ผลของรูปแบบและอัตราการสูญหายของข้อมูลต่อความแม่นยำของแบบจำลอง ARIMA สำหรับการพยากรณ์การใช้พลังงานไฟฟ้า
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มุ่งศึกษาผลของรูปแบบและอัตราการสูญหายของข้อมูลที่มีต่อความแม่นยำของแบบจำลอง ARIMA ในเชิงระเบียบวิธี โดยอาศัยข้อมูลการใช้พลังงานไฟฟ้ารายเดือนของประเทศไทยช่วงปี ค.ศ. 2002–2025 งานวิจัยนี้ใช้การจำลองแบบแฟกทอเรียลเต็ม (Full factorial design) เพื่อจำลองสถานการณ์ข้อมูลสูญหายตามรูปแบบ Missing Completely at Random (MCAR) และ Missing at Random (MAR) ที่อัตราร้อยละ 10, 20 และ 30 โดยทำการทดลองซ้ำเงื่อนไขละ 50 ครั้ง และดำเนินการจัดการข้อมูลด้วยที่สูญหายวิธีการทดแทนข้อมูล 3 วิธี ที่ใช้กันอย่างแพร่หลายในงานพยากรณ์อนุกรมเวลา ได้แก่ วิธีแทนค่าด้วยค่าก่อนหน้า (Last Observation Carried Forward: LOCF) การประมาณค่าเชิงเส้น (Linear interpolation) และตัวกรองคาลมาน (Kalman filtering) ผลการวิจัยพบว่า วิธีการทดแทนข้อมูลเป็นปัจจัยที่มีอิทธิพลต่อความแม่นยำของการพยากรณ์มากที่สุด รองลงมาคืออัตราการสูญหายของข้อมูล โดยวิธี Kalman filtering ให้ค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Squared Error: RMSE) ต่ำที่สุดในภาพรวมและมีความเสถียรสูง ในขณะที่วิธี Linear interpolation ให้ค่า RMSE สูงที่สุดอย่างสม่ำเสมอ นอกจากนี้ยังพบว่า ประสิทธิภาพของบางวิธี โดยเฉพาะ LOCF มีความแปรผันตามสัดส่วนข้อมูลที่สูญหายอย่างชัดเจน ผลลัพธ์ดังกล่าวชี้ให้เห็นว่า Kalman filtering เป็นทางเลือกที่เหมาะสมและมีความทนทานสูง สำหรับการจัดการข้อมูลอนุกรมเวลาด้านพลังงานที่ไม่สมบูรณ์ ซึ่งสามารถสนับสนุนการวางแผนการใช้พลังงานระยะยาวภายใต้ความไม่แน่นอนของข้อมูลได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons.
Chhabra, G. (2023). Comparison of imputation methods for univariate time series. International Journal on Recent and Innovation Trends in Computing and Communication, 11(2s), 286-292. https://doi.org/10.17762/ijritcc.v11i2s.6148
De Bézenac, E., Rangapuram, S. S., Benidis, K., Bohlke-Schneider, M., Kurle, R., Stella, L., Hilmkil, H., Januschowski, T., & Gasthaus, J. (2020). Normalizing Kalman filters for multivariate time series analysis. Proceedings of the 34th International Conference on Neural Information Processing Systems (pp. 2995-3007). Curran Associates Inc.
Duarte, O., Duarte, J. E., & Rosero-Garcia, J. (2024). Data imputation in electricity consumption profiles through shape modeling with autoencoders. Mathematics, 12(19), Article 3004. https://doi.org/10.3390/math12193004
Durbin, J., & Koopman, S. J. (2012). Time series analysis by state space methods (2nd ed.). Oxford University Press.
Fung, D. S. (2006). Methods for the estimation of missing values in time series [Master’s thesis, Edith Cowan University]. https://ro.ecu.edu.au/theses/63
Hussain, A., Giangrande, P., Franchini, G., Fenili, L., & Messi, S. (2025). Analyzing the effect of error estimation on random missing data patterns in mid-term electrical forecasting. Electronics, 14(7), Article 1383. https://doi.org/10.3390/electronics14071383
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts.
Little, R. J. A., & Rubin, D. B. (2019). Statistical analysis with missing data (3rd ed.). John Wiley & Sons.
Moritz, S., & Bartz-Beielstein, T. (2017). imputeTS: Time series missing value imputation in R. The R Journal, 9(1), 207-218. https://doi.org/10.32614/RJ-2017-009
Rothjanawan, K., & Phetjirachotkul, W. (2021). Feature selection methods for imputation missing values of time series data using data mining. Princess of Naradhiwas University Journal, 13(2), 326-341. (in Thai)
Schafer, J. L., & Graham, J. W. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7(2), 147-177. https://doi.org/10.1037/1082-989X.7.2.147
Sutthison, T., & Pienkhawsook, T. (2024). Hybrid model for forecasting time series data of monthly household electrical distribution units in Thailand. The Journal of King Mongkut's University of Technology North Bangkok, 34(2), 1-18. (in Thai)
Wongoutong, C. (2021). Imputation methods in time series with a trend and a consecutive missing value pattern. Thailand Statistician, 19(4), 866-879.
