กลุ่มงานวิจัยและโครงการ: เทคนิคการวิเคราะห์อนุกรมเวลาสำหรับการพยากรณ์ ปริมาณผลผลิตผักและผลไม้

เทคนิคการวิเคราะห์อนุกรมเวลาสำหรับการพยากรณ์ ปริมาณผลผลิตผักและผลไม้

ศิราภรณ์ วิชัยสินธุ์ , รวิพิมพ์ ฉวีสุข

>>Download ebook<<

งานวิจัยนี้ศึกษาเปรียบเทียบเทคนิคการวิเคราะห์อนุกรมเวลาในการพยากรณ์ปริมาณผลผลิตผักและ
ผลไม้ทั้งในระยะสั้น (ล่วงหน้า 1 หน่วยเวลาคือล่วงหน้า 1 ไตรมาสในผลผลิตผัก และล่วงหน้า 1 เดือนใน
ผลผลิตผลไม้) และระยะยาว (ล่วงหน้าหลายหน่วยเวลา) ระหว่างวิธีปรับเรียบทางสถิติ 2 วิธี ได้แก่วิธีปรับให้
เรียบแบบโฮลท์และวินเทอร์ที่มีฤดูกาลแบบบวก และวิธีปรับให้เรียบแบบโฮลท์และวินเทอร์ที่มีฤดูกาลแบบ
คูณ กับแบบจำลองเครือข่ายประสาทเทียมแบบส่งถ่ายข้อมูลย้อนกลับ (Backpropagation neural network;
BPN) ผลการวิจัยพบว่าสำหรับวิธีปรับเรียบทางสถิติที่ให้ค่าความคลาดเคลื่อนต่ำที่สุด คือวิธีปรับให้เรียบ
แบบโฮลท์และวินเทอร์ที่มีฤดูกาลแบบบวก (Holt-Winters’ additive seasonal smoothing; Additive HWS)
และเมื่อนำแบบจำลองพยากรณ์จาก Additive HWS มาเปรียบเทียบกับแบบจำลอง BPN พบว่าผลการ
พยากรณ์ปริมาณผลผลิตผักในระยะสั้นนั้นแบบจำลองจากวิธี Additive HWS ให้ค่าความถูกต้องสูงกว่า
แบบจำลอง BPN ส่วนผลการพยากรณ์ปริมาณผลผลิตผักในระยะยาวและการพยากรณ์ปริมาณผลผลิตผลไม้
ในระยะสั้นและระยะยาวนั้น แบบจำลอง BPN ให้ค่าความถูกต้องของการพยากรณ์สูงกว่าแบบจำลอง
Additive HWS อย่างไรก็ตามแบบจำลองทั้ง 2 ประเภทมีแนวโน้มที่จะพยากรณ์ได้สูงกว่าปริมาณผลผลิตจริง
โดยที่แบบจำลอง Additive HWS มีแนวโน้มที่จะเกิดความลำเอียงสูงกว่าแบบจำลอง BPN นอกจากนี้
แบบจำลอง BPN มีความสามารถในการพยากรณ์ข้อมูลในระยะยาวได้ดีกว่าระยะสั้น โดยรวมแล้วแบบจำลอง
BPN มีความถูกต้องในการนำไปใช้งานในข้อมูลหลายรูปแบบได้ดีกว่าแบบจำลอง Additive HWS