การพยากรณ์ข้อมูลจำนวนรถยนต์พลังงานไฟฟ้าด้วยตัวแบบผสม SARIMA-ANN
คำสำคัญ:
รถยนต์พลังงานไฟฟ้า, วิธีบ็อกซ์-เจนกินส์, โครงข่ายประสาทเทียม, วิธีตัวแบบผสมบทคัดย่อ
ปัจจุบันความสนใจในการใช้รถยนต์พลังงานไฟฟ้าในประเทศไทยมีแนวโน้มเพิ่มขึ้น การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพยากรณ์จำนวนรถยนต์พลังงานไฟฟ้าในประเทศไทย โดยใช้วิธีการพยากรณ์แบบผสมระหว่างตัวแบบรวมการถดถอยในตัวกับการเฉลี่ยเคลื่อนที่แบบมีฤดูกาล (SARIMA) และโครงข่ายประสาทเทียม (ANN) หรือ SARIMA-ANN โดยใช้ข้อมูลรายเดือนของจำนวนรถยนต์พลังงานไฟฟ้าที่จดทะเบียนในประเทศไทย ซึ่งเก็บรวบรวมโดยกรมการขนส่งทางบก ตั้งแต่เดือนมกราคม พ.ศ. 2560 ถึงเดือนกรกฎาคม พ.ศ. 2567 รวมระยะเวลา 91 เดือน การพยากรณ์ได้สร้างโครงข่ายประสาทเทียมแบบ Multi-layer Perceptron (MLP) จากค่าคลาดเคลื่อนที่ได้จากตัวแบบ SARIMA โดยกำหนดจำนวนโหนดในชั้นซ่อนตั้งแต่ 1 ถึง 20 โหนด และเปรียบเทียบประสิทธิภาพของตัวแบบพยากรณ์ โดยใช้ค่ารากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) ผลการศึกษาแสดงให้เห็นว่าตัวแบบ SARIMA-ANN เมื่อ SARIMA(0,1,2)(0,0,2)12 จำนวนโหนดในชั้นซ่อนเท่ากับ 18 มีค่า RMSE ต่ำที่สุด และเมื่อทำการพยากรณ์จำนวนรถยนต์พลังงานไฟฟ้าในประเทศไทย เดือนสิงหาคม พ.ศ. 2566 ถึงเดือนกรกฎาคม พ.ศ. 2567 ตัวแบบดังกล่าวมีค่า RMSE สำหรับการพยากรณ์เท่ากับ 3876.622
เอกสารอ้างอิง
กมล จึงมานนท์. (2562). การพยากรณ์ยอดขายรถยนต์ไฟฟ้าในประเทศสหรัฐอเมริกาและประเทศจีน. (วิทยานิพนธ์ปริญญาบริหารธุรกิจมหาบัณฑิต), มหาวิทยาลัยธรรมศาสตร์, กรุงเทพฯ
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. (ดุษฎีนิพนธ์ปรัชญาดุษฎีบัณฑิต วิทยาลัยวิทยาการวิจัยและวิทยาการปัญญา), มหาวิทยาลัยบูรพา, ชลบุรี.
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.
