เทคนิคการแยกส่วนประกอบ และ โฮลต์-วินเทอร์ ที่ได้รับการปรับปรุงด้วยขั้นตอนวิธีการหาค่าเหมาะที่สุดแบบวาฬ: กรณีศึกษาการพยากรณ์ PM2.5 ใน 8 จังหวัดภาคเหนือของประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มีจุดประสงค์เพื่อประเมินประสิทธิภาพของตัวแบบ การผสานขั้นตอนวิธีการหาค่าเหมาะที่สุดแบบวาฬกับโฮลต์-วินเทอร์ (WOA-HW) และการแยกส่วนประกอบ (WOA-D) ในการพยากรณ์ความเข้มข้น PM2.5 รายสัปดาห์ใน 8 จังหวัดภาคเหนือของไทย เมื่อเทียบกับตัวแบบแยกส่วนประกอบแบบคลาสสิก (Classic-D) และ ค้นหาแบบกริดของโฮลต์-วินเทอร์ (Classic-HW) โดยใช้ชุดข้อมูลฝึกฝนจำนวน 130 สัปดาห์ ผลการศึกษาพบว่า WOA-HW และ WOA-D มีประสิทธิภาพสูงกว่าตัวแบบคลาสสิกโดย WOA-D แสดงค่ารากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) ที่ต่ำกว่า Classic-D อย่างชัดเจน ในขณะที่ WOA-HW มีค่า RMSE ที่ใกล้เคียงกับ Classic-HW แต่ใช้เวลาในการค้นหาค่าพารามิเตอร์ที่เหมาะสมที่สุดเร็วกว่า ในการพยากรณ์ความเข้มข้นค่า PM2.5 ล่วงหน้าในระยะยาว 2 ปี โดยใช้ชุดข้อมูลทดสอบจำนวน 105 สัปดาห์ ใช้เกณฑ์ RMSE MAE และ MAPE เป็นเครื่องมือในการเปรียบเทียบ ผลลัพธ์แสดงว่าตัวแบบที่มีประสิทธิภาพมากที่สุดของแต่ละจังหวัดนั้นต่างกัน ตัวแบบ WOA-HW สำหรับจังหวัดลำปางและเชียงราย ตัวแบบ WOA-D สำหรับจังหวัดแม่ฮ่องสอนและพะเยา ตัวแบบ Box-Jenkins สำหรับจังหวัดน่านและแพร่ ตัวแบบ Classic-HW สำหรับลำพูน และตัวแบบ Classic-D สำหรับจังหวัดเชียงใหม่ โดยการพยากรณ์ล่วงหน้า 2 ปีของทุกจังหวัดแสดงว่าความเข้มข้น PM2.5 มีฤดูกาลชัดเจนและสูงเกินค่าที่ส่งผลกระทบต่อสุขภาพในช่วงเดือนธันวาคมถึงเมษายน
Article Details
References
Dorigo, M., 1992, Optimization, Learning and Natural Algorithms, Ph.D. Thesis, Politecnico di Milano, Italy, 140 p.
Dorigo, M. and Stützle, T., 2004, Ant Colony Optimization, MIT Press, Cambridge, MA, USA, 305 p.
Karaboga, D., 2005, An Idea Based on Honey Bee Swarm for Numerical Optimization, Technical Report-TR06, Engineering Faculty, Computer Engineering Department, Erciyes University, 10 p.
Yang, X.S., and Deb, S., 2009, Cuckoo Search Via Lévy Flights, Proceedings of World Congress on Nature & Biologically Inspired Computing (NaBIC), pp. 210-214.
Pan, W.T., 2011, A New Evolutionary Computation Approach: Fruit Fly Optimization Algorithm, Proceedings of the Conference of Digital Technology and Innovation Management, Taipei, Taiwan, pp. 382–391.
Yang, X.S., 2012, Flower pollination algorithm for global optimization, Unconventional Computation and Natural Computation, Lecture Notes in Computer Science. 7445: 240-249.
Kaewpaengjuntra, S., Somhom, S. and Saenchan, L., 2010, Electricity consumption forecasting model using hybrid Holt-Winters exponential smoothing and artificial bee colony algorithm. Information Technology Journal. 6(1): 12-17. (in Thai)
Assis, M.V.O., Carvalho, L.F., Rodrigues, J.J.P.C. and Provençal, M.L., 2013, Holt-Winters statistical forecasting and ACO metaheuristic for traffic characterization. Proceeding of 2013 IEEE International Conference on Communications (ICC), Budapest, Hungary, pp. 2524-2528.
Janta, S., Thaninpong, P. and Minsan.W., 2018, Holt-Winters Exponential Smoothing Forecasting using Flower Pollination Algorithm based Parameter Estimation, Proceeding of The 6th Academic Science and Technology Conference 2018, Bang Phli, Samut Prakan, pp. BS-40-46. (in Thai)
Available Source: https://drive.google.com/file/d/1zVB-vqbNqfTqr-ZYUmiY8wS2uN1amtOy/view?usp=drive_link, July 1, 2023. (in Thai)
Jiang, W., Wu, X., Gong, Y., Yu, W. and Zhong, X., 2020, Holt–Winters smoothing enhanced by fruit fly optimization algorithm to forecast monthly electricity consumption, Energy. 193: 116779.
Mauricio, C.C, and Ostia, C.F., 2023, Cuckoo search algorithm optimization of Holt-Winter method for distribution transformer load forecasting. Proceeding of the 2023 9th International Conference on Control, Automation and Robotics (ICCAR), Beijing, China, pp. 36-42.
Mirjalili, S. and Lewis, A., 2016, The whale optimization algorithm, Advances in Engineering Software. 95: 51-67.
Nadimi‑Shahraki M.H., Zamani, H., Varzaneh Z.A. and Mirjalili, S., 2023, A systematic review of the whale optimization algorithm: theoretical foundation improvements and hybridizations, Archives of Computational Methods in Engineering. 30: 4113-4159.
Minsan, W., Saengngammuang, N., Taninpong, P. and Thumronglaohapun, S., 2021, Comparing Methods of Optimization in Solver of Excel 2019 and Whale Optimization Algorithm, UTK Research Journal. 15(2): 106-120. (in Thai)
Minsan, W. and Minsan, P., 2023, Incorporating Decomposition and the Holt-Winters Method into the Whale Optimization Algorithm for Forecasting Monthly Government Revenue in Thailand, Science & Technology Asia. 28(4): 38-53.
Minsan, W. and Minsan, P., 2024, Decomposition and Holt-Winters Enhanced by the Whale Optimization Algorithm for Forecasting the Amount of Water Inflow into the Large Dam Reservoirs in Southern Thailand, Journal of Current Science and Technology. 14(2): 1-16.
Ministry of Natural Resources and Environment, Pollution Control Department, Available Source: http://air4thai.pcd.go.th/webV2/history/# , July 30, 2023. (in Thai)
Box, G.E.P., Jenkins, G.M., Reinsel, G.C. and Ljung G.M., 2015, Time Series Analysis: Forecasting and Control, 5th ed., Wiley, 712 p.
Hochreiter, S. and Schmidhuber, J., 1997, Long short-term memory, Neural Computation. 9(8): 1735-1780.
Singhaworawong, P., (2020), Forecasting PM2.5 in Chiang Mai using long short-term memory models, Master Thesis, Srinakharinwirot University, Bangkok, 76 p. (in Thai)
Google Colab, Overview of Colaboratory Features, Available Source: https://colab.research.google.com/notebooks/intro.ipynb , May 1, 2023.