การวิเคราะห์และเปรียบเทียบประสิทธิภาพของโมเดลพยากรณ์ข้อมูลอนุกรมเวลา ในการพยากรณ์จำนวนนักท่องเที่ยวในจังหวัดเชียงใหม่
Article Sidebar
Main Article Content
บทคัดย่อ
วัตถุประสงค์ของการศึกษานี้คือการประเมินประสิทธิภาพในการพยากรณ์ของโมเดลการพยากรณ์อนุกรมเวลา(Time series) โดยใช้โมเดล 5 แบบ ได้แก่ ARIMA LSTM Prophet XGBoost และ Random forest ในการพยากรณ์จำนวนนักท่องเที่ยวที่มาเยือนจังหวัดเชียงใหม่ การศึกษาใช้ชุดข้อมูลที่ประกอบด้วยจำนวนนักท่องเที่ยว ตั้งแต่เดือนมกราคม พ.ศ. 2563 ถึงเดือนธันวาคม พ.ศ. 2566 โดยแบ่งข้อมูลออกเป็นสองชุด ได้แก่ ชุดข้อมูลการฝึกตั้งแต่เดือนมกราคม พ.ศ. 2563 ถึงเดือนธันวาคม พ.ศ. 2565 และชุดข้อมูลการทดสอบตั้งแต่เดือนมกราคม พ.ศ. 2566 ถึงเดือนธันวาคม พ.ศ. 2566 ผู้วิจัยใช้ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ค่ารากที่สองของค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยกำลังสอง (RMSE) และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยแบบสัมบูรณ์ในรูปแบบร้อยละ (MAPE) ในการประเมินประสิทธิภาพของโมเดลต่าง ๆ ผลการศึกษาระบุว่าโมเดล ARIMA มีความแม่นยำสูงสุด จากผลการวิเคราะห์เชิงเปรียบเทียบพบว่าโมเดล ARIMA มีค่าความคลาดเคลื่อนในการพยากรณ์ต่ำที่สุด (MAE = 8,325.33 RMSE = 11,462.63 และ MAPE = 10.16)
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กระทรวงการท่องเที่ยวและกีฬา. (2567). ข้อมูลสถิตินักท่องเที่ยว (Tourism Statistic). แหล่งข้อมูล: www.mots.go.th/more_news_new.php?cid=411. ค้นเมื่อวันที่ 4 เมษายน 2567.
นิติกร จันหาญ และจารี ทองคํา. (2565). การเปรียบเทียบประสิทธิภาพของเทคนิคอริมาและเทคนิคถดถอยการเรียนรู้ของเครื่องในการพยากรณ์ราคาบิตคอยน์. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี. 24 (1): 62 - 75.
บุญศี โศภณัฐยานนท์. (2557). ความสัมพันธ์ระหว่างอัตราผลตอบแทนของตลาดหลักทรัพย์ อัตราดอกเบี้ย และอัตราแลกเปลี่ยนเงินตราต่างประเทศ ของกลุ่มประเทศอาเซียน AEC. สารนิพนธ์ปริญญาบัณฑิต, มหาวิทยาลัยมหิดล. กรุงเทพฯ. 59 หน้า.
วรางคณา เรียนสุทธิ์. (2565). การพยากรณ์มูลค่าการส่งออกพริกไทย. วารสารวิจัยและส่งเสริมวิชาการเกษตร สำนักวิจัยและส่งเสริมวิชาการเกษตร มหาวิทยาลัยแม่โจ้. 39(3): 156 - 168.
Breiman, L. (2001). Random Forest. Machine Learning 45: 5 - 32. doi: 10.1023/A:1010933404324.
Botchkarev, A. (2019). Performance metrics (error measures) in machine learning regression, forecasting and prognostics: Properties and typology. Interdisciplinary Journal of Information, Knowledge, and Management 14: 45 - 79.
Chen, T. and Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco. 785 - 794.
Fan, D., Sun, H., Yao, J., Zhang, K., Yan, X. and Sun, Z. (2021). Well production forecasting based on ARIMA-LSTM model considering manual operations. Energy 220: 119708. doi 10.1016/j.energy.2020.119708.
Greff, K., Srivastava, R.K., Koutník, J., Steunebrink, B.R. and Schmidhuber, J. (2017). LSTM: A Search Space Odyssey. IEEE Transactions on Neural Networks and Learning Systems 28(10): 1 - 12. doi 10.1109/ TNNLS.2016.2582924.
Nochai, R. and Nochai, T. (2006). ARIMA model for forecasting oil palm price. In: Proceedings of the 2nd IMT-GT Regional Conference on Mathematics, Statistics and applications, Penang. 13 - 15.
Pecho, R.D.C., Vijaya, K., Sharma, N., Pal, H. and Jose, B.K. (2024). An approach for crop yield prediction using hybrid XGBoost, SVM and C4. 5 classifier algorithms. Engineering & Applied Science Research 51(3): 300 - 312.
Taylor, S.J. and Letham, B. (2018). Forecasting at scale. The American Statistician 72(1): 37 - 45. doi: 10.7287/peerj.preprints.3190v2.
Vandeput, N. (2019). Forecast KPI: RMSE, MAE, MAPE & Bias. Towards Data Science. Source: https://towards datascience.com/forecast-kpi-rmse-mae-mape-bias-cdc5703d242d. Retrieved from March 2024.
Verma, P., Reddy, S.V., Ragha, L. and Datta, D. (2021). Comparison of time-series forecasting models. In: 2021 International Conference on Intelligent Technologies (CONIT). Hubli, India. 82 - 88. doi 10.1109/ CONIT51480.2021.9498451.