การเปรียบเทียบตัวแบบอนุกรมเวลาและตัวแบบการเรียนรู้ของเครื่องสำหรับการพยากรณ์ปริมาณการส่งออกมันฝรั่งของประเทศไทย

กานต์ณัฐ ณ บางช้าง; ลฎาภา  สังใจสม

ผู้แต่ง

กานต์ณัฐ ณ บางช้าง สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์
ลฎาภา สังใจสม สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์

คำสำคัญ:

การพยากรณ์อนุกรมเวลา, แบบจำลองทางสถิติ, แบบจำลองการเรียนรู้ของเครื่อง, การส่งออกมันฝรั่ง

บทคัดย่อ

การวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของแบบจำลองอนุกรมเวลาและแบบจำลองการเรียนรู้ของเครื่องสำหรับการพยากรณ์ปริมาณการส่งออกมันฝรั่งของประเทศไทยรายเดือน โดยใช้ข้อมูลทุติยภูมิรายเดือนจากสำนักงานเศรษฐกิจการเกษตร ครอบคลุมช่วงปี พ.ศ. 2559–2568 จำนวน 120 เดือน การศึกษาเปรียบเทียบแบบจำลอง 5 ประเภท ได้แก่ แบบจำลองโฮลต์-วินเทอส์แบบคูณ แบบจำลองออโตรีเกรสซีฟอินทิเกรเต็ดมูฟวิงแอเวอเรจ แบบจำลองออโตรีเกรสซีฟอินทิเกรเต็ดมูฟวิงแอเวอเรจเชิงฤดูกาล แบบจำลองป่าสุ่ม และแบบจำลองเอ็กซ์จีบูสต์ โดยแบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบในสัดส่วน 90:10, 80:20 และ 70:30 โดยประเมินความแม่นยำของแบบจำลองด้วยค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย ค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย และค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย ผลการวิจัยพบว่าในกลุ่มแบบจำลองอนุกรมเวลา แบบจำลอง ARIMA (0,1,3) ให้ผลการพยากรณ์ดีที่สุด โดยมีค่า MAPE เท่ากับ 12.25% ในขณะที่แบบจำลองการเรียนรู้ของเครื่อง XGBoost ให้ผลดีที่สุดในภาพรวม โดยมีค่า MAPE ต่ำสุดที่ 8.06% ผลการศึกษาชี้ให้เห็นว่าแบบจำลองการเรียนรู้ของเครื่อง สามารถอธิบายความสัมพันธ์ที่ซับซ้อนของข้อมูลได้ดีกว่าแบบจำลองอนุกรมเวลา ผลลัพธ์นี้สามารถนำไปใช้เป็นแนวทางสนับสนุนการวางแผนการผลิต การบริหารจัดการการส่งออก และการกำหนดนโยบายการค้าสินค้าเกษตรของประเทศไทย

เอกสารอ้างอิง

สำนักงานเศรษฐกิจการเกษตร. รายงานสถานการณ์พืชเศรษฐกิจที่สำคัญของประเทศไทย. กรุงเทพฯ: กระทรวงเกษตรและสหกรณ์; 2561.

สำนักงานเศรษฐกิจการเกษตร. สถานการณ์การผลิตและการตลาดมันฝรั่งของประเทศไทย. กรุงเทพฯ: กระทรวงเกษตรและสหกรณ์; 2562.

สำนักงานเศรษฐกิจการเกษตร. ข้อมูลพื้นที่เพาะปลูกและผลผลิตมันฝรั่ง ปีเพาะปลูก 2562/63. กรุงเทพฯ: กระทรวงเกษตรและสหกรณ์; 2563.

สำนักงานเศรษฐกิจการเกษตร. ดุลอุปสงค์–อุปทานมันฝรั่งของประเทศไทย. กรุงเทพฯ: กระทรวงเกษตรและสหกรณ์; 2562.

กระทรวงพาณิชย์. ประกาศกำหนดโควตานำเข้ามันฝรั่งดิบเพื่ออุตสาหกรรมแปรรูปภายใต้ความตกลง WTO. กรุงเทพฯ: กระทรวงพาณิชย์; 2566.

สำนักงานเศรษฐกิจการเกษตร. รายงานวิเคราะห์ปัจจัยการผลิตและข้อจำกัดของพืชอุตสาหกรรม. กรุงเทพฯ: กระทรวงเกษตรและสหกรณ์; 2564.

Han J, Kamber M, Pei J. Data Mining: Concepts and Techniques. 4 th ed. Burlington: Morgan Kaufmann; 2022.

Kuhn M, Johnson K. Feature Engineering and Selection. Boca Raton: CRC Press; 2019.

Box GEP, Jenkins GM, Reinsel GC, Ljung GM. Time Series Analysis: Forecasting and Control. 5 th ed. Hoboken: Wiley; 2015.

Winters PR. Forecasting sales by exponentially weighted moving averages. Manag Sci 1960;6(3):324-42.

Hyndman RJ, Athanasopoulos G. Forecasting: Principles and Practice. 3 rd ed. Melbourne: OTexts; 2021.

Brockwell PJ, Davis RA. Introduction to Time Series and Forecasting. 3 rd ed. New York: Springer; 2016.

Breiman L. Random Forests. Machine Learning 2001;45(1):5–32.

James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning. 2 nd ed. New York: Springer; 2021.

Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. In: Proceedings of the 22 nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 13-17 August 2016; San Francisco, USA. New York: ACM; 2016. p.785–94.

Ljung GM, Box GEP. On a measure of lack of fit in time series models. Biometrika 1978;65(2):297–303.

Hyndman RJ, Koehler AB. Another look at measures of forecast accuracy. Int J Forecast 2006;22(4):679–88.