การพยากรณ์ราคารถยนต์มือสองโดยใช้เทคนิคการสกัดข้อมูลจากเว็บไซต์และแบบจำลองการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ราคารถยนต์มือสองในประเทศไทย โดยใช้เทคนิคการสกัดข้อมูลจากเว็บไซต์และแบบจำลองการเรียนรู้ของเครื่อง ข้อมูลถูกรวบรวมจากเว็บไซต์ Kaidee.com, One2Car.com และ Chobrod.com จำนวน 55,989 รายการ หลังการทำความสะอาดเหลือ 42,823 รายการ ซึ่งได้คุณลักษณะพื้นฐาน 13 รายการสำหรับสร้างแบบจำลอง ผู้วิจัยได้ดำเนินการทดลองสองลักษณะ ได้แก่ 1) การใช้เฉพาะคุณลักษณะพื้นฐาน และ 2) การเพิ่มคุณลักษณะใหม่ 6 รายการ ได้แก่ อายุรถยนต์ อัตราการใช้งานต่อปี กำลังสองของระยะทางสะสม กำลังสองของขนาดเครื่องยนต์ ภาระสะสมการใช้งาน และภาระเชิงเวลา เพื่อเพิ่มศักยภาพของแบบจำลองในการเรียนรู้เชิงลึก โดยเปรียบเทียบประสิทธิภาพของแบบจำลอง XGBoost, Random Forest, LightGBM, CatBoost และ Gradient Boosting ด้วยตัวชี้วัด MAE, RMSE, MAPE, R² และ Accuracy ผลการทดลองพบว่า XGBoost ให้ผลดีที่สุด โดยเมื่อเพิ่มคุณลักษณะใหม่ ค่า R² เพิ่มจาก 0.9262 เป็น 0.9419 และ Accuracy จากร้อยละ 89.42 เป็นร้อยละ 92.38 พร้อมลดค่า MAPE จากร้อยละ 10.58 เหลือร้อยละ 7.62 แสดงว่าการสร้างคุณลักษณะใหม่ช่วยเพิ่มความแม่นยำของแบบจำลองอย่างมีนัยสำคัญ การวิเคราะห์ความสำคัญของคุณลักษณะระบุว่าปัจจัยหลักคือ ประเภทเชื้อเพลิง ประเภทรถ ขนาดเครื่องยนต์ ยี่ห้อ และค่ากำลังสองของขนาดเครื่องยนต์ ผลการวิจัยยืนยันว่าการผสานเทคนิคการเรียนรู้ของเครื่องร่วมกับการสร้างคุณลักษณะใหม่ช่วยเพิ่มประสิทธิภาพการพยากรณ์ และสนับสนุนการตัดสินใจอย่างโปร่งใสในตลาดรถยนต์มือสองของประเทศไทย
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
เอกสารอ้างอิง
S. Bergmann and S. Feuerriegel, “Machine learning for predicting used car resale prices using granular vehicle equipment information,” Expert Syst. Appl., vol. 263, 2025, Art. no. 125640, doi: 10.1016/j.eswa.2024.125640.
L. Bukvić, J. P. Škrinjar, T. Fratrović, and B. Abramović, “Price prediction and classification of used-vehicles using supervised machine learning,” Sustainability, vol. 14, no. 24, 2022, Art. no. 17034, doi: 10.3390/su142417034.
M. Nandan and D. Ghosh, “Pre-owned car price prediction by employing machine learning techniques,” J. Decis. Anal. Intell. Comput., vol. 3, no. 1, pp. 167–184, 2023, doi: 10.31181/jdaic10008102023n.
A. Theppanya and N. Netpradit, “Forecasting the used car price index using time series forecasting methods,” (in Thai), Maejo Bus. Rev., vol. 6, no. 2, pp. 81–95, 2024, doi: 10.14456/mbr.2024.10.
A. AlShared, “Used cars price prediction and valuation using data mining techniques,” M.S. thesis, Rochester Inst. Technol., Rochester, NY, USA, 2021. [Online]. Available: https://repository.rit.edu/theses/11086
V. Singrodia, A. Mitra, and S. Paul, “A review on web scrapping and its applications,” in Proc. Int. Conf. Comput. Commun. Inform. (ICCCI), Coimbatore, India, 2019, pp. 1–6, doi: 10.1109/ICCCI.2019.8821809.
N. Burkart and M. F. Huber, “A survey on the explainability of supervised machine learning,” J. Artif. Intell. Res., vol. 70, pp. 245–317, 2021, doi: 10.1613/jair.1.12228.
B. Rolf et al., “A review on unsupervised learning algorithms and applications in supply chain management,” Int. J. Prod. Res., vol. 63, no. 5, pp. 1933–1983, 2025, doi: 10.1080/00207543.2024.2390968.
L.-Z. Guo, L.-H. Jia, J.-J. Shao, and Y.-F. Li, “Robust semi-supervised learning in open environments,” Front. Comput. Sci., vol. 19, 2025, Art. no. 198345, doi: 10.1007/s11704-024-40646-w.
H. Xie et al., “Reinforcement learning for vehicle to grid: A review,” Advances Appl. Energy, vol. 17, 2025, Art. no. 100214, doi: 10.1016/j.adapen.2025.100214.
J. S. Jhala and D. Anand, “Comparative analysis of supervised learning algorithms for valuating used car prices,” in Proc. Int. Conf. Advancement Comput. Comput. Technol. (InCACCT), Gharuan, India, 2023, pp. 265–270, doi: 10.1109/InCACCT57535.2023.10141827.
R. Nuzulia, A. Misbullah, L. Farsiah, Rasudin, Husaini, and S. A. Nazhifah, “Comparative analysis of XGBoost and random forest for used car price prediction,” in Proc. Int. Conf. Elect. Eng. Inform. (ICELTICs), Banda Aceh, Indonesia, 2024, pp. 125–129, doi: 10.1109/ICELTICs62730.2024.10776051.
N. O. Idris, A. Achban, S. A. Utiarahman, J. Karim, and F. Pontoiyo, “Predicting the selling price of cars using business intelligence with the feed-forward backpropagation algorithms,” in Proc. 5th Int. Conf. Inform. Comput. (ICIC), Gorontalo, Indonesia, 2020, pp. 1–6, doi: 10.1109/ICIC50835.2020.9288594.
R. B. A. Supleo, R. G. De Luna, and A. C. Padilla, “Predicting used car prices in Metro Manila using artificial neural networks on web-scraped data,” in Proc. 7th Int. Conf. Inform. Comput. Sci. (ICICoS), Semarang, Indonesia, 2024, pp. 30–35, doi: 10.1109/ICICoS62600.2024.10636891.
F. Wang, X. Zhang, and Q. Wang, “Prediction of used car price based on supervised learning algorithm,” in Proc. Int. Conf. Netw., Commun. Inf. Technol. (NetCIT), Manchester, U.K., 2021, pp. 143–147, doi: 10.1109/NetCIT54147.2021.00036.
J. D. Apeko, I. O. Osunmakinde, M. M. Abdulgader, and K. C. Nwosu, “Predictive analytics on used car prices using business intelligence of Bayesian networks for sales risk reduction,” in Proc. Int. Conf. Elect., Comput. Energy Technol. (ICECET), Cape Town, South Africa, 2023, pp. 1–6, doi: 10.1109/ICECET58911.2023.10389200.
H. Jing, X. Ye, and S. Manoharan, “Residual value of used car analysis and prediction,” in Proc. Int. Conf. Elect. Comput. Energy Technol (ICECET), Cape Town, South Africa, 2023, pp. 1–6, doi: 10.1109/ICECET58911.2023.10389355.
G. Buturac, “Measurement of economic forecast accuracy: a systematic overview of the empirical literature,” J. Risk Financial Manage., vol. 15, no. 1, 2022, Art. no. 1, doi: 10.3390/jrfm15010001.
J. O’Trakoun, “Business forecasting during the pandemic,” Bus. Econ., vol. 57, no. 3, pp. 95–110, 2022.