Chulalongkorn University Theses and Dissertations (Chula ETD)

การพยากรณ์อนุกรมเวลาสำหรับราคาน้ำมันโดยนิวรอลเนตเวิร์ก

Other Title (Parallel Title in Other Language of ETD)

Time series prediction for oil price using neural networks

Year (A.D.)

1996

Document Type

Thesis

First Advisor

ชัยศิริ ปัณฑิตานนท์

Second Advisor

อรัญ นำผล

Faculty/College

Graduate School (บัณฑิตวิทยาลัย)

Degree Name

วิทยาศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิทยาศาสตร์คอมพิวเตอร์

DOI

10.58837/CHULA.THE.1996.1459

Abstract

วัตถุประสงค์ของงานวิจัยนี้เพื่อพัฒนารูปแบบของนิวรอลเนตเวิร์กสำหรับการพยากรณ์ราคาน้ำมันดิบแบบอนุกรมเวลา โดยรูปแบบของนิวรอลเนตเวิร์กที่พัฒนาขึ้นต้องสามารถเรียนรู้จากข้อมูลราคาน้ำมันดิบที่ใช้สอน และสามารถพยากรณ์ราคาน้ำมันในอนาคตได้โดยมีความถูกต้องแม่นยำเมื่อเทียบราคาน้ำมันที่ได้จากการพยากรณ์กับราคาน้ำมันที่เกิดขึ้นจริง งานวิจัยนี้ใช้นิวรอลเนตเวิร์กแบบการเรียนรู้ย้อนกลับมาตรฐาน โดยทำการสร้างนิวรอลเนตเวิร์ก 6 โมเดล ซึ่งแต่ละโมเดลประกอบด้วย นิวรอลนำเข้าในชั้นข้อมูลนำเข้าจำนวน 20 40 80 160 320 และ 460 ตามลำดับ ในชั้นแอบแฝงประกอบด้วยนิวรอลจำนวนเท่ากับรากที่สองของผลคูณของจำนวนนิวรอลในชั้นข้อมูลนำเข้าและจำนวนนิวรอลในชั้นแสดงผลลัพธ์ ในชั้นแสดงผลลัพธ์ประกอบด้วยนิวรอล 1 นิวรอล และใช้ซิกมอยด์ฟังก์ชันเป็นฟังก์ชันการแปลงค่า เมื่อได้ทำการสอนและทดสอบนิวรอลเนตเวิร์กทั้ง 6 รูปแบบ รูปแบบละ 10 ครั้งแล้ว สามารถสรุปผลได้ว่านิวรอลเนตเวิร์กสามารถเรียนรู้รูปแบบข้อมูลราคาน้ำมันดิบ และสามารถพยากรณ์ได้ด้วยความถูกต้องแม่นยำ และจากการทดลองใช้จำนวนนิวรอลต่างๆ กันในชั้นข้อมูลนำเข้าพบว่าจำนวนนิวรอลที่ใช้ในชั้นข้อมูลนำเข้าไม่ควรมากหรือน้อยเกินไป เพราะจะต้องใช้เวลาในการสอนมากขึ้นแต่ความแม่นยำในการพยากรณ์ไม่ได้เพิ่มขึ้น โดยจำนวนนิวรอลในชั้นข้อมูลนำเข้าที่เหมาะสมที่สุดคือ 160 วัน ซึ่งให้ค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเท่ากับ 0.7257

Other Abstract (Other language abstract of ETD)

The objective of this research is to develop neural network model for crude oil price time series prediction. The developed neural networks model must be able to learn the taught crude oil price information and accurately predict future price, when compare predictable to actual price. In this work, 6 standard back propagation neural network models are constructed. Each model consists of 20, 40, 80, 160, 320 and 460 input neurons. At the hidden layer, there are neurons of a square root of the multiplication of input and output neurons. Output layer has one neuron. The transfer function is sigmoid function. After teaching and testing all 6 neural networks, 10 times each. The result shows that the designed neural networks can learn crude oil price pattern and can make prediction accurately. The study indicate that the number of neurons in input layer should not be too large or too small as it takes longer to learn and shows no gain in accuracy in prediction. The optimum input neuron is 160 days which gives mean absolute percentage error of 0.7257.

Link to Full Text

Share

COinS