การพยากรณ์ปริมาณฝุ่นละออง PM2.5 ในจังหวัดนครสวรรค์ ด้วยแบบจำลองการเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และแบบจำลองลูกผสมฐาน Prophet

ถิรภัทร  มีสำราญ; ชม ปานตา; ภาสกร  วรอาจ; วิฑูร  สนธิปักษ์

ผู้แต่ง

ถิรภัทร มีสำราญ สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครสวรรค์
ชม ปานตา สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครสวรรค์
ภาสกร วรอาจ สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครสวรรค์
วิฑูร สนธิปักษ์ สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครสวรรค์

คำสำคัญ:

ฝุ่นละออง PM2.5, การพยากรณ์อนุกรมเวลา, การเรียนรู้ของเครื่อง , การเรียนรู้เชิงลึก , แบบจำลองลูกผสมฐาน Prophet

บทคัดย่อ

ปัญหาฝุ่นละอองขนาดไม่เกิน 2.5 ไมครอน (PM2.5) ในจังหวัดนครสวรรค์ เป็นปัญหาสำคัญทั้งด้านสิ่งแวดล้อมและสุขภาพ โดยปริมาณฝุ่นจะมีความเปลี่ยนแปลงตามฤดูกาล และได้รับผลจากปัจจัยด้านมลพิษทางอากาศและอุตุนิยมวิทยาหลายด้าน งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของแบบจำลองพื้นฐาน แบบจำลองการเรียนรู้ของเครื่อง แบบจำลองการเรียนรู้เชิงลึก และแบบจำลองลูกผสมฐาน Prophet สำหรับการพยากรณ์ปริมาณ PM2.5 รายวันในจังหวัดนครสวรรค์ โดยใช้ข้อมูลทุติยภูมิ ระหว่างเดือนมกราคม พ.ศ. 2563 ถึง ธันวาคม พ.ศ. 2568 โดยข้อมูลประกอบด้วย ปริมาณ PM2.5 และ ตัวแปรด้านมลพิษทางอากาศและอุตุนิยมวิทยา 10 ตัวแปร ซึ่งทำการแบ่งข้อมูลตามลำดับเวลาเป็น ชุดฝึกสอน ใช้ข้อมูลระหว่างปี พ.ศ. 2563–2566 ชุดตรวจสอบ ปี พ.ศ. 2567 และชุดทดสอบ ปี พ.ศ. 2568 การทดลองทำการประเมินผลการพยากรณ์ล่วงหน้า 1, 3 และ 7 วัน โดยเปรียบเทียบแบบจำลอง Persistence, Moving Average, Prophet, LSTM, GRU, XGBoost, Prophet-LSTM, Prophet-GRU และ Prophet-XGBoost ซึ่งพิจารณาจากค่า RMSE, MAE, MAPE และ รวมถึงการจำแนกวันที่ PM2.5 เกิน 50 ไมโครกรัมต่อลูกบาศก์เมตร พบว่า GRU ให้ผลดีที่สุดในการพยากรณ์ล่วงหน้า 1 และ 3 วัน โดยมีค่า RMSE เท่ากับ 12.2476 และ 18.4001 ตามลำดับ ขณะที่ Prophet ให้ผลดีที่สุดในการพยากรณ์ล่วงหน้า 7 วัน โดยมีค่า RMSE เท่ากับ 20.5216 ผลการศึกษาแสดงให้เห็นว่าแบบจำลองที่เหมาะสมอาจแตกต่างกันตามระยะพยากรณ์ และการเปรียบเทียบหลายกลุ่มแบบจำลองช่วยให้เข้าใจข้อเด่นและข้อจำกัดของแต่ละวิธีได้ดีขึ้น สามารถนำไปใช้สนับสนุนการพัฒนาเครื่องมือพยากรณ์และระบบเฝ้าระวัง PM2.5 ในระดับพื้นที่ต่อไป

เอกสารอ้างอิง

วิฑูร สนธิปักษ์, ชม ปานตา, ภาสกร วรอาจ, และ ถิรภัทร มีสำราญ. (2567). การพยากรณ์ปริมาณฝุ่นละออง PM2.5 ในจังหวัดนครสวรรค์ ด้วยเทคนิคการเรียนรู้ของเครื่อง. วารสารวิชาการวิทยาศาสตร์และวิทยาศาสตร์ประยุกต์, 8(16), 25-31. https://ph03.tci-thaijo.org/index.php/ajsas/article/view/3464/2625

Abuouelezz, W., Ali, N., Aung, Z., Altunaiji, A., Shah, S. B., & Gliddon, D. (2025). Exploring PM2.5 and PM10 ML forecasting models: A comparative study in the UAE. Scientific Reports, 15(1), 9797. https://doi.org/10.1038/s41598-025-94013-1

Bai, X., Zhang, N., Cao, X., & Chen, W. (2024). Prediction of PM2.5 concentration based on a CNN-LSTM neural network algorithm. PeerJ, 12, e17811. https://doi.org/10.7717/peerj.17811

Cáceres-Tello, J., & Galán-Hernández, J. J. (2024). Analysis and prediction of PM2.5 pollution in Madrid: The use of Prophet–Long Short-Term Memory hybrid models. AppliedMath, 4(4), 1428–1452. https://doi.org/10.3390/appliedmath4040076

Chang, W., Chen, X., He, Z., & Zhou, S. (2023). A prediction hybrid framework for air quality integrated with W-BiLSTM(PSO)-GRU and XGBoost methods. Sustainability, 15(22), 16064. https://doi.org/10.3390/su152216064

Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794). https://doi.org/10.1145/2939672.2939785

Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder–decoder for statistical machine translation. arXiv. https://doi.org/10.48550/arXiv.1406.1078

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735

Huang, C.-J., & Kuo, P.-H. (2018). A deep CNN-LSTM model for particulate matter (PM2.5) forecasting in smart cities. Sensors, 18(7), 2220. https://doi.org/10.3390/s18072220

Karimian, H., Li, Q., Wu, C., Qi, Y., Mo, Y., Chen, G., Zhang, X., & Sachdeva, S. (2019). Evaluation of different machine learning approaches to forecasting PM2.5 mass concentrations. Aerosol and Air Quality Research, 19(6), 1400–1410. https://doi.org/10.4209/aaqr.2018.12.0450

Lee, C.-Y., Lee, J.-Y., Han, S.-H., Kang, J.-G., Lee, J.-B., & Choi, D.-R. (2025). Performance evaluation of PM2.5 forecasting using SARIMAX and LSTM in the Korean Peninsula. Atmosphere, 16(5), 524. https://doi.org/10.3390/atmos16050524

Lei, T. M. T., Ng, S. C. W., & Siu, S. W. I. (2023). Application of ANN, XGBoost, and Other ML Methods to Forecast Air Quality in Macau. Sustainability, 15(6), 5341. https://doi.org/10.3390/ su15065341

Li, T., Hua, M., & Wu, X. (2020). A hybrid CNN-LSTM model for forecasting particulate matter (PM2.5). IEEE Access, 8, 26933-26940. https://doi.org/10.1109/ACCESS.2020.2971348

Shen, J., Valagolam, D., & McCalla, S. (2020). Prophet forecasting model: A machine learning approach to predict the concentration of air pollutants (PM2.5, PM10, O3, NO2, SO2, CO) in Seoul, South Korea. PeerJ, 8, e9961. https://doi.org/10.7717/peerj.9961

Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45. https://doi.org/10.1080/00031305.2017.1380080

World Health Organization. (2021). WHO global air quality guidelines: Particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. https://www.who.int/publications/i/item/9789240034228