วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2556

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 MAPE ผลการทดลองพบว่า 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