การพยากรณ์ผลผลิตการเกษตรด้วยวิธีอนุกรมเวลา
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาวิธีการพยากรณ์ผลผลิตการเกษตรของพืช 4 ชนิด ได้แก่ ข้าวนาปี ข้าวนาปรัง มันสำปะหลัง และสับปะรด ในจังหวัดที่มีผลผลิตสูงสุด 3 อันดับแรกของประเทศไทย และเลือกวิธีการพยากรณ์ผลผลิตการเกษตรที่เหมาะสม โดยทำการเปรียบเทียบผลการพยากรณ์ของวิธีอนุกรมเวลา 4 วิธี คือ วิธีการปรับเรียบแบบเอกซ์โพเนนเชียลอย่างง่าย วิธีการปรับเรียบแบบเอกซ์โพเนนเชียลสองครั้ง วิธีโฮลท์และวินเทอร์แบบบวก และวิธีโฮลท์และวินเทอร์แบบคูณ ความแม่นยำของการพยากรณ์จะถูกเปรียบเทียบโดยใช้ค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย จากผลการศึกษาพบว่า ข้าวนาปีมีค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยอยู่ในช่วง 6.74 ถึง 12.59 เปอร์เซ็นต์ ข้าวนาปรังมีค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยอยู่ในช่วง 4.65 ถึง 15.27 เปอร์เซ็นต์มันสำปะหลังมีค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยอยู่ในช่วง 7.28 ถึง 15.10 เปอร์เซ็นต์ และสับปะรดมีค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยอยู่ในช่วง 8.45 ถึง 14.89 เปอร์เซ็นต์ โดยวิธีการพยากรณ์ที่เหมาะสมกับพืชแต่ละชนิดในจังหวัดที่ศึกษาสามารถสรุปได้ดังตารางที่ 7 ของบทความ
Article Details
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารฯ ถือเป็นลิขสิทธิ์ของวารสารฯ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะได้รับอนุญาต แต่ห้ามนำไปใช้เพื่่อประโยชน์ทางธุรกิจ และห้ามดัดแปลง
เอกสารอ้างอิง
[2] Bowerman, L., O’Connell, T. and Koehler, B. 2005. Forecasting, Time Series, and Regression, Brooks/Cole Cengage Learning, U.S.A.
[3] Li, J. and Chen, W. 2014. Forecasting macroeconomic time series: LASSO-based Approaches and their forecast combinations with dynamic factor models. International Journal of Forecasting, 30: 996-1015.
[4] Cadenas, E., Jaramillo, O.A. and Rivera, W. 2010. Analysis and forecasting of wind velocity in chetumal, quintana roo, using the single exponential smoothing method. Renewable Energy, 35: 925-930.
[5] Wang, J., Zhang, W., Wang, J., Han, T. and Kong, L. 2014. A novel hybrid approach for wind speed prediction. Information Sciences, 273: 304-318.
[6] Sudheer, G. and Suseelatha, A. 2015. Short term load forecasting using wavelet transform combined with Holt–Winters and weighted nearest neighbor models. Electrical Power and Energy Systems, 64: 340-346.
[7] Taylor, J.W. 2010. Triple seasonal methods for short-term electricity demand forecasting. European Journal of Operational Research, 204: 139-152.
[8] Sbrana, G. and Silvestrini, A. 2013. Forecasting aggregate demand: Analytical comparison of top-down and bottom-up approaches in a multivariate exponential smoothing framework. International Journal of Production Economics, 146: 185-198.
[9] Romeijnders, w., Teunter, R. and van Jaarsveld, W. 2012. A two-step method for forecasting spare parts demand using information on component repairs. European Journal of Operational Research, 220: 386-393.
[10] Ferbar, L., Creslovnik, D., Mojškerc, B. and Rajgelj, M. Demand forecasting methods in a supply chain: Smoothing and denoising. International Journal of Production Economics, 118: 49-54.
[11] Acar, Y. and Gardner, E.S. 2012. Forecasting method selection in a global supply chain. International Journal of Forecasting, 28: 842-848.
[12] Boken, V.K. 2000. Forecasting spring wheat yield using time series analysis: A case study for the Canadian prairies. Agronomy Journal, 92: 1047-1053.
[13] Deluyker, H.A., Shumway, R.H., Wecker, W.E., Asari, A.S. and Weaver, L.D. 1990. Modeling daily milk yield in Holstein cows using time series analysis. Journal of Dairy Science, 73: 539-548.
[14] Kwasi, B.R. and Kobina, B.J. 2014. Forecasting of cassava prices in the central region of Ghana using ARIMA model. International Journal of Research Review, 2: 30-40.
[15] Panda, R. 2014. Soybean price forecasting in Indian commodity market: An econometric model. Journal of Academia and Industrial Research, 3: 58-62.
[16] มุกดา แม้นมินทร์. 2549. อนุกรมเวลาและการพยากรณ์. สานักพิมพ์ประกายพรึก, กรุงเทพฯ.
[17] Chang, Y.F., Lin, C.J., Chyan, J.M., Chen, I.M. and Chang, J.E. 2007. Multiple regression models for the lower heating value of municipal solid waste in Taiwan. Journal of Environmental Management, 85: 891-899.
