การพยากรณ์การใช้หนังสือด้วยเทคนิคอนุกรมเวลา
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิจัยนี้มีวัตถุประสงค์ เพื่อเปรียบเทียบประสิทธิภาพของเทคนิคอนุกรมเวลาในการพยากรณ์ การใช้หนังสือของสมาชิกห้องสมุด ด้วยการนำข้อมูลการใช้หนังสือระหว่างปี พ.ศ. 2557 – 2560 ซึ่งได้รับการจัดหมู่หนังสือตามระบบทศนิยมของดิวอี้มาสร้างแบบจำลองที่มีประสิทธิภาพ ประกอบด้วย (1) เทคนิคโครงข่ายประสาทเทียม (2) เทคนิคโครงข่ายประสาทเทียมหลายชั้นแบบถดถอย (3) เทคนิคโครงข่ายประสาทเทียมแบบถดถอย (4) เทคนิคสนับสนุนเส้นสมมุติแบบถดถอย (5) การวิเคราะห์การถดถอยโลจิสติกส์ และ (6) การเรียนรู้ต้นไม้ตัดสินใจแบบถดถอยอัลกอริทึมการตัดกิ่งต้นไม้ แล้วเปรียบเทียบประสิทธิภาพแบบจำลอง ด้วยหลักการหน้าต่างเคลื่อนที่แล้ววัดค่าด้วยการหาค่าเฉลี่ยคลาดเคลื่อนสมบูรณ์ และค่าความคลาดเคลื่อนเฉลี่ยรากที่สอง จากการศึกษาพบว่า การพยากรณ์การใช้หนังสือของสมาชิกห้องสมุด ด้วยเทคนิคสนับสนุนเส้นสมมุติแบบถดถอยสามารถพยากรณ์ได้ใกล้ค่าการใช้หนังสือจริงมากที่สุด โดยมีค่าเฉลี่ยคลาดเคลื่อนสมบูรณ์ เท่ากับ 9.42 และค่าความคลาดเคลื่อนเฉลี่ยรากที่สอง เท่ากับ 11.46 ตามลาดับ
Article Details
บทความที่ได้รับการตีพิมพ์ในวารสารฯ ท้ังในรูปแบบของรูปเล่มและอิเล็กทรอนิกส์เป็นลิขสิทธิ์ของวารสารฯ
References
[2] Office of Academic Resources and Information Technology. The history of Office of Academic Resources and Information Technology [Internet]. 2015 [cited 2018 May 14] available from: https://arcm.rmu.ac.th/arit2/?page_id=440 (in Thai)
[3] Hancokkruad A. Road Accident Risk Prediction Model at Sakonnakhon Province using Data Mining Techniques [Master Thesis]. Mahasarakham: Mahasarakham University; 2013. (in Thai)
[4] Wandee Ch. A Study of the effected Factors for Choosing Career of Bachelor Graduates Using Data Mining Techniques [Master Thesis]. Mahasarakham: Mahasarakham University; 2017. (in Thai)
[5] Janecha M. Development of the Average of Water Stream Flow Prediction Models for Nakhonratsima Province [Master Thesis]. Mahasarakham: Mahasarakham University; 2017. (in Thai)
[6] Kourentzes, N., Barrow, D., & Crone, S. Neural network ensemble operators for time series forecasting. Expert Systems With Applications. 2014; 41(9): 4235-4244.
[7] Bahadir, E. Using Neural Network and Logistic Regression Analysis to Predict Prospective Mathematics Teachers’ Academic Success upon Entering Graduate Education. Educational Sciences: Theory & Practice. 2016; 16(3): 943-964.
[8] Zhang, G. P., & Qi, M. Neural network forecasting for seasonal and trend time series. European Journal of Operational Research. 2005; 160(2): 501-514.
[9] Lenz, B., & Barak, B. Data Mining and Support Vector Regression Machine Learning in Semiconductor Manufacturing to Improve Virtual Metrology. In Shidler College of Business. 2013 46th Hawaii International Conference on System Sciences; 2013 January, 7-10; Piscataway, New Jersey. Wailea, Maui, HI: United States; 2013. p. 3447-3456.
[10] Bozpolat, E. Investigation of the Self-Regulated Learning Strategies of Students from the Faculty of Education Using Ordinal Logistic Regression Analysis. Educational Sciences: Theory & Practice. 2016; 16(1): 301-318.
[11] Abdel-Aty, M., Uddin, N., Pande, A., Abdalla, F., & Hsia, L. Predicting Freeway Crashes from Loop Detector Data by Matched Case-Control Logistic Regression. Transportation Research Record: Journal of the Transportation Research Board. 1897; 1: 88-95
[12] Wongprachanukul N. A Proper method for decision tree pruning in scientific data mining [Master Thesis]. Nakhon Ratchasima; Suranaree University of Technology; 2005. (in Thai)
[13] Lundkvist, E. Decision Tree Classification and Forecasting of Pricing Time Series Data. KTH: sPublikationsdatabas DIVA [Internet]. 2014 [cited 2017 July 19] available from : https://kth.divaportal.org/smash/record.jsf?pid=diva2%3A746332&dswid=-4924