การเปรียบเทียบตัวแบบอนุกรมเวลาและตัวแบบการเรียนรู้ของเครื่องสำหรับการพยากรณ์ปริมาณการส่งออกมันฝรั่งของประเทศไทย

Kannat Na Bangchang; Ladapa  Sangjaisom

Authors

Kannat Na Bangchang Department of Mathematics and Statistics, Faculty of Science and Technology, Thammasat University
Ladapa Sangjaisom Department of Mathematics and Statistics, Faculty of Science and Technology, Thammasat University

Keywords:

Time Series Forecasting, Statistical Model, Machine Learning, Potato Export

Abstract

This study aims to compare the forecasting performance of time series and machine learning models for predicting the monthly quantity of potato exports in Thailand. Secondary monthly data from the Office of Agricultural Economics covering the period from 2016 to 2025 (120 monthly observations) were employed. Five forecasting models were evaluated, namely Holt–Winters Multiplicative, Autoregressive Integrated Moving Average (ARIMA), Seasonal Autoregressive Integrated Moving Average (SARIMA), Random Forest, and Extreme Gradient Boosting (XGBoost). The dataset was divided into training and testing sets using splits of 90:10, 80:20, and 70:30. Forecasting performance was assessed using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The results indicated that ARIMA (0,1,3) achieved the best forecasting performance with a MAPE of 12.25%, whereas XGBoost outperformed all competing models overall with the lowest MAPE of 8.06%. These findings suggest that machine learning models are more effective in capturing complex relationships within the export data than conventional time series models. The proposed comparison provides useful evidence for supporting production planning, export management, and agricultural trade policy in Thailand.

References

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.