การเปรียบเทียบความแม่นยำของการพยากรณ์อนุกรมเวลาระหว่างตัวแบบผสมและตัวแบบเดี่ยว

COMPARISON OF TIME SERIES FORECASTING ACCURACY BETWEEN THE HYBRID AND INDIVIDUAL MODEL

Name: ภัทร วรภู

ThaSH: การวิเคราะห์อนุกรมเวลา

Abstract: การพยากรณ์ข้อมูลอนุกรมเวลาเป็นงานที่มีความสำคัญเป็นจุดเริ่มต้นในการบริหารจัดการงานด้านต่างๆ การพยากรณ์ที่มีความแม่นยำจะทำให้การบริหารจัดการมีประสิทธิภาพมากยิ่งขึ้น ในปัจจุบันตัวแบบพยากรณ์อนุกรมเวลาที่แบ่งข้อมูลออกเป็นสองส่วน คือ ส่วนที่เป็นเชิงเส้นตรงและส่วนที่ไม่เป็นเชิงเส้นตรงหรือเรียกตัวแบบนี้ว่าตัวแบบ Traditional hybrid กำลังได้รับความนิยมมีความแม่นยำในการพยากรณ์ดีกว่าตัวแบบเดี่ยวๆ ในหลายงานวิจัย แต่ขณะเดียวกันกลับมีงานวิจัยที่ค้านตัวแบบผสมนั้นว่าไม่ได้ดีไปกว่าตัวแบบเดี่ยวในทุกๆ ข้อมูล งานวิจัยชิ้นนี้เลือกตัวแบบ ARIMA ซึ่งเป็นตัวแบบเชิงเส้นตรงที่ใช้พยากรณ์ข้อมูลอนุกรมเวลาที่เป็นที่นิยมมากที่สุดและตัวแบบ ANN และ SVM ซึ่งเป็นตัวแบบที่ไม่เป็นเชิงเส้นตรงที่มีการนำมาใช้กันมาก นำมาผสมกันเรียกว่าตัวแบบ ARIMAANN และ ARIMASVM โดยทำการศึกษาเชิงเปรียบเทียบความแม่นยำของตัวแบบผสม ARIMAANN และ ARIMASVM เปรียบเทียบความแม่นยำกับตัวแบบเดี่ยวๆ ทั้ง ARIMA, ANN และ SVM พร้อมทั้งนำเสนอตัวแบบผสมอีกลักษณะหนึ่ง เรียกว่าตัวแบบ Combined (ARIMA+ANN+SVM) นำมาเปรียบเทียบความแม่นยำกับตัวแบบ ARIMAANN, ARIMASVM และเปรียบเทียบความแม่นยำกับตัวแบบเดี่ยว ทำการทดลองภายใต้ข้อมูลจำนวน 2 กลุ่มคือกลุ่มแรกเป็นข้อมูลที่ใช้กันในงานวิจัยการพยากรณ์อนุกรมเวลาจำนวน 3 ชุดข้อมูล ขณะที่อีกกลุ่มคือข้อมูลอนุกรมเวลาจริงในประเทศไทยที่มีความหลากหลายทั้งในแง่ของการใช้ข้อมูลและลักษณะโครงสร้างของข้อมูลจำนวน 7 ชุดข้อมูล ตัวแบบทั้ง 6 ตัวแบบ ประกอบด้วย ARIMA, ANN, SVM, ARIMAANN, ARIMASVM และตัวแบบ Combined (ARIMA+ANN+SVM) ถูกทดสอบด้วยข้อมูลรวมทั้งสิ้น 10 ชุด ประเมินผลความแม่นยำด้วย RMSE, MSE, MAE และ MAPEผลการทดลองพบว่า ตัวแบบ ARIMAANN ไม่ได้แม่นยำกว่าตัวแบบ ARIMA หรือ ANN ในทุกชุดข้อมูลและบางครั้งก็ให้ความแม่นยำที่ต่ำกว่าเช่นเดียวกับตัวแบบ ARIMASVM ขณะที่ตัวแบบ Combined (ARIMA+ANN+SVM) มีความแม่นยำกว่าตัวแบบ ARIMAANN และ ARIMASVM 9 ชุดข้อมูลและแม่นยำกว่าตัวแบบเดี่ยวทั้ง ARIMA, ANN และ SVM จำนวน 8 ชุดข้อมูล มีความแม่นยำใกล้เคียงกับตัวแบบเดี่ยวที่ดีที่สุด 2 ชุดข้อมูล โดยไม่มีข้อมูลชุดใดที่แย่กว่าเลย ดังนั้นตัวแบบ Combined (ARIMA+ANN+SVM) เป็นตัวแบบที่เป็นทางเลือกที่ดีโดยเฉพาะงานที่ต้องการความแม่นยำของการพยากรณ์สูง

Abstract: Time series forecasting is the important task, which is a starting point in many operational processes. The high forecasting accuracy will increase the efficiency of their operation. At present, the forecasting models which divide data into two components, linear and nonlinear components, called the traditional hybrid model is being popular. Many researchers claim that this hybrid approach is outperformance the individual models but some researchers indicated that this hybrid is not better or even worse.In this study, ARIMA is selected as linear model and ANN and SVM as nonlinear models to compare the accuracy between the ARIMAANN and their individual models, ARIMA and ANN and compare ARIMASVM with both ARIMA and SVM. By proposing another hybrid approach called combined (ARIMA+ANN+SVM) model and compare the accuracy to the ARIMAANN, ARIMASVM and their individual models. The experiment is done on 10 datasets which can be divided into 2 groups, the first 3 datasets is well-known datasets shown in some literature, the second 7 datasets is the real datasets in Thailand in many fields of study and different in characteristics. The result of this study shows that both ARIMAANN and ARIMASVM do not always outperform ARIMA or ANN and ARIMA or SVM in all datasets and sometimes even worse. However, the proposed combined (ARIMA+ANN+SVM) model outperforms the ARIMAANN and ARIMASVM in 9 datasets and better than the individual models in 8 datasets. For the rest 2 datasets, the accuracy is close to the best of individual models and none of datasets underperform the individual models. In conclusion, the combined (ARIMA+ANN+SVM) is a good alternative model for the important tasks that need a high forecasting accuracy.

จุฬาลงกรณ์มหาวิทยาลัย. สำนักงานวิทยทรัพยากร

Address: กรุงเทพมหานคร

Email: cuir@car.chula.ac.th

Name: จิรพัฒน์ เงาประเสริฐวงศ์

Role: ที่ปรึกษา

Created: 2556

Modified: 2559-10-28

Issued: 2559-09-16

วิทยานิพนธ์/Thesis

application/pdf

URL: http://cuir.car.chula.ac.th/handle/123456789/42800

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมอุตสาหการ

Grantor: จุฬาลงกรณ์มหาวิทยาลัย

©copyrights จุฬาลงกรณ์มหาวิทยาลัย

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	5370652321.pdf	5.05 MB	61	2026-05-26 18:16:01

ใช้เวลา

0.024174 วินาที