Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
A COMPARATIVE STUDY OF HYBRID TIME SERIES MODELS FOR FORECASTING SEASONAL TIME SERIES
Year (A.D.)
2017
Document Type
Thesis
First Advisor
นัท กุลวานิช
Faculty/College
Faculty of Commerce and Accountancy (คณะพาณิชยศาสตร์และการบัญชี)
Department (if any)
Department of Statistics (ภาควิชาสถิติ)
Degree Name
วิทยาศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
สถิติ
DOI
10.58837/CHULA.THE.2017.1532
Abstract
งานวิจัยนี้เป็นการศึกษาเปรียบเทียบความแม่นยำของค่าพยากรณ์ที่ได้จาก 3 ตัวแบบ คือ ตัวแบบ ARIMA ที่มีฤดูกาล(SARIMA), ตัวแบบผสมระหว่างตัวแบบ ARIMA ที่มีฤดูกาลกับตัวแบบโครงข่ายประสาทเทียม(SARIMA-ANN) และตัวแบบผสมระหว่างตัวแบบ ARIMA ที่มีฤดูกาลกับตัวแบบซัพพอร์ทเวกเตอร์แมชชีน(SARIMA-SVM) โดยทำการศึกษาเปรียบเทียบทั้งในส่วนของข้อมูลจริงและข้อมูลจำลอง ในส่วนของข้อมูลจริงนั้นได้มีการนำราคาขายปลีกมะนาวเบอร์ 1-2 (หน่วยเป็นบาท/ผล) จากกรมการค้าภายใน กระทรวงพาณิชย์ ซึ่งเป็นราคาผลผลิตทางการเกษตรซึ่งอยู่ในรูปแบบอนุกรมเวลาที่มีปัจจัยเชิงฤดูกาลมาทำการเปรียบเทียบ โดยใช้เกณฑ์รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย(Root Mean Square Error : RMSE) เป็นเกณฑ์ในการเปรียบเทียบตัวแบบ ผลการศึกษาพบว่าตัวแบบผสมระหว่างตัวแบบ SARIMA กับตัวแบบโครงข่ายประสาทเทียม(SARIMA-ANN) และตัวแบบผสมระหว่างตัวแบบ SARIMA กับตัวแบบซัพพอร์ทเวกเตอร์แมชชีน(SARIMA-SVM) ให้ผลการพยากรณ์ที่แม่นยำกว่าตัวแบบ SARIMA ทั้งในชุดข้อมูลจริง และชุดข้อมูลจำลอง และสำหรับการพยากรณ์ด้วยชุดข้อมูลจริงราคาขายปลีกมะนาวที่มีลักษณะอนุกรมเวลาที่มีปัจจัยเชิงฤดูกาลสอดคล้องกับตัวแบบ ARIMA(1,1,2)x(0,1,1)12 ตัวแบบผสมระหว่าง ARIMA(1,1,2)x(0,1,1)12 กับตัวแบบโครงข่ายประสาทเทียมให้ค่าพยากรณ์ที่แม่นยำที่สุด รองลงมาคือตัวแบบผสมระหว่าง ARIMA(1,1,2)x(0,1,1)12 กับตัวแบบซัพพอร์ทเวกเตอร์แมชชีน และตัวแบบ ARIMA(1,1,2)x(0,1,1)12 มีความแม่นยำในการพยากรณ์ต่ำที่สุด ซึ่งให้ผลสอดคล้องกับผลการพยากรณ์ด้วยชุดข้อมูลจำลอง
Other Abstract (Other language abstract of ETD)
This research is a comparative study of the prediction accuracy of three models : the seasonal ARIMA model(SARIMA), the hybrid model combining seasonal ARIMA and artificial neuron network model(SARIMA-ANN) and the hybrid model combining seasonal ARIMA and support vector machine model(SARIMA-SVM) using both real and simulated data. The retail prices of lime number 1-2 (in baht/unit) characterized by seasonal time series factor from the Department of Internal Trade of Thailand are used for real data. The Root Mean Square Error(RMSE) is introduced to compare the prediction accuracy among three models. The result of this study shows that hybrid model of SARIMA-ANN and SARIMA-SVM always outperform SARIMA model in both real and simulated data. For the real dataset using retail prices of lime number 1-2 characterized by seasonal time series factor ARIMA(1,1,2)x(0,1,1)12 , hybrid model combining ARIMA(1,1,2)x(0,1,1)12 and ANN provides the most accurate forecast followed by hybrid model combining ARIMA(1,1,2)x(0,1,1)12 and SVM and ARIMA(1,1,2)x(0,1,1)12 ,respectively. The result is consistent with the forecasting in simulated data.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
อนันต์ทรัพย์สุข, อนุธิดา, "การเปรียบเทียบตัวแบบอนุกรมเวลาแบบผสมสำหรับการพยากรณ์ข้อมูลอนุกรมเวลาที่มีปัจจัยเชิงฤดูกาล" (2017). Chulalongkorn University Theses and Dissertations (Chula ETD). 2022.
https://digital.car.chula.ac.th/chulaetd/2022