A วิธีผสมของโครงข่ายประสาทเทียมและห่วงโซ่มาร์คอฟสำหรับพยากรณ์ปริมาณความเข้มข้นของฝุ่นละอองขนาด 2.5 ไมครอน
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบการพยากรณ์ปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน ด้วยวิธีโครงข่ายประสาทเทียม และวิธีผสมของโครงข่ายประสาทเทียมและห่วงโซ่มาร์คอฟ โดยใช้ข้อมูลรายชั่วโมง ณ สถานีโรงไฟฟ้าพระนครใต้ ตำบลบางโปรง อำเภอเมือง จังหวัดสมุทรปราการ ตั้งแต่วันที่ 1 เดือนตุลาคม พ.ศ. 2563 ถึงวันที่ 11 เดือนพฤศจิกายน พ.ศ. 2563 รวมทั้งสิ้น 984 รายการ เป็นข้อมูลทุติยภูมิซึ่งเก็บรวบรวมโดยกรมควบคุมมลพิษ กระทรวงทรัพยากรธรรมชาติและสิ่งแวดล้อม งานวิจัยนี้ได้นำค่าพยากรณ์จากโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับมาแบ่งสถานะด้วยวิธีห่วงโซ่มาร์คอฟ เพื่อปรับค่าพยากรณ์ปริมาณฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน ผลการศึกษาพบว่ารากของค่าคลาดเคลื่อนกำลังสองเฉลี่ยและเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยด้วยวิธีผสมของโครงข่ายประสาทเทียมและห่วงโซ่มาร์คอฟเท่ากับ 1.1890 และ 3.2972 ตามลำดับ ขณะที่รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ยและเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยด้วยโครงข่ายประสาทแพร่ย้อนกลับเท่ากับ 2.4864 และ 7.2877 ตามลำดับ ซึ่งกล่าวได้ว่าการใช้วิธีผสมของโครงข่ายประสาทเทียมเพอร์เซฟตรอนแบบหลายชั้นโดยมีการเรียนรู้แบบแพร่ย้อนกลับและห่วงโซ่มาร์คอฟให้ผลการพยากรณ์แม่นยำกว่าวิธีโครงข่ายประสาทเทียมเพอร์เซฟตรอนแบบหลายชั้นโดยมีการเรียนรู้แบบแพร่ย้อนกลับ
Article Details
เอกสารอ้างอิง
Pollution Control Department, Air Quality Index Data, Available Source: http://air4thai.pcd.go.th/webV2/history, October 1, 2020. (in Thai)
Inkhumhaeng, A., 2020, Creating the situations report of environmental health literacy on preventing the health impacts from dust particulate matter of less than 2.5 micrometers (PM2.5) of village health volunteers in ecological industrial urban areas, Research Report, Srinakharinwirot University, Bangkok, 137 p. (in Thai)
Asadollahfardi, G., Zangooei, H. and Aria, S.H., 2016, Predicting PM2.5 concentrations using artificial neural networks and Markov chain, a case study Karaj city, Asian J. Atmospheric Environ. 10(2): 67-79.
Tongboonnak, K., 2018, Forecast of dust particles up to 10 microns (PM10), National Research Council of Thailand (NRCT), Research Report, Chiang Mai Rajaphat University, Chiang Mai, 36 p. (in Thai)
Kurt, A., Gulbagci, B., Karaca, F. and Alagha, O., 2008, An online air pollution forecasting system using neural networks, Env. Int. 34(2008): 592-598.
Muhammad, M., Shafiullah, S.M., Abu, N., Abduljamiu, A. and Hasan, Z., 2020, Soft computing applications in air quality modeling: Past, present and future, Sustain. J. 12(4045): 1-33.
Zakaria, N.N, Othman, M., Sokkalingam, R., Daud, H., Abdullah, L. and Kadir, E.A, 2019, Markov chain model development for forecasting air pollution index of Miri, Sarawak, Sustain. J. 11(19): 1-11.
Lamkamol, C., 2016, Book review competency based 70: 20: 10 learning model, Business Rev. 8(2): 219-221. (in Thai)
Patrick, H.W., 1997, Artificial Intelligence, pp. 443-469, In Boonchote, K. (Ed.), Thai Keyphrases Extraction Using Artificial Neural Network, Department of Information Technology, Prince of Songkla University, Songkhla, 284 p. (in Thai)
Box, G.E.P., G.M. Jenkins and G.C. Reinsel, 1994, Time Series Analysis Forecasting and Control, 3rd Ed., Prentice Hall, Inc., Hoboken, NJ, 598 p.
Grabusts, P. and Zorins, A., 2015, The influence of hidden neurons factor on neural network training quality assurance, Int. Sci. 3: 76-81.
Dai, Y., Han, D. and Dai, W., 2014, Modeling and computing of stock index forecasting based on neural network and Markov chain, Hindawi. J. 2014(1): 1-9.
