การพยากรณ์การส่งออกกล้วยไม้ไทยด้วยโครงข่ายประสาทเทียมและการค้นหาแบบกริดผสานการแยกโหมดเชิงประจักษ์
Main Article Content
บทคัดย่อ
งานวิจัยนี้พัฒนากรอบการพยากรณ์แบบผสมโดยบูรณาการการแยกโหมดเชิงประจักษ์ร่วมกับโครงข่ายประสาทเทียม และปรับค่าพารามิเตอร์ด้วยการค้นหาแบบกริด ระเบียบวิธีที่นำเสนอแยกสัญญาณการส่งออกรายเดือนออกเป็นฟังก์ชันโหมดแฝงและองค์ประกอบส่วนที่เหลือซึ่งเปลี่ยนข้อมูลเดิมเป็นปริภูมิใหม่ผ่านการแยกโหมดเชิงประจักษ์ จากนั้นออกแบบโครงข่ายประสาทเทียมเฉพาะสำหรับแต่ละองค์ประกอบเพื่อเรียนรู้ลักษณะข้อมูลที่แตกต่างกัน ใช้ข้อมูล 72 เดือน (พ.ศ. 2562–2567) จากสำนักงานเศรษฐกิจการเกษตร และประเมินด้วยวิธีการตรึงจุดกำเนิดการพยากรณ์แบบหน้าต่างขยาย ผลการศึกษาพบว่าตัวแบบที่นำเสนอมีประสิทธิภาพเหนือกว่าตัวแบบทั่วไป ได้แก่ แบบอารีมาและโฮลต์วินเทอร์ โดยชุดข้อมูลที่ 1 (18 ค่าสังเกต) ตัวแบบที่นำเสนอสามารถให้ค่าความแม่นยำร้อยละ 88.36 ซึ่งดีกว่าตัวแบบอื่น ๆ นอกจากนี้การใช้ข้อมูลเพิ่มเติมอีก 12 ค่า รวมกับข้อมูลชุดที่ 1 (30 ค่าสังเกต) ตัวแบบที่นำเสนอยังคงให้ความแม่นยำร้อยละ 88.19 ซึ่งยังคงประสิทธิภาพใกล้เคียงกับชุดทดสอบของข้อมูลที่ 1 ดังนั้นตัวแบบที่นำเสนอมีความแม่นยำสูงกว่าตัวแบบทั่วไป และยังคงให้ผลการพยากรณ์ที่มีความคงเส้นคงวาแม้เพิ่มจำนวนข้อมูลทดสอบ จึงสามารถนำไปประยุกต์ใช้เป็นเครื่องมือสนับสนุนผู้ส่งออกและผู้กำหนดนโยบายในการเพิ่มประสิทธิภาพการบริหารสินค้าคงคลัง ลดความเสี่ยงในห่วงโซ่อุปทาน และปรับปรุงการจัดสรรทรัพยากรสำหรับโลจิสติกส์ควบคุมอุณหภูมิได้ดียิ่งขึ้น
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
เอกสารอ้างอิง
P. Heedjun, N. Poojom, and S. Putnuan, “Increasing the potential of air orchid exports in Thailand,” in Proceedings of the International Conference on Business Tourism and Applied Sciences (ICBTS) Vietnam 2025, Hanoi, Vietnam, 2025, pp. 343–349.
Trade Policy and Strategy Office (TPSO). (2025, Mar.). Trends of Thailand’s cut-flower trade in international markets. Ministry of Commerce. [Online]. Available: https://uploads.tpso.go.th/ ส่่องเทรนด์์การค้้าไม้้ตััดดอกของไทยในตลาดต่่าง ประเทศ.pdf (in Thai).
E. S. Runkle, “Environmental control of the flowering process of Phalaenopsis orchids,” Acta Horticulturae, no. 1262, pp. 7–12, Nov. 2019, doi: 10.17660/ActaHortic.2019.1262.2.
K. Jakovljević, T. Mišljenović, V. Djordjević, A. van der Ent, M. Cosić, G. Andrejić, and J. Sinžar- Sekulić, “Elemental and ecophysiological profiles of orchid Dactylorhiza Sambucina show distinct responses to contrasting geological substrates,” Flora, vol. 303, Jun. 2023, Art. no. 152276, doi: 10.1016/j.flora.2023.152276.
P. Nongdam, D. G. Beleski, L. Tikendra, A. Dey, V. Varte, S. EL Merzougui, V. M. Pereira, P. R. Barros, and W. A. Vendrame, “Orchid micropropagation using conventional semi-solid and temporary immersion systems: A review,” Plants, vol. 12, no. 5, 2023, Art. no. 1136, doi: 10.3390/plants 12051136.
C. A. Zanello and J. C. Cardoso, “PLBs induction and clonal plantlet regeneration from leaf segment of commercial hybrids of Phalaenopsis,” The Journal of Horticultural Science and Biotechnology, vol. 94, no. 5, pp. 627–631, Sep. 2019, doi: 10.1080/14620316.2019.1600384.
W. Poonsri, “Effects of active and passive modified atmosphere packaging on biochemical properties of cut Dendrobium orchid flowers,” Heliyon, vol. 7, no. 6, Jun. 2021, doi: 10.1016/ j.heliyon.2021.e07197.
K. Pungam and W. Atthirawong, “A supply chain management quality management and competitive advantage framework for Thai orchid exporters,” Acta Horticulturae, no. 1262, pp. 23–30, Nov. 2019, doi: 10.17660/ ActaHortic.2019.1262.4.
O. Bualom and P. Fuggate, “Logistics activities and logistics performance of thai exporters exporting cut orchid flowers to vietnam,” Journal of International Studies, vol. 20, no. 2, pp. 225–253, Aug. 2024, doi: 10.32890/jis 2024.20.2.8.
S. Kim, “The critical role of trust, information sharing, and agility in advancing sustainable supply chain performance in Korea,” Sage Open, vol. 15, no. 3, Aug. 2025, Art. no. 21582440251, doi: 10.1177/21582440251367158.
I. Rojas and H. Pomares, Eds., “Time series analysis and forecasting: Selected contributions from the ITISE conference,” in Contributions to Statistics. Cham: Springer International Publishing, 2016. doi: 10.1007/978-3-319- 28725-6.
E. H. Houssein, M. Mohamed, E. M. G. Younis, and W. M. Mohamed, “Artificial intelligence and classical statistical models for time series forecasting: A comprehensive review,” Journalof Big Data, vol. 12, no. 1, pp. 271, Dec. 2025, doi: 10.1186/s40537-025-01318-z.
M. Choudhary, S. Jain, and G. Arya, “Classical models vs deep leaning: Time series analysis,” in Advancements in Interdisciplinary Research, 2023, pp. 276–286, doi: 10.1007/978-3-031- 23724-9_26.
Ü. Ç. Büyükşahin and Ş. Ertekin, “Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition,” Neurocomputing, vol. 361, pp. 151–163, Oct. 2019, doi: 10.1016/ j.neucom.2019.05.099.
J. Deng, F. Ye, D. Yin, X. Song, I. Tsang, and H. Xiong, “Parsimony or capability? decomposition delivers both in long-term time series forecasting,” Advances in Neural Information Processing Systems, vol. 37, pp. 66687–66712, Dec. 2024, doi: 10.52202/079017-2130.
N. Ahmad, X. Yi, M. Tayyab, M. H. Zafar, and N. Akhtar, “Water resource management and flood mitigation: Hybrid decomposition EMD-ANN model study under climate change,” Sustainable Water Resources Management, vol. 10, no. 2, 2024, doi: 10.1007/s40899-024-01048-9.
P. Pandit, A. Sagar, B. Ghose, M. Paul, O. Kisi, D. K. Vishwakarma, L. Mansour, and K. K. Yadav, “Hybrid modeling approaches for agricultural commodity prices using CEEMDAN and time delay neural networks,” Scientific Reports, vol. 14, no. 1, Nov. 2024, Art. no. 26639, doi: 10.1038/s41598-024-74503-4.
G. Napolitano, F. Serinaldi, and L. See, “Impact of EMD decomposition and random initialisation of weights in ANN hindcasting of daily stream flow series: An empirical examination,” Journal of Hydrology, vol. 406, no. 3, pp. 199–214, Sep. 2011, doi: 10.1016/j.jhydrol.2011.06.015.
M. Sibtain, X. Li, H. Bashir, and M. I. Azam, “A hybrid model for runoff prediction using variational mode decomposition and artificial neural network,” Water Resources, vol. 48, no. 5, pp. 701–712, Sep. 2021, doi: 10.1134/ S0097807821050171.
C. Yin, N. Wei, J. Wu, C. Ruan, X. Luo, and F. Zeng, “An empirical mode decompositionbased hybrid model for sub-hourly load forecasting,” Energies, vol. 17, no. 2, pp. 307, 2024, doi: 10.3390/en17020307.
Y. Koetpan and S. Adsavakulchai, “Results of comparison of the efficiency of machine learning algorithms for predicting orchid yield in Thailand,” Advanced Science Journal, vol. 22, no. 1, pp. 227–237, May 2022 (in Thai).
W. Riansut, “A model for forecasting the export quantity of orchids from Thailand,” KMUTT Research and Development Journal, vol. 45, no. 4, pp. 455–467, 2022 (in Thai), doi: 10.14456/ kmuttrd.2022.26.
P. Tantrabundit, L. Phothong, and A. Sukprasert, “The creation of prediction model for the volumes of Thailand’s orchid exports by applying machine learning methodologies,” Journal of Business, Innovation and Sustainability, vol. 19, no. 4, Dec. 2024.
T. Sujjaviriyasup and K. Pitiruek, “Hybrid ARIMAsupport vector machine model for agricultural production planning,” Applied Mathematical Sciences, vol. 7, pp. 2833–2840, Jan. 2013, doi: 10.12988/ams.2013.13251.
