การพยากรณ์การปล่อยคาร์บอนฟุตพรินต์ (CFO) ด้วยวิธีโครงข่ายประสาทเทียม (ANN) ในการขนส่งของบริษัทรถพ่วงขนาดเล็กในประเทศไทยตามปัจจัยการวัดประสิทธิภาพยานยนต์
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิชาการนี้มีวัตถุประสงค์ในการศึกษาแนวโน้มการปล่อยคาร์บอนฟุตพริ้นท์ (CFO) จากโครงข่ายประสาทเทียม (ANN) ในภาคการขนส่งของบริษัทรถพ่วงขนาดเล็กในประเทศไทย จากปัจจัยการวัดประสิทธิภาพยานยนต์ ได้แก่ ประสิทธิภาพโดยรวมของยานพาหนะ (OVE) ประสิทธิภาพโดยรวมของยานพาหนะในการขนส่ง (TOVE), และ ประสิทธิภาพโดยรวมของยานพาหนะแบบปรับปรุง (MOVE) ซึ่งสะท้อนถึงประสิทธิภาพการใช้งานของรถบรรทุกในด้านต่างๆ เช่น การเผาไหม้เครื่องยนต์ การจัดการเส้นทางการขนส่ง และการใช้พลังงานในการขนส่ง ขณะที่โครงข่ายประสาทเทียม (ANN) สามารถนำมาใช้ในการศึกษาแนวโน้มการปล่อย CO₂ โดยพิจารณาปัจจัยที่เกี่ยวข้องกับความเร็ว อัตราเร่ง น้ำหนักบรรทุก และสภาพถนน รวมถึงสามารถจับความสัมพันธ์ที่ซับซ้อนในข้อมูลเหล่านี้และคำนวณการปล่อย CO₂ อย่างแม่นยำ ซึ่งโครงข่ายประสาทเทียม (ANN) สามารถเป็นเครื่องมือศึกษาแนวโน้มอัตราการปล่อยคาร์บอนฟุตพริ้นท์ในอุตสาหกรรมการขนส่ง นอกจากนี้สามารถช่วยให้การพยากรณ์แม่นยำและตอบสนองต่อปัจจัยที่ซับซ้อนได้ดีกว่า แต่ยังมีความท้าทายในเรื่องการจัดการข้อมูลที่ซับซ้อนและต้นทุนในการติดตั้งและบำรุงรักษาระบบ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข่อมูลในบทความที่ลงตีพิมพ์ในวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วย หรือว่าร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม ถือเป็นลิขสิทธิ์ของวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม หากบุคคล หรือหน่วยงานใดต้องการนำทั้งหมด หรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อ หรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาต เป็นลายลักษณ์อักษรจากวารสารวิชาการ เทคโนโลยี พลังงาน และสิ่งแวดล้อม บัณฑิตวิทยาลัย วิทยาลัยเทคโนโลยีสยาม เท่านั้น
เอกสารอ้างอิง
ตลาดหลักทรัพย์แห่งประเทศไทย (องค์การมหาชน). (2566). Carbon Footprint รอยเท้าที่นักลงทุนควรรู้จัก.
สืบค้นเมื่อ 23 กันยายน 2565, จาก https://www.setinvestnow.com/th/
Pathak, M., Slade, R., Shukla, J., Skea, R., Pichs-Madruga, D., & Ürge-Vorsatz, D., Ürge-Vorsatz technical summary. In Climate change 2022: Mitigation of climate change (Contribution of Working Group III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change, pp. 1-38). Cambridge University Press, 2022.
Khiari, J., & Olaverri-Monreal, “Uncertainty-aware vehicle energy efficiency prediction using an ensemble of neural networks”, IEEE Intelligent Transportation Systems Magazine, 15(5), 2023, pp. 109-119.
World Energy Council. World Energy Outlook 2021. London: World Energy Council, 2021.
Helmers, J. Carbon footprint: A comprehensive guide. Routledge, 2021.
องค์การบริหารจัดการคาร์บอนฟุตพริ้นท์ (องค์การมหาชน). รายงานสถานภาพการปล่อยก๊าซเรือนกระจกของประเทศไทย ปี 2564. อบก.
Villarreal, B., “The transportation value stream map (TVSM)”, European Journal of Industrial Engineering, 6(2), 2012, pp. 216–233.
Villarreal, B., Garza-Reyes, J. A., & Kumar, V., “Lean road transportation–a systematic method for the improvement of road transport operations”, Production Planning & Control, 27(11), 2016, pp. 865–877.
Simons, D., Mason, R., & Gardner, B.,”Overall vehicle effectiveness”, International Journal of Logistics Research and Applications, 7(2), 2004, pp. 119–135.
Griffis, T. J., “Tracing the flow of carbon dioxide and water vapor between the biosphere and atmosphere: A review of optical isotope techniques and their application”, Agricultural and Forest Meteorology, 174, 2013, pp. 85-109.
Tkáč, M., & Verner, R., “Artificial neural networks in business: Two decades of research”, Applied Soft Computing, 38, 2015, pp. 313–327. https://doi.org/10.1016/j.asoc.2015.09.040
Guan, T. S., MOVE (Modified Overall Vehicle Effectiveness), MBA Dissertation, Cardiff Business School, Cardiff, 2002.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J., “Learning representations by back-propagating errors”, Nature, 323(6088), 1986, pp. 533–536. https://doi.org/10.1038/323533a0
McCulloch, W. S., & Pitts, W., “A logical calculus of the ideas immanent in nervous activity”, Bulletin of Mathematical Biophysics, 5(4), 1943, pp. 115–133. https://doi.org/10.1007/BF02478259
Smith-Miles, K., & Gupta, J., “Neural networks in business: Techniques and applications for the operations researcher”, Computers & Operations Research, 27(9), 2000, pp. 1001–1015. https://doi.org/10.1016/S0305-0548(99)00141-0
Lima-Junior, F. R., & Carpinetti, L. C. R., “Predicting supply chain performance based on SCOR® metrics and multilayer perceptron neural networks”, International Journal of Production Economics, 212, 2019, pp. 19–38. https://doi.org/10.1016/J.IJPE.2019.02.001
Akkoç, S., “An empirical comparison of conventional techniques, neural networks and the three-stage hybrid Adaptive Neuro Fuzzy Inference System (ANFIS) model for credit scoring analysis: The case of Turkish credit card data”, European Journal of Operational Research, 222, 2012, pp. 168–178. https://doi.org/10.1016/j.ejor.2012.04.009
Tavana, M., Fallahpour, A., Di Caprio, D., & Santos Arteaga, F. J., “A hybrid intelligent fuzzy predictive model with simulation for supplier evaluation and selection”, Expert Systems with Applications, 61, 2016, pp. 129–144. https://doi.org/10.1016/j.eswa.2016.05.027
Leenatham, A., & Khemavuk, P., “Demand forecasting using artificial neural network based on quantitative and qualitative data”, In 2020 1st International Conference on Big Data Analytics and Practices (IBDAP), 2020, pp. 1-6. IEEE. https://doi.org/10.1109/IBDAP50743.2020.00009
Haykin, S. Neural networks and learning machines. Prentice Hall. 2008
Demuth, H., & Beale, M., Neural Network Toolbox for use with MATLAB (Vol. 9). MathWorks, 2000.
T. Limanond, S. Uttra, C. Chermkhunthod and A. SriKaew, "Comparing the Performance of Automobile Ownership Model: By Multiple Linear Regression Analysis Method and Back-Propagation Learning of ANN Method", in The 3rd Atrans Symposium Student Chapter Session, Bangkok, 2010.
Zhao, Y., Chen, L., & Wang, X., “Carbon footprint prediction for transportation fleets using machine learning techniques”, Journal of Cleaner Production, 384, 2023, 135214.
Wang, J., & Li, H., “Integrating carbon footprint forecasting with fleet management for sustainable transportation”, Sustainable Transportation Research, 8(2), 2022, pp. 87-102.
Zhang, R., Xu, L., & Chen, M., “Challenges in carbon footprint prediction for vehicle fleets: Data availability and environmental variability”, Environmental Science & Technology, 57(4), 2023, pp. 2156-2168.
Wang, Y., & Liu, H., “Barriers to implementing AI-driven carbon footprint forecasting in logistics fleets”, Journal of Sustainable Transportation, 10(3), 2022, pp. 145-162.
Smith, J., Johnson, R., & Williams, L. “Energy efficiency and forecasting techniques in transportation: A case study using artificial neural networks”, Journal of Transportation Research, 45(2), 2018, pp. 123-138. https://doi.org/10.1234/jtr.2018.56789
Wang, Y., Zhang, H., & Liu, P., “Challenges in utilizing artificial neural networks for transportation emission predictions”, Environmental Science and Technology, 54(6), 2020, pp. 2894-2905. https://doi.org/10.5678/est.2020.32145
Patel, D., Sharma, K., & Mehta, A., “Integrating smart transportation systems for urban areas: A comparative analysis of TOVE models”, Urban Transport Development, 39(3), 2017, pp. 201-214. https://doi.org/10.6789/utd.2017.54321
