การพยากรณ์ปริมาณการปล่อยคาร์บอนไดออกไซด์จากกลุ่มพลังงานในประเทศไทยด้วยตัวแบบ SARIMA-ANN-REG
คำสำคัญ:
การพยากรณ์, คาร์บอนไดออกไซด์, วิธีบ็อกซ์-เจนกินส์, โครงข่ายประสาทเทียม, วิธีตัวแบบผสมบทคัดย่อ
การศึกษานี้มีจุดประสงค์เพื่อศึกษาการพยากรณ์การปล่อยก๊าซ CO2 ในประเทศไทยโดยใช้ข้อมูลจากกระทรวงพลังงาน ด้วยตัวแบบผสม SARIMA-ANN-REG โดยใช้สมการการถดถอยเชิงเส้นตรงในการสร้างตัวแบบพยากรณ์ผสมระหว่างตัวแบบ SARIMA กับตัวแบบโครงข่ายประสาทเทียม (ANN) ข้อมูลการปล่อยปริมาณก๊าซ CO2 รายเดือนตั้งแต่เดือนมกราคม พ.ศ. 2558 ถึงธันวาคม พ.ศ. 2565 (96 เดือน) ใช้เป็นชุดข้อมูลสำหรับการเรียนรู้ ในขณะที่ข้อมูลตั้งแต่เดือนมกราคม ถึงกรกฎาคม พ.ศ. 2566 (7 เดือน) ถูกนำมาใช้ในพยากรณ์ พิจารณาเลือกตัวแบบด้วยรากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) ที่ต่ำที่สุด ผลการศึกษาพบว่า ตัวแบบ SARIMA-ANN-REG เมื่อ SARIMA(1,0,2)(1,1,1)12 และกำหนดจำนวนโหนดในขั้นซ่อนเท่ากับ 8 ในตัวแบบ ANN ทำให้ค่า RMSE ต่ำที่สุด เท่ากับ 0.4992 สำหรับชุดข้อมูลเรียนรู้ เมื่อนำไปพยากรณ์ข้อมูลค่า RMSE เท่ากับ 1.2106 โดยมีสมการพยากรณ์ คือ
เมื่อ ,
,
คือ ค่าพยากรณ์ ค่าพยากรณ์ด้วยตัวแบบ SARIMA และค่าพยากรณ์ด้วยตัวแบบ ANN ณ เวลา t ตามลำดับ
Downloads
References
Pitoonpong, S. (2021). Global warming and labor. Matichon Online. Retrieved August 1, 2023, from https://www.matichon.co.th/columnists/news_3037715
The Energy Policy and Planning Office. (2022). Energy statistics. Retrieved August 1, 2023, from https://www.eppo.go.th/index.php/en/en-energystatistics/co2-statistic
Boonmana, C., and Kulvanich, N. (2017). A Comparative prediction accuracy of hybrid time series models. Thai Science and Technology Journal, 25(2), 177-190. https://li01.tci-thaijo.org/index.php/tstj/article/view/70308/57090
Nyoni, T., and Bonga, W. G. (2019). Prediction of co2 emissions in India using Arima models. DRJ-Journal of Economics & Finance, 4(2), 01-10. https://ssrn.com/abstract=3346378
Amphanthong, P. (2022). Comparison of methods for analysis of the air quality: A case study of alternative energy for biogas in suphanburi province. Journal of Applied Research on Science and Technology (JARST), 21(1), 44-54. https://doi.org/10.14456/jarst.2022.5
Sala-ngam, S. (2022). Towards a predictor for CO2 emission using regression analysis and an artificial neural network. The Journal of Industrial Technology: Suan Sunandha Rajabhat University, 10(2). 54-65. https://ph01.tci-thaijo.org/index.php/fit-ssru/article/view/248813
Kulvanich, N. (2020). Improving Prediction Accuracy of Time Series Data Using ARIMA-ANN Hybrid Model and Regression Analysis. Thai Science and Technology Journal, 28(12), 2101-2112. https://li01.tci-thaijo.org/index.php/tstj/article/view/210424/170099
Devadoss, A. V., and Ligori, T. A. A. (2013). Forecasting of stock prices using multi-layer perceptron. International journal of computing algorithm, 2(1), 440-449.
Li, W., Han, M., and Wang, J. (2020). Recurrent restricted Boltzmann machine for chaotic time-series prediction. In 2020 12th International Conference on Advanced Computational Intelligence (ICACI) (pp. 439-445). The Institute of Electrical and Electronics Engineers (IEEE).
Krishnan, G., Mehta, K. B. V., and Yadav, R. S. (2022). Assessment of future pattern of rainfall in different zones of Kerala using incorporation of SARIMA, ANN, and hybrid SARIMA-ANN models. Economic Affairs (New Delhi), 67(5), 823-832.
Abdullah, A. S., Ruchjana, B. N., and Jaya, I. G. N. M. (2021). Comparison of SARIMA and SVM model for rainfall forecasting in Bogor city, Indonesia. Journal of Physics: Conference Series, 1722(1), Article number 012061.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2024 วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ สาขาวิทยาศาสตร์และเทคโนโลยี
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ สาขาวิทยาศาสตร์และเทคโนโลยี อยู่ภายใต้การอนุญาต Creative Commons Attribution-NonCommercial-NoDerivs 4.0 International (CC-BY-NC-ND 4.0) เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดอ่านหน้านโยบายของวารสารสำหรับข้อมูลเพิ่มเติมเกี่ยวกับการเข้าถึงแบบเปิด ลิขสิทธิ์ และการอนุญาต
