ตัวแบบผสมอารีมา-ซัพพอร์ตเวกเตอร์แมชชีนเน้นองค์ประกอบเชิงบวกสำหรับการพยากรณ์ปริมาณฝุ่นละอองขนาดไม่เกิน 10 ไมครอน
Article Sidebar
Main Article Content
บทคัดย่อ
บทคัดย่อ
สำหรับงานวิจัยนี้ ตัวแบบผสมระหว่างตัวแบบอารีมาและตัวแบบซัพพอร์ตเวกเตอร์แมชชีนพัฒนาขึ้นเพื่อพยากรณ์ปริมาณฝุ่นละอองที่มีขนาดไม่เกิน 10 ไมครอน ในเขตพื้นที่ตำบลหน้าพระลาน อำเภอเฉลิมพระเกียรติ จังหวัดสระบุรี ซึ่งตั้งอยู่บนสมมติฐานของข้อมูลอนุกรมเวลาของปริมาณฝุ่นละอองขนาดเล็ก มีองค์ประกอบทั้งแบบเชิงเส้นตรงและแบบไม่เป็นเชิงเส้นตรง ที่มีความสัมพันธ์ระหว่าง 2 องค์ประกอบ เป็นแบบเชิงบวก โดยอาศัยคุณลักษณะเด่นในการพยากรณ์ข้อมูลอนุกรมเวลาที่มีความสัมพันธ์เชิงเส้นตรงของตัวแบบอารีมาในการอธิบายองค์ประกอบเชิงเส้นตรงของข้อมูลอนุกรมเวลา รวมทั้งคุณลักษณะเด่นของตัวแบบซัพพอร์ตเวกเตอร์แมชชีนที่สามารถสร้างฟังก์ชันการทำนายที่ซับซ้อน และพยากรณ์ข้อมูลอนุกรมเวลาที่มีความสัมพันธ์แบบไม่เป็นเชิงเส้นตรงได้ดีในการอธิบายองค์ประกอบที่ไม่เป็นเชิงเส้นตรงของข้อมูลอนุกรมเวลา นอกจากนี้ตัวแบบผสมที่พัฒนาขึ้นได้นำมาเปรียบเทียบประสิทธิภาพการพยากรณ์กับตัวแบบพยากรณ์เชิงเดี่ยวทั้งตัวแบบอารีมาและตัวแบบซัพพอร์ตเวกเตอร์แมชชีนด้วยเกณฑ์การประเมินประสิทธิภาพการพยากรณ์ทั้งหมด 6 เกณฑ์ จากผลการวิจัยบ่งชี้ว่าตัวแบบซัพพอร์ตเวกเตอร์แมชชีนที่สร้างจากความสัมพันธ์แบบไม่เป็นเชิงเส้นตรงด้วยฟังก์ชันเรเดียลเบสิคให้ผลการพยากรณ์ที่ดีกว่าตัวแบบอารีมาเพียงเล็กน้อย แต่ตัวแบบผสมกลับให้ผลการพยากรณ์ที่มีความถูกต้องเพิ่มมากขึ้นกว่าตัวแบบเชิงเดี่ยวทั้งสองตัวแบบ ซึ่งแสดงให้เห็นว่าข้อมูลอนุกรมเวลาของปริมาณฝุ่นละอองขนาดเล็กอาจไม่มีความสัมพันธ์แบบเชิงเส้นตรงหรือแบบไม่เป็นเชิงเส้นตรงอย่างชัดเจน การเลือกใช้ตัวแบบผสมจะสามารถช่วยลดความเสี่ยงของการเลือกใช้ตัวแบบที่ไม่เหมาะสมกับชุดข้อมูลลงได้ ดังนั้นตัวแบบผสมระหว่างตัวแบบอารีมาและตัวแบบซัพพอร์ตเวกเตอร์แมชชีนจึงเป็นตัวแบบที่มีความเหมาะสมที่จะใช้สำหรับการพยากรณ์ปริมาณฝุ่นละอองขนาดเล็กในเขตพื้นที่ตำบลหน้าพระลาน เพื่อใช้เป็นสารสนเทศที่เป็นประโยชน์ต่อการเฝ้าระวังและวางแผนเพื่อลดผลกระทบจากมลพิษทางฝุ่นละอองลงอย่างมีประสิทธิภาพ ซึ่งไม่เพียงแต่เป็นงานที่ท้าทายแต่ยังเป็นปัญหาสาธารณะที่สำคัญสำหรับสุขภาพของประชาชนอีกด้วย รวมทั้งยังเป็นตัวแบบที่อาจมีประโยชน์ในการประยุกต์ใช้สำหรับการพยากรณ์ปริมาณฝุ่นละอองในเขตพื้นที่อื่น ๆ ได้
คำสำคัญ : ตัวแบบผสม; การพยากรณ์มลพิษทางอากาศ; อารีมา; ซัพพอร์ตเวกเตอร์แมชชีน; ฝุ่นละออง
Article Details
เอกสารอ้างอิง
[2] สถานการณ์มลพิษประเทศไทย ปี 2558 รอบ 6 เดือน, กรมควบคุมมลพิษ กระทรวงทรัพยากรธรรมชาติและสิ่งแวดล้อม, แหล่งที่มา : http://www.oic.go.th/FILEWEB/CABINFOCENTER3/DRAWER056/GENERAL/DATA0000/00000425.PDF, 1 ตุลาคม 2560.
[3] Güler, N. and İşçi, Ö.G., 2016, The regional prediction model of PM 10 concentrations for Turkey, Atmospheric Res. 180: 64-77.
[4] Song, Y., Qin, S., Qu, J. and Liu, F., 2015, The forecasting research of early warning systems for atmospheric pollutants: A case in Yangtze River Delta region, Atmospheric Environ. 118: 58-69.
[5] Yang, Z. and Wang, J., 2017, A new air quality monitoring and early warning system: Air quality assessment and air pollutant concentration prediction, Environ. Res. 158: 105-117.
[6] Xu, Y., Yang, W. and Wang, J., 2017, Air quality early-warning system for cities in China, Atmospheric Environ. 148: 239-257.
[7] Zafra, C., Ángel, Y. and Torres, E., 2017, ARIMA analysis of the effect of land surface coverage on PM10 concentrations in a high-altitude megacity, Atmospheric Pollut. Res. 8: 660-668.
[8] Jian, L., Zhao, Y., Zhu, Y.P., Zhang, M.B. and Bertolatti, D., 2012, An application of ARIMA model to predict submicron particle concentrations from meteorological factors at a busy roadside in Hangzhou, China, Sci. Total Environ. 426: 336-345.
[9] Dumitrache, R.C., Iriza, A., Maco, B.A., Barbu, C.D., Hirtl, M., Mantovani, S., Nicola, O., Irimescu, A., Craciunescu, V., Ristea, A. and Diamandi, A., 2016, Study on the influence of ground and satellite observations on the numerical air-quality for PM10 over Romanian territory, Atmospheric Environ. 143: 278-289.
[10] Nieto, P.G., Combarro, E.F., del Coz Díaz, J.J. and Montañés, E., 2013, A SVM-based regression model to study the air quality at local scale in Oviedo urban area (Northern Spain): A case study, Appl. Math. Comput. 219: 8923-8937.
[11] Sánchez, A.S., Nieto, P.G., Fernández, P.R., del Coz Díaz, J.J. and Iglesias-Rodríguez, F.J., 2011, Application of an SVM-based regression model to the air quality study at local scale in the Avilés urban area (Spain), Math. Comput. Model. 54: 1453-
1466.
[12] Hirtl, M., Mantovani, S., Krüger, B.C., Triebnig, G., Flandorfer, C., Bottoni, M. and Cavicchi, M., 2014, Improvement of air quality forecasts with satellite and ground based particulate matter observations, Atmospheric Environ. 84: 20-27.
[13] Wang, P., Zhang, H., Qin, Z. and Zhang, G., 2017, A novel hybrid-Garch model based on ARIMA and SVM for PM2.5 concentrations forecasting, Atmospheric Pollut. Res. 8: 850-860.
[14] Khashei, M. and Bijari, M., 2011, A new hybrid methodology for nonlinear time series forecasting, Model. Simulat. Eng. 2011: 15.
[15] Khashei, M. and Bijari, M., 2011, A novel hybridization of artificial neural networks and ARIMA models for time series forecasting, Appl. Soft Comput. 11: 2664-2675.
[16] Zhu, B. and Wei, Y., 2013, Carbon price forecasting with a novel hybrid ARIMA and least squares support vector machines methodology, Omega 41: 517-524.
[17] Guo, Y., Wang, G., Zhang, X. and Deng, W., 2014, An improved hybrid ARIMA and support vector machine model for water quality prediction, pp. 411-422, International Conference on Rough Sets and Knowledge Technology, Springer, Cham.
[18] de Oliveira, J.F. and Ludermir, T.B., 2016, A hybrid evolutionary decomposition system for time series forecasting, Neurocomputing 180: 27-34.
[19] สรุปข้อมูลคุณภาพอากาศ พ.ศ. 2557-2559, สำนักจัดการคุณภาพอากาศและเสียง กรมควบคุมมลพิษ, แหล่งที่มา : http://aqnis.pcd. go.th, 1 ตุลาคม 2560.
[20] Khandakar, Y. and Hyndman, R.J., 2008, Automatic time series forecasting: the forecast Package for R, J. Stat. Software 27: 1-22.
[21] Sujjaviriyasup, T., 2017, Forecasting Thailand’s monthly export quantity of rubber compound using support vector machine model, Srinakharinwirot Sci. J. 33(1): 205-220. (In Thai)
[22] Muller, J. and Bogenberger, K., 2015, Time series analysis of booking data of a free-floating carsharing system in Berlin, Transp. Res. Proc. 10: 345-354.
[23] Kokic, P., Crimp, S. and Howden, M., 2014, A probabilistic analysis of human influence on recent record global mean temperature changes, Climate Risk Manage.
3: 1-12.
[24] Ghodhi, Z., Silva, S.E. and Hassani, H., 2015, Bicoid Signal Extraction with a Selection of Parametric and Nonpara metric Signal Processing Techniques, Genomics Proteomics Bioinformatics 13: 183-191.
[25] Haworth, J., Shawe-Taylor, J., Cheng, T. and Wang, J., 2014, Local online kernel ridge regression for forecasting of urban travel times, Transp. Res. C 46: 151-178.
[26] Götz, M., Richerzhagen, M., Bodenstein, C., Cavallaro, G., Glock, P., Riedel, M. and Benediktsson, J.A., 2015, On scalable data mining techniques for earth science, Proc. Comput. Sci. 51: 2188-2197.
[27] Appelhans, T., Mwangomo, E., Hardy, D.R., Hemp, A. and Nauss, T., 2015, Evaluating machine learning approaches for the interpolation of monthly air temperature at Mt.Kilimanjaro, Tanzania, Spatial Stat. 14: 91-113.
