคาข้าวโพดในอดีตและคุณลักษณะสำคัญอื่น ๆ งานวิจัยได้เปรียบเทียบประสิทธิภาพของแบบจำลอง 4 ประเภท ได้แก่ ARIMA, ARIMAX, LSTM และ GRU โดยใช้ข้อมูลระหว่างปี พ.ศ. 2558 ถึง พ.ศ. 2564 เพื่อทำนายราคาข้าวโพดในปี พ.ศ. 2563 และ พ.ศ. 2564 ผลการเปรียบเทียบระหว่างแบบจำลองที่ใช้ข้อมูลราคาข้าวโพดเพียงอย่างเดียวในการสร้าง และแบบจำลองที่ใช้ข้อมูลราคาข้าวโพดร่วมกับคุณลักษณะอื่นพบว่า แบบจำลอง GRU ที่ใช้ข้อมูลราคาข้าวโพดย้อนหลังร่วมกับคุณลักษณะอื่น ได้แก่ ปริมาณส่งออกข้าวโพดทั้งหมด ราคาข้าวโพดส่งออก ราคาซื้อขายล่วงหน้าตลาดชิคาโก และมูลค่าส่งออกข้าวโพดทั้งหมด มีประสิทธิภาพดีที่สุด โดยมีค่า RMSE เท่ากับ 0.0780 และค่า MAE เท่ากับ 0.0662 การคาดการณ์ราคาที่แม่นยำมีความสำคัญอย่างยิ่งสำหรับเกษตรกรและผู้ที่เกี่ยวข้องในอุตสาหกรรมข้าวโพดเลี้ยงสัตว์ เนื่องจากช่วยให้การวางแผนและการบริหารจัดการทรัพยากรสามารถทำได้อย่างมีประสิทธิภาพมากขึ้น
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
ALGOADDICT. (2019, June 22). How ARIMA works in time series forecasting. https://shorturl.at/bKpnM (in Thai)
Boonmana, C., & Kulvanich, N. (2017). A comparative prediction accuracy of hybrid time series models. Journal of Science and Technology, 25(2), 177-190. (in Thai)
Bora, N. (2021, November 9). Understanding ARIMA models for machine learning. Capital One. https://www.capitalone.com/tech/machine-learning/understanding-arima-models/
Chaiyadecha, S. (2022, April 27). Time series and stationary test using Python with time series data. Medium. https://lengyi.medium.com/time-series-stationary-python-adf-929ea3c64887 (in Thai)
Cho, K., Merrienboer, B. V., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder–decoder for statistical machine translation. arXiv. https://arxiv.org/abs/1406.1078
Fernando, J. (2024). The correlation coefficient: What it is and what it tells investors. Investopedia. https://www.investopedia.com/terms/c/correlationcoefficient.asp
Ge, Y., & Wu, H. (2019). Prediction of corn price fluctuation based on multiple linear regression analysis model under big data. Neural Computing and Applications, 32(22), 16843-16855. https://doi.org/10.1007/s00521-018-03970-4
Guo, Y., Tang, D., Tang, W., Yang, S., Tang, Q., Feng, Y., & Zhang, F. (2022). Agricultural price prediction based on combined forecasting model under spatial-temporal influencing factors. Sustainability, 14(17), Article 10483. https://doi.org/10.3390/su141710483
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
Hull, G. (2022, December 19). Building a neural network zoo from scratch: The long short-term memory network. Medium. https://medium.com/@CallMeTwitch/building-a-neural-network-zoo-from-scratch-the-long-short-term-memory-network-1cec5cf31b7
Jantankaew, P., & Soonthornphisaj, N. (2023). Data analytics for maize price prediction using regression algorithms. KKU Research Journal (Graduate Studies), 23(2), 92–106. (in Thai)
Kraisornnukhor, P., Wongchaisuwat, P., Paoprasert, N., & Mungwattana, A. (2023). Multi-step rubber price prediction using deep learning models with external factors. Proceedings of 2023 IEEE 11th Joint International Information Technology and Artificial Intelligence Conference (ITAIC) (Vol. 11, pp. 1125-1129). IEEE. https://doi.org/10.1109/ITAIC58329.2023.10408839
Mehandzhiyski, V. (2023). What is an ARIMAX model?. 365 Data Science. https://365datascience.com/tutorials/python-tutorials/arimax/
Ministry of Commerce. (2023, November 14). Historical prices: Maize (feed) – Chicago futures market price (THB/kg). Ministry of Commerce. https://mex.moc.go.th/page/dit/checkpricedetail/type/W/catid/7/itemid/W16037 (in Thai)
Nayak, G. H. H., Alam, M. W., Singh, K. N., Avinash, G., Kumar, R. R., Ray, M., & Deb, C. K. (2024). Exogenous variable driven deep learning models for improved price forecasting of TOP crops in India. Scientific Reports, 14(1), Article 17203. https://doi.org/10.1038/s41598-024-68040-3
Office of Agricultural Economics Region 1, Chiang Mai. (2023, October 5). This year, livestock corn production in 6 provinces of Northern Thailand totals 880,000 tons; Chiang Mai is the major production area, and farmers are preparing for harvest. https://shorturl.at/3FGuI (in Thai)
Office of Agricultural Economics. (2023, November 14). Agricultural economic data. Office of Agricultural Economics, Ministry of Agriculture and Cooperatives. https://shorturl.at/U0uW1 (in Thai)
Office of Agricultural Research and Development Region 5, Department of Agriculture, Ministry of Agriculture and Cooperatives. (2019). Knowledge management of post-rice corn production technology in the central region. https://www.doa.go.th/oard5/wp-content/uploads/2019/09/km62.pdf (in Thai)
Sabu, K. M., & Kumar, T. K. M. (2020). Predictive analytics in agriculture: Forecasting prices of arecanuts in Kerala. Procedia Computer Science, 171, 699-708. https://doi.org/10.1016/j.procs.2020.04.076
Santra, R. (2023, May 12). Tests for stationarity in time series - Dickey Fuller Test & Augmented Dickey Fuller (ADF) Test. Medium. https://medium.com/@ritusantra/tests-for-stationarity-in-time-series-dickey-fuller-test-augmented-dickey-fuller-adf-test-d2e92e214360
Silva, R. F., Barreira, B. L., & Cugnasca, C. E. (2021). Prediction of corn and sugar prices using machine learning, econometrics, and ensemble models. Engineering Proceedings, 9(1), Article 31. https://doi.org/10.3390/engproc2021009031
Soontranon, N. (2023). The difference between normalization and standardization. https://www.nerd-data.com/normalization_standardization (in Thai)
Tejwin. (2022, January 4). ARIMA-GARCH model (Part 1). https://www.tejwin.com/en/insight/arima-garch-modelpart-1/
Yin, H., Jin, D., Gu, Y. H., Park, C. J., Han, S. K., & Yoo, S. J. (2020). STL-ATTLSTM: Vegetable price forecasting using STL and attention mechanism-based LSTM. Agriculture, 10(12), Article 612. https://doi.org/10.3390/agriculture10120612
