ตัวแบบผสมสำหรับการพยากรณ์ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย
Hybrid Model for Forecasting Monthly Price of Maize in Thailand
Keywords:
ราคาข้าวโพดเลี้ยงสัตว์ , ตัวแบบผสม, ตัวแบบ SARIMA , ตัวแบบซัพพอร์ตเวกเตอร์รีเกรสชัน, price of maize , hybrid model , SARIMA model , Support Vector Regression modelAbstract
การวิจัยครั้งนี้มีวัตถุประสงค์ เพื่อสร้างและคัดเลือกตัวแบบการพยากรณ์ที่เหมาะสมกับข้อมูลอนุกรมเวลา ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย โดยใช้ข้อมูลจากสำนักงานเศรษฐกิจการเกษตร กระทรวงเกษตรและสหกรณ์ ตั้งแต่เดือนมกราคม 2542 ถึงเดือน พฤศจิกายน 2564 จำนวน 275 ค่าแบ่งข้อมูลออกเป็น 2 ชุด ชุดที่ 1 คือ ข้อมูลการเรียนรู้ (Training dataset) ตั้งแต่เดือนมกราคม 2542 ถึงเดือน ธันวาคม 2562 จำนวน 252 ค่า ใช้สำหรับการสร้างตัว แบบการพยากรณ์ด้วยตัวแบบ SARIMA และตัวแบบ Hybrid SARIMAGASVR ชุดที่ 2 คือ ข้อมูลการทดสอบ (Testing dataset) ตั้งแต่เดือน มกราคม 2563 ถึงเดือนพฤศจิกายน 2564 จำนวน 23 ค่า สำหรับเปรียบเทียบความแม่นยำของตัวแบบการพยากรณ์โดยใช้เกณฑ์ร้อยละของความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Percentage Error : MAPE) ผลการวิจัยพบว่า ตัวแบบ Hybrid SARIMAGASVR ซึ่งเป็นตัวแบบผสมระหว่างตัวแบบ SARIMA และตัวแบบซัพพอร์ต เวกเตอร์รีเกรสชัน (Support Vector Regression :SVR) มีค่าความแม่นยำมากกว่าตัวแบบ SARIMA โดยมีค่า MAPE เท่ากับ 0.02765259 ดังนั้น สรุปได้ว่า ตัวแบบผสมที่นำเสนอมีความเหมาะสมที่จะนำไปพยากรณ์ข้อมูลอนุกรมเวลา ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย This research aimed to create and select a forecast model suitable for the time series data on the monthly price of maize in Thailand. The data were obtained from the Office of Agricultural Economics, Ministry of Agriculture and Cooperatives from January 1999 to November 2021, a total of 275 values. The data were divided into two sets. The first set consisted of 252 values of the training dataset from January 1999to December 2019.This data set was used for creating the forecast model using the SARIMA model and the Hybrid SARIMAGASVR model. The second set consisted of 23 values of the testing dataset from January 2020 to November 2021. It was used for comparing the accuracy of the forecast model using the Mean Absolute Percentage Error (MAPE). The results showed that the Hybrid SARIMAGASVR model, which was a hybrid of the SARIMA model and the Support Vector Regression model (SVR), was more accurate than the SARIMA model, with a MAPE value of 0.02765259. Therefore, it can be concluded that the hybrid model proposed in this research is suitable for forecasting the time series data on the monthly price of maize in Thailand.References
Box, G.E.P., Jenkins, G.M., Reinsel, G.C., & Ljung, G.M. (2008). Time Series Analysis: Forecasting and Control, 4th ed. John Wiley and Sons, Inc., New Jersey.
Chen, R., Liang, C.-Y., Hong, W.-C., & Gu, D.-X. (2015). Forecasting holiday daily tourist flow based on seasonal support vector regression with adaptive genetic algorithm. Applied Soft Computing, 26, 435 – 443.
Cheng, Y., Zhu, Q., Peng, Y., Huang, X.-F., & He, L.-Y. (2021). Multiple strategies for a novel hybrid forecasting algorithm of ozone based on data-driven models. Journal of Cleaner Production, 326, 1-15.
de Oliveira, J. F. L., Pacífico, L. D. S., de Mattos Neto, P. S. G., Barreiros, E. F. S., Rodrigues, C. M. de O., & Filho, A. T. de A. (2020). A hybrid optimized error correction system for time series forecasting. Applied Soft Computing, 87, 1-9.
Fan, G.-F., Yu, M., Dong, S.-Q., Yeh, Y.-H., & Hong, W.-C. (2021). Forecasting short-term electricity load using hybrid support vector regression with grey catastrophe and random forest modeling. Utilities Policy, 73,1-18.
Holland, J.H. (1975). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence; University of Michigan Press: Ann Arbor, MI, USA.
Huang, X., Wang, J., & Huang, B. (2021). Two novel hybrid linear and nonlinear models for wind speed forecasting. Energy Conversion and Management, 238, 1-19.
Kao, Y.-S., Nawata, K., & Huang, C.-Y. (2020). Predicting Primary Energy Consumption Using Hybrid ARIMA and GA-SVR Based on EEMD Decomposition. Mathematics, 8(10), 1 - 19.
Li, R., Hu, Y., Heng, J., & Chen, X. (2021). A novel multiscale forecasting model for crude oil price time series. Technological Forecasting and Social Change, 173, 1-15.
Liu, M.-D., Ding, L., & Bai, Y.-L. (2021). Application of hybrid model based on empirical mode decomposition, novel recurrent neural networks and the ARIMA to wind speed prediction. Energy Conversion and Management, 233, 1 - 19.
Liu, Z., Jiang, P., Zhang, L., & Niu, X. (2020). A combined forecasting model for time series: Application to short-term wind speed forecasting. Applied Energy, 259, 1 - 25.
National Statistical Office Thailand. (2021). Population and Housing Census. Retrieved December, 2021, from http://www.nso.go.th/sites/2014en/censussurvey.
Riansut, W., & Thongrit, K. (2017). Forecasting the Price of Field Corn in Thailand. RUMTP Research Journal, (1), 1-14. (in Thai)
Singchai, P., & Keeratiwintakorn, P. (2014). Electricity Demand Forecast for Thailand Demand Side Management Center. Information Technology Journal, 10(2), 32 - 42. (in Thai)
Sujjaviriyasup, T. (2018). Artificial Neural Network Model for Forecasting Monthly Price of Maize in Thailand. SWU Sci.J, 34(1), 91-107. (in Thai)
Sutthison, T. (2019). Appropriate Models for Forecasting of Water Supply Consumption in Ubonratchathani Province. Burapha Science Journal, 25(1), 28 – 50. (in Thai)
Xu, S., Chan, H. K., & Zhang, T. (2019). Forecasting the demand of the aviation industry using hybrid time series SARIMA-SVR approach. Transportation Research Part E: Logistics and Transportation Review, 122, 169 –180.
Yang, S., Chen, D., Li, S., & Wang, W. (2020). Carbon price forecasting based on modified ensemble empirical mode decomposition and long short-term memory optimized by improved whale optimization algorithm. Science of The Total Environment, 716, 1-13.
Zhang, P.G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50,159 -175.
Zhu, Q., Zhang, F., Liu, S., Wu, Y., & Wang, L. (2019). A hybrid VMD–BiGRU model for rubber futures time series forecasting. Applied Soft Computing, 84, 1-12.
