ตัวแบบโครงข่ายประสาทเทียมสำหรับการพยากรณ์ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย

Authors

  • ธรณินทร์ สัจวิริยทรัพย์ Logistics Engineering, School of Engineering, University of the Thai Chamber of commerce

Keywords:

Artificial neural network, seasonal ARIMA, Maize, Combined forecasting model

Abstract

บทคัดย่อ งานวิจัยนี้ ตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าถูกพัฒนาขึ้นเพื่อพยากรณ์ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย โดยใช้ข้อมูลอนุกรมเวลาของราคาข้าวโพดเลี้ยงสัตว์ตั้งแต่เดือนมกราคม 2540 ถึงเดือนพฤศจิกายน 2558 ซึ่งตัวแบบที่ถูกพัฒนาขึ้นถูกเปรียบเทียบประสิทธิภาพความแม่นยำกับตัวแบบอารีมาแบบมีฤดูกาลและตัวแบบการพยากรณ์แบบรวมที่ถูกนำเสนอในงานวิจัยว่าประสิทธิภาพดีในการพยากรณ์ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย โดยใช้เกณฑ์การประเมินประสิทธิภาพของตัวแบบต่างๆ 3 เกณฑ์ คือ ค่าเฉลี่ยของความคลาดเคลื่อนสัมบูรณ์ ค่ารากที่สองของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ค่าเฉลี่ยของเปอร์เซ็นต์ของความคลาดเคลื่อนสัมบูรณ์ จากผลการวิจัยพบว่า ตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าที่เหมาะสมอาศัยข้อมูลในอดีตย้อนหลัง 2 ค่า เพื่อให้ตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าเรียนรู้และสร้างฟังก์ชันการทำนายที่มีประสิทธิภาพดีกว่าตัวแบบอารีมาแบบมีฤดูกาลและตัวแบบการพยากรณ์รวม ดังนั้น ตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า จึงมีความเหมาะสมที่จะเป็นตัวแบบในการพยากรณ์ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย เพื่อให้ได้สารสนเทศที่เป็นประโยชน์และสนับสนุนการตัดสินใจในการวางแผนการผลิตอาหารสัตว์ได้อย่างมีประสิทธิภาพ - - - Artificial Neural Network Model for Forecasting Monthly Price of Maize in Thailand ABSTRACT In this research, a feed-forward neural network model is developed in order to forecast a future price of maize in Thailand. The time series data of Thailand’s maize price is a monthly time series dataset from January 1997 to November 2015. Subsequently, the developed model is compared to both seasonal ARIMA model and combined forecasting model that is proposed in a research paper with the superior performance in forecasting the future price of maize in Thailand based on three accuracy measures. The accuracy measures are mean absolute error, root mean squared error, and mean absolute percentage error. The empirical results revealed that the feed-forward neural network model is formulated from two previous observations, which outperforms both seasonal ARIMA model and the combined forecasting model based on three measures of forecast accuracy. Consequently, the feed-forward neural network model is able to be a useful model to forecast Thailand’s monthly price of maize and to provide meaningful information to support critical decision making in effective production planning of animal feed.

Downloads

Download data is not yet available.

Downloads

Published

2018-04-11