การพยากรณ์ปริมาณน้ำฝนโดยใช้เทคนิคการปรับให้เรียบ เทคนิค ARIMA และ เทคนิค Support Vector Machine
คำสำคัญ:
พยากรณ์ปริมาณน้ำฝน, วิธีการของWinter’s method, ข้อมูลที่มีฤดูกาล, ARIMA, SVM.บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่องานวิจัยนี้ มุ่งเน้นไปที่การพยากรณ์ปริมาณน้ำฝนในจังหวัดนครราชสีมาโดยใช้วิธีพยากรณ์ของวินเตอร์(Winter’ s Method) และเทคนิควิเคราะห์อนุกรมเวลาของบอกซ์-เจนกินส์ (Box-Jenkins) หรือ ARIMA method และ วิธี Support Vector Machine โดยเมื่อพยากรณ์แล้วจะเปรียบเทียบการพยากรณ์และหาวิธีที่เหมาะสมที่สุดมาใช้เป็นสารสนเทศในการวางแผนและเตรียมความพร้อมรับมือกับปัญหาที่จะเกิดจากการเปลี่ยนแปลงของน้ำฝนและสภาพอากาศของจังหวัดนครราชสีมา ซึ่งผลที่ได้จากการศึกษาวิจัย พบว่า เทคนิคการปรับให้เรียบสามารถใช้ได้กับตัวแบบ Winter’s method ส่วนวิธีการของ ARIMA พบว่าตัวแบบที่เหมาะสมคือ ซึ่งนำมาวิเคราะห์ค่าที่เหมาะสมที่สุดจากสถิติ Akaike Information Criterion (AIC) ที่ให้ค่าน้อยที่สุด วิธีพยากรณ์ของ Support Vector Machine (SVM) ได้ใช้ตัวแบบ Support Vector Regression โดยตัวแบบทั้งสามและทำการพยากรณ์ได้ค่าความคลาดเคลื่อนกับข้อมูลชุดที่ 1 Training Set วิธีที่เหมาะสมมากที่สุดคือ ARIMA มีค่าวัดความคลาดเคลื่อน RMSE เป็น 62.28357 สำหรับการพยากรณ์ข้อมูลล่วงหน้า 3 ปี Testing Set วิธีที่เหมาะสมมากที่สุดคือ SVM มีค่าวัดความคลาดเคลื่อน RMSE เป็น 33.84099
References
ทรงศิริ แต้สมบัติ. (2539). เทคนิคการพยากรณ์เชิงปริมาณ. กรุงเทพฯ: สำนักพิมพ์ฟิสิกส์เซนเตอร์.
ธนากร โชติช่วง และ สมชาย เล็กเจริญ (2561). การพยากรณ์ปริมาณน้ำฝนรายเดือนในจังหวัดพัทลุง ณ ศูนย์อุทกวิทยาฯ ภาคใต้. การประชุมวิชาการระดับชาติ วิทยาลัยนครราชสีมา ครั้งที่ 5, “วิจัยและพัฒนาสู่การขับเคลื่อนสังคมอย่างยั่งยืน”, วันที่ 31 มีนาคม พ.ศ.2561 ณ วิทยาลัยนครราชสีมา จังหวัดนครราชสีมา, หน้า 260-271.
พูนศักดิ์ ศิริโสม. (2537). การพยากรณ์ปริมาณน้ำฝนโดยใช้สาระอุตุนิยมวิทยาในเขตอำเภอเมืองจังหวัดเชียงใหม่ วิทยานิพนธ์มหาบัณฑิต วิทยาศาสตร์(สถิติประยุกต์) บัณฑิตวิทยาลัย มหาวิทยาลัยเชียงใหม่.
มุกดา แม้นมินทร์. (2549). อนุกรมเวลาและการพยากรณ์. กรุงเทพฯ:โฟร์พริ้นติ้ง.ระบบบริการสารสนเทศภูมิอากาศ กรมอุตุนิยมวิทยา.สืบค้นเมื่อวันที่ 25กุมภาพันธ์ 2563, จาก http://climate.tmd.go.th/data/province/
วรางคณา กีรติวิบูลย์.(2558). การพยากรณ์ปริมาณน้ําฝน อําเภอเมือง จังหวัดน่าน. วารสารวิจัยและพัฒนา มจธ., 38(3), 211-223.
วราฤทธิ์ พานิชกิจโกศลกุล. (2552). การพยากรณ์ปริมาณน้ําฝนรายเดือนของสถานีอุตุนิยมวิทยาและสถานีอากาศเกษตรในภาคตะวันออกเฉียงเหนือ.วารสารวิทยาศาสตร์และเทคโนโลยี, 17(2), 1-12.
สมเกียรติ เกตุเอี่ยม (2548). เทคนิคการพยากรณ์, พิมพ์ครั้งที่ 2, สงขลา: นำศิลป์หาดใหญ่.
สุพรรณี อึ้งปัญสัตวงศ์. (2541). เทคนิคการพยากรณ์เชิงสถิติ. ขอนแก่น: หน่วยผลิตเอกสาร คณะวิทยาศาสตร์ มหาวิทยาลัยขอนแก่น.
Abraham , Bovas & Ledolter , Johannes. (1983). Statistical Methods for Forecasting. New York: John Willey & Sons.
Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control: John Wiley & Sons.
Drucker, H., Burges, C. J., Kaufman, L., Smola, A., & Vapnik, V. (1997). Support vector regression machines. Advances in neural information processing systems, 9, 155-161.
Eni, D.,&Adeyeye, F. (2015).Seasonal ARIMA Modeling and Forecasting of Rainfall in Warri Town, Nigeria. Journal of Geoscience and Environment Protection, 3, 91-98. doi: 10.4236/gep.2015.36015.M
Fattah, J., Ezzine, L., Aman, Z., El Moussami, H., & Lachhab, A. (2018). Forecasting of demand using ARIMA model.
International Journal of Engineering Business Management, 10, https://doi.org/10.1177/1847979018808673.
Kalekar, P. S. (2004). Time series forecasting using holt-winters exponential smoothing. Kanwal Rekhi school of information Technology, 4329008(13), 1-13.
Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting: Butterworth-Heinemann.
Makridakis, S. (1993). Accuracy measures: theoretical and practical concerns. International journal of forecasting, 9(4), 527-529.
Mitchell, T. M. (1997). Machine Learning. Professional Book Group 11 West 19th Street New York, NYUnited States: McGraw-Hill Inc.
Noble, W. S. (2006). What is a support vector machine? Nature biotechnology, 24(12), 1565-1567.
Sathish, G.,Lakshmi Narasinhaiah, P. Mahesh Babu, Samrat Laha &Bharath Kumar, N. (2017). Time Series Analysis of Monthly Rainfall for Gangetic West Bengal Using Box JenkinsSARIMAModeling.Int.J.Curr.Microbiol.App.Sci.6(7):2603-2610 doi:https://doi.org/10.20546/ijcmas.2017.607.307
Sidiq. (2018). Forecasting Rainfall with Time Series Model. IOP Conf. Series: Materials Science and Engineering 407(2018) doi:10.1088/1757-899X/407/1/012154.
Swain S., Nandi S., & Patel P. (2018) Development of an ARIMA Model for Monthly Rainfall Forecasting over Khordha District, Odisha, India. In: Recent Findings in Intelligent Computing Techniques. Advances in Intelligent Systems and Computing, Vol. 708,325-331.
Vapnik, V. (1995). The nature of statistical learning theory springer new york google scholar. New York.
Vapnik, V., Golowich, S. E., & Smola, A. (1997). Support vector method for function 170 approximation, regression estimation, and signal processing. Advances in neural information processing systems, 281-287.
Zhang, X.-D. (2020). Machine learning. In A Matrix Algebra Approach to Artificial Intelligence , Springer. 223-440.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2024 วารสารวิจัย วิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิจัย วิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิจัย วิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา ถือเป็นลิขสิทธิ์ของวารสารวิจัย วิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักอักษรจากวารสารวิจัย วิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา ก่อนเท่านั้น
