การพยากรณ์ปริมาณน้ำฝนระยะสั้นในบริเวณพื้นที่สนามบินสุวรรณภูมิด้วยโครงข่ายระบบประสาทแบบย้อนกลับ
Article Sidebar
Main Article Content
บทคัดย่อ
ปริมาณน้ำฝนนับเป็นปัจจัยสำคัญอย่างหนึ่งที่มีผลต่อการดำเนินชีวิตของมนุษย์ การพยากรณ์ปริมาณน้ำฝนที่มีความแม่นยำช่วยให้มนุษย์เตรียมพร้อมสำหรับกิจกรรมต่างๆ ที่จะเกิดขึ้นในอนาคตได้ดี อย่างไรก็ตามในบางสถานการณ์ความพร้อมใช้งานของข้อมูลสภาพอากาศมีจำกัด ทำให้การพยากรณ์ปริมาณน้ำฝนอย่างแม่นยำนั้นเป็นเรื่องที่ยาก ปัจจุบันหลายๆ งานวิจัยที่เกี่ยวข้องได้เลือกโครงข่ายประสาทเทียมเชิงลึกเป็นอัลกอริทึมในการฝึกแบบจำลองเพื่อใช้ในการพยากรณ์ แนวคิดหลักคือการสร้างตัวแปรคุณลักษณะ (Feature) ที่เกี่ยวข้องในระดับสถาปัตยกรรม จากหลักการนี้สถาปัตยกรรมโครงข่ายประสาทเทียมเชิงลึกที่เหมาะสมสามารถผสมผสานและจับคู่คุณลักษณะที่เกี่ยวข้องในการพยากรณ์ได้อย่างเหมาะสม ผลที่ตามมางานวิจัยที่มีอยู่ส่วนใหญ่จึงมุ่งเน้นไปที่เทคนิคบางอย่างเพื่อปรับปรุงประสิทธิภาพของแบบจำลองโดยไม่ได้ให้ความสำคัญกับการเพิ่มคุณลักษณะให้กับตัวแบบมากนัก อย่างไรก็ตามเมื่อข้อมูลการฝึกฝนมีจำนวนจำกัดโครงข่ายประสาทเทียมเชิงลึกอาจจะทำงานได้ไม่เต็มประสิทธิภาพมากนัก ทำให้การผสมผสานและจับคู่คุณลักษณะที่เกี่ยวข้องในการพยากรณ์ทำได้ไม่ดีตามไปด้วย สิ่งนี้ทำให้เกิดคำถามงานวิจัยว่าแบบจำลองการพยากรณ์ปริมาณน้ำฝนที่ได้ถูกนำเสนอมีประสิทธิภาพที่ดีเพียงพอหรือไม่ เมื่อไม่ได้มีการเพิ่มคุณสมบัติที่เกี่ยวข้องให้กับแบบจำลอง งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของแบบจำลองต่างๆ ในการพยากรณ์ปริมาณน้ำฝนสะสมในระยะสั้นที่มีและไม่มีการเพิ่มตัวแปรคุณสมบัติที่เกี่ยวข้อง โดยได้แบ่งการทดลองออกเป็น 2 ส่วนเพื่อวัดประสิทธิภาพ คือ 1) การเปรียบเทียบประสิทธิภาพของตัวแบบที่มีการเพิ่มตัวแปรคุณลักษณะที่เกี่ยวข้องว่ามีความถูกต้องแม่นยำดีขึ้นหรือไม่เมื่อเทียบกับแบบจำลองที่ไม่ได้มีการเพิ่มตัวแปรคุณลักษณะในสภาพแวดล้อมที่เทียบเท่ากัน และ 2) การเปรียบเทียบประสิทธิภาพในการพยากรณ์ปริมาณน้ำฝนสะสมของแบบจำลองที่สนใจศึกษา ได้แก่ ARIMA ARIMAX RNN LSTM และ GRU ข้อมูลที่นำมาใช้ในงานวิจัยนี้เป็นข้อมูลสภาพอากาศและปริมาณน้ำฝนสะสมที่รวบรวบมาจากพื้นที่สนามบินสุวรรณภูมิ จากผลการศึกษาทั้ง 2 ส่วนพบว่าการเพิ่มตัวแปรคุณลักษณะสามารถเพิ่มประสิทธิภาพการพยากรณ์ให้กับตัวแบบได้ในกรณีที่ข้อมูลที่นำมาฝึกฝนตัวแบบมีจำนวนจำกัด โดย แบบจำลอง GRU ให้ประสิทธิภาพในการพยากรณ์มากที่สุด
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
I/we certify that I/we have participated sufficiently in the intellectual content, conception and design of this work or the analysis and interpretation of the data (when applicable), as well as the writing of the manuscript, to take public responsibility for it and have agreed to have my/our name listed as a contributor. I/we believe the manuscript represents valid work. Neither this manuscript nor one with substantially similar content under my/our authorship has been published or is being considered for publication elsewhere, except as described in the covering letter. I/we certify that all the data collected during the study is presented in this manuscript and no data from the study has been or will be published separately. I/we attest that, if requested by the editors, I/we will provide the data/information or will cooperate fully in obtaining and providing the data/information on which the manuscript is based, for examination by the editors or their assignees. Financial interests, direct or indirect, that exist or may be perceived to exist for individual contributors in connection with the content of this paper have been disclosed in the cover letter. Sources of outside support of the project are named in the cover letter.
I/We hereby transfer(s), assign(s), or otherwise convey(s) all copyright ownership, including any and all rights incidental thereto, exclusively to the Journal, in the event that such work is published by the Journal. The Journal shall own the work, including 1) copyright; 2) the right to grant permission to republish the article in whole or in part, with or without fee; 3) the right to produce preprints or reprints and translate into languages other than English for sale or free distribution; and 4) the right to republish the work in a collection of articles in any other mechanical or electronic format.
We give the rights to the corresponding author to make necessary changes as per the request of the journal, do the rest of the correspondence on our behalf and he/she will act as the guarantor for the manuscript on our behalf.
All persons who have made substantial contributions to the work reported in the manuscript, but who are not contributors, are named in the Acknowledgment and have given me/us their written permission to be named. If I/we do not include an Acknowledgment that means I/we have not received substantial contributions from non-contributors and no contributor has been omitted.
เอกสารอ้างอิง
Aurnhammer, C., and Frank, S. L, “Comparing gated and simple recurrent neural network architectures as models of human sentence processing”, 2019.
Chawla, N. V., Bowyer K. W., Hall, L. O., and Kegelmeyer W. P., “SMOTE: synthetic minority over-sampling technique. Journal of artificial intelligence research”, vol. 16, pp. 321-357, 2002.
Chung, J., Gulcehre, C., Cho, K., and Bengio, Y., “Empirical evaluation of gated recurrent neural networks on sequence modeling”, 2014.
Fan, H., Jiang, M., Xu, L., Zhu, H., Cheng, J., and Jiang, J., “Comparison of long short-term memory networks and the hydrological model in runoff simulation,” Water, vol. 12 no. 1, pp. 175, 2020.
Hernández, E., Sanchez-Anguix, V., Julian, V., Palanca, J., and Duque, N., “Rainfall prediction: A deep learning approach. International Conference on Hybrid Artificial Intelligence Systems,” 2016.
Hochreiter, S., and Schmidhuber, J., “Long short-term memory. Neural Comput,” vol. 9, no.8, pp. 1735-1780, 1997.
Hung, N. Q., Babel, M. S., Weesakul, S., and Tripathi, N., “An artificial neural network model for rainfall forecasting in Bangkok, Thailand,” Hydrology and Earth System Sciences, vol.13(8), pp. 1413-1425, 2009.
Jalalkamali, A., Moradi, M., and Moradi, N., “Application of several artificial intelligence models and ARIMAX model for forecasting drought using the Standardized Precipitation Index,” International journal of environmental science and technology, vol.12(4), pp. 1201-1210, 2015.
Manokij, F., “Thailand's Precipitation Forecasting Using Deep Learning Approach,” Chulalongkorn University, Bangkok, 2019.
Narayanan, P., Basistha, A., Sarkar, S., and Sachdeva, K., “Trend analysis and ARIMA modelling of pre-monsoon rainfall data for western India,” Comptes Rendus Geoscience, vol. 345(1), pp. 22-27, 2013.
Poornima, S., and Pushpalatha, M., “Prediction of rainfall using intensified LSTM based recurrent neural network with weighted linear units,” Atmosphere, vol.10(11), pp. 668, 2019.
Salman, A. G., Heryadi, Y., Abdurahman, E., and Suparta, W., “Weather Forecasting Using Merged Long Short-Term Memory Model (LSTM) and Autoregressive Integrated Moving Average (ARIMA) Model,” J. Comput. Sci., vol. 14(7), pp. 930-938, 2018.
Sanguansat, P., “Artificial Intelligence with Machine Learning,” IDC Premier Limited, 2019.
Shewalkar, A., “Performance evaluation of deep neural networks applied to speech recognition: RNN, LSTM and GRU,” Journal of Artificial Intelligence and Soft Computing Research, vol. 9(4), pp. 235-245, 2019.
Srachoom, C., “Application of Artificial Neural Network for Weather Forecast,” Chiang Mai University. Chiang Mai, 2007.
Sukawat, D., “Weather forecast Knowledge,” [Online], Available: https://www.tmd.go.th/info/info.php?FileID=1.
Wang, S. W., Feng, J., and Liu, G., “Application of seasonal time series model in the precipitation forecast,” Mathematical and Computer Modelling, vol. 58(3-4), pp. 677-683, 2013.
Wangdi, K., Singhasivanon, P., Silawan, T., Lawpoolsri, S., White, N. J., and Kaewkungwal, J., “Development of temporal modelling for forecasting and prediction of malaria infections using time-series and ARIMAX analyses: a case study in endemic districts of Bhutan,” Malaria Journal, vol. 9(1), pp. 1-9, 2010.
Yang, S., Yu, X., and Zhou, Y., “LSTM and GRU neural network performance comparison study: Taking Yelp review dataset as an example,” 2020 International workshop on electronic communication and artificial intelligence (IWECAI), 2020.
