Prediction of Electric Vehicle Numbers using SARIMA-ANN Hybrid Model
Keywords:
Forecasting, In electric vehicles, Box-Jenkins, Artificial Neural Networks hybrid modelAbstract
Currently in Thailand is a growing interest among consumers in in electric vehicles. This study aims to forecast the number of electric vehicles in Thailand. A hybrid forecasting approach combining Seasonal Autoregressive Integrated Moving Average (SARIMA) and Artificial Neural Networks (ANN) models or SARIMA-ANN model. Monthly data on electric vehicles registrations in Thailand, collected by the Department of Land Transport from January 2017 to July 2024, totaling 91 months, was used. A Multi-layer Perceptron (MLP) was built using the residuals from the SARIMA model, with the number of nodes in the hidden layer varying from 1 to 20 nodes. The model performance was evaluated based on the Root Mean Square Error (RMSE). The study found that the SARIMA-ANN model, with a SARIMA (0,1,2)(0,0,2)12 at hidden layer are 18 nodes achieved the lowest RMS. For forecasting the number of electric vehicles in Thailand from August 2023 to July 2024, the model yielded an RMSE of 3879.622.
References
กมล จึงมานนท์. (2562). การพยากรณ์ยอดขายรถยนต์ไฟฟ้าในประเทศสหรัฐอเมริกาและประเทศจีน. วิทยานิพนธ์ปริญญาบริหารธุรกิจมหาบัณฑิต มหาวิทยาลัยธรรมศาสตร์.
กุลวดี พัทธนันท์ อธิตัง และ วาสนา สุวรรณวิจิตร. (2566). การพยากรณ์ยอดขายรถยนต์ไฟฟ้าในประเทศไทยเพื่อวางกลยุทธ์ในการเพิ่มยอดขายภายใต้ภาวการณ์แข่งขันสูง. วารสารสำนักหอสมุดมหาวิทยาลัยทักษิณ,12(1), 1-16.
กลุ่มสถิติการขนส่ง กองแผนงาน กรมการขนส่ง. (2566). ข้อมูลการสถิติจำนวนรถจดทะเบียนใหม่ จำแนกตามชนิดเชื้อเพลิง. สืบค้นจาก https://web.dlt.go.th/statistics/.
ชญานิน บุญมานะ และ นัท กุลวานิช. (2560). การเปรียบเทียบความแม่นยำของการพยากรณ์ด้วยตัวแบบอนุกรมเวลาแบบผสม. วารสารวิทยาศาสตร์และเทคโนโลยี, 25(2), 177-190.
ณิชชา บูรณสิงห์. (2564). ร้อยเรื่องเมืองไทย : รถยนต์พลังงานไฟฟ้า ทางเลือกใหม่สำหรับคนรักษ์โลก”. สำนักงานเลขาธิการสภาผู้แทนราษฎร. สำนักวิชาการสถานีวิทยุกระจายเสียงและวิทยุโทรทัศน์รัฐสภา. สืบค้นจากhttps://library.parliament.go.th/th/radioscript-rr2564-sep4.
ธนกร สุทธิสนธ์ และ ภาณุเดช เพียรความสุข. (2567). ตัวแบบผสมสำหรับพยากรณ์ข้อมูลอนุกรมเวลาปริมาณหน่วย จำหน่ายไฟฟ้าบ้านอยู่อาศัยรายเดือนของประเทศไทย. วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 34(2), 1-18.
นัท กุลวานิช. (2563). การเพิ่มความแม่นยำในการพยากรณ์ข้อมูลอนุกรมเวลาด้วยตัวแบบผสม ARIMA-ANN และการวิเคราะห์การถดถอย. วารสารวิทยาศาสตร์และเทคโนโลยี, 28(12), 2101-2112.
บริษัท กิเดียน วัน จำกัด. (2564). ส่องจำนวนรถยนต์ไฟฟ้า (EV) ในไทยและแนวโน้มของตลาดรถยนต์ไฟฟ้าในปี 2021. สืบค้นจาก https://gideon-one.com/news/trends-of-the-electric-vehicles-evs-in-2021.
วิษณุเดช นันไชยแก้ว. (2566). Forecasting MSCI World Energy Sector Index with the SARIMA Model. วารสารเกษตรศาสตร์ธุรกิจประยุกต์, 17(26), 37-53.
ยุทธชัย มิ่งขวัญ. (2566). การพยากรณ์ปริมาณการปล่อยก๊าซคาร์บอนไดออกไซด์ (CO2) จากภาคอุตสาหกรรมในประเทศไทย. Rajamangala University of Technology Srivijaya Research Journal, 15(2), 408-422.
ศิรประภา ดีประดิษฐ์ และ พงศ์ธร รักซ้อน. (2564). การเปรียบเทียบเทคนิคการพยากรณ์ราคาพืชไร่ในประเทศไทย. The Journal of Industrial Technology, 17(3), 214-231.
สุคนธ์ทิพย์ สุภาจันทร์. (2561). การพยากรณ์ปริมาณการใช้ไฟฟ้าในประเทศไทยโดยใช้ตัวแบบผสม Sarima-GP ด้วยเคอร์เนล ฟังก์ชัน ใหม่. ดุษฎีนิพนธ์ปรัชญาดุษฎีบัณฑิตสาขาวิชาการวิจัยและสถิติทางวิทยาการปัญญา วิทยาลัยวิทยาการวิจัยและวิทยาการปัญญา มหาวิทยาลัยบูรพา.
Alsuwaylimi, A. A. (2023). Comparison of ARIMA, ANN and Hybrid ARIMA-ANN models for time series forecasting. Inf. Sci. Lett, 12(2), 1003-1016.
Khairalla, M., & AL-Jallad, N. T. (2017). Hybrid forecasting scheme for financial time-series data using neural
network and statistical methods. International Journal of Advanced Computer Science and Applications, 8(9), 319-327.
Wang, L., Zou, H., Su, J., Li, L., & Chaudhry, S. (2013). An ARIMA‐ANN hybrid model for time series forecasting. Systems Research and Behavioral Science, 30(3), 244-259.
Zhang, G. P. (2007). A neural network ensemble method with jittered training data for time series forecasting. Information Sciences, 177(23), 5329-5346.
