การพยากรณ์อนุกรมเวลาจำนวนผู้เยี่ยมเยือนจังหวัดปทุมธานี

จันทิมา  ก้อนทอง; วัฒนา ชยธวัช

ผู้แต่ง

จันทิมา ก้อนทอง ผู้ช่วยศาสตราจารย์ คณะบริหารธุรกิจและการบัญชี มหาวิทยาลัยปทุมธานี
วัฒนา ชยธวัช รองศาสตราจารย์ คณะสหเวชศาสตร์ มหาวิทยาลัยปทุมธานี

คำสำคัญ:

การพยากรณ์, อนุกรมเวลา, จำนวนผู้เยี่ยมเยือน, ปทุมธานี, โควิด-19

บทคัดย่อ

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพของตัวแบบพยากรณ์จำนวนผู้เยี่ยมเยือนจังหวัดปทุมธานี โดยจำแนกเป็นผู้เยี่ยมเยือนชาวไทยและชาวต่างชาติ ผู้วิจัยใช้ข้อมูลทุติยภูมิรายปีตั้งแต่ปี พ.ศ. 2554 ถึง 2567 และกำหนดสถานการณ์การทดลองเป็น 2 กรณี คือ การใช้ชุดข้อมูลครบถ้วนและการตัดชุดข้อมูลปี พ.ศ. 2563-2565 ออกเพื่อลดผลกระทบจากค่าผิดปกติช่วงการแพร่ระบาดของโควิด-19 ตัวแบบที่นำมาทดสอบประกอบด้วยวิธีทำให้เรียบด้วยเลขชี้กำลังของโฮลต์-วินเตอร์ส (Holt-Winters) และวิธีเกรย์โมเดล (Grey Model: GM(1,1) และ EPC)

ผลการศึกษาพบว่า สำหรับผู้เยี่ยมเยือนชาวไทย ตัวแบบที่เหมาะสมที่สุดคือ Holt-Winters Multiplicative กรณีตัดปีที่มีผลกระทบจากโควิด-19 โดยมีค่า MAPE ต่ำที่สุดที่ร้อยละ 11.82 ขณะที่ผู้เยี่ยมเยือนชาวต่างชาติ ตัวแบบ Grey Model EPC กรณีตัดปีที่มีผลกระทบจากโควิด-19 ให้ผลแม่นยำที่สุดด้วยค่า MAPE ร้อยละ 4.96 ทั้งนี้พบว่าการใช้ข้อมูลที่รวมช่วงวิกฤตการณ์โควิด-19 ส่งผลให้ตัวแบบเกิดสภาวะ Overfitting และมีความคลาดเคลื่อนสูง ผลการพยากรณ์คาดการณ์ว่าในปี พ.ศ. 2568 จะมีผู้เยี่ยมเยือนชาวไทย 3,569,622 คน และชาวต่างชาติ 414,076 คน ผลลัพธ์นี้สามารถใช้เป็นแนวทางสำหรับหน่วยงานที่เกี่ยวข้องในการวางแผนเชิงกลยุทธ์เพื่อรองรับการเติบโตของการท่องเที่ยวในพื้นที่อย่างมีประสิทธิภาพ

เอกสารอ้างอิง

Abdou, M., Musabanganji, E., & Musahara, H. (2021). Tourism Demand Modelling and Forecasting: A Review of Literature. African Journal of Hospitality, Tourism and Leisure, 10(4),1370-1393.

Arsham, H. (2015). Time-Critical Decision Making or Business Administration. University of Baltimore. Retrieved from https://home.ubalt.edu/ntsbarsh/business-stat/stat-data/forecast.htm#rHoltWinter

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G.M. (2016). Time series analysis: Forecasting and control (5th ed.). Hoboken, NJ: Wiley.

Deng, J. (1989). Introduction to grey system theory. The Journal of Grey System, 1(1), 1–24.

Digital Government Development Agency (Public Organization) (DGA). (2026). Number of Visitors, Organization: Pathum Thani Provincial Office. Retrieved from https://data.go.th/dataset/dataset_tourism_404

Frost, J. (2026). How To Interpret R-squared in Regression Analysis. Retrieved from https://statisticsbyjim.com/regression/interpret-r-squared-regression/#google_vignette

Google. (2024). Gemini (February version) [Large language model]. https://gemini.google.com/

Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20(1), 5–10.

Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). Melbourne, Australia: OTexts. Retrieved from https://otexts.com/fpp2/

Hyndman, R.J., & Koehler, A.B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688.

Lewinson, E. (2020). Choosing the correct error metric: MAPE vs. sMAPE. toward data science. Retrieved from https://towardsdatascience.com/choosing-the-correct-error-metric-mape-vs-smape-5328dec53fac/?utm_source=copilot.com

Limlawan, V., Jangruxsakul, S., & Wiwattanakornwong, K. (2022). Comparative of forecasting technique for improving the accuracy of sale forecast: A case study of plastic bottle manufacturing in Thailand. Suthiparithat Journal, 36(2): 18-34. (in Thai).

Lin, Y. H., Chiu, C. C., Lin, Y. J., Lee, P. C. (2013). Rainfall prediction using innovative grey model with the dynamic index. Journal of Marine Science and Technology. 21(1):63-75;2013.DOI:10.61 19/JMST-011-1116-1.

Liu, S., & Forrest, J. (2010). Grey systems: Theory and applications. Berlin, Germany: Springer. https://doi.org/10.1007/978-3-642-16158-2

Ma, J. (2025). Demand forecasting of smart tourism integrating spatial metrology and deep learning. Scientific Reports, 15:42646. https://doi.org/10.1038/s41598-025-26830-3

National Science and Technology Development Agency (NSTDA). (2026). Checklist for Activities/Research Involving Human Subjects. Retrieved from https://waa.inter.nstda.or.th/stks/pub/ori/docs/20200402-the-scientific-purposes-of-research-and-testing-in-human-inspection-form.pdf

Sefidian Academy. (2026). A guide on regression error metrics (MSE, RMSE, MAE, MAPE, sMAPE, MPE) with Python code. Retrieved from https://sefidian.com/2022/08/18/a-guide-on-regression-error-metrics-with-python-code/?utm_source=copilot.com

Tang, S., & Deng, G. (2015). Based on the Theory of Grey System to Forecast China's Business Volume of Express Services. Modern Economy, 6, 283-288. doi: 10.4236/me.2015.62025.

Tran, T.-T. (2018). Building forecasting model of automobile industry based on Grey theory: A case study of Nissan motor corporation. International Journal of Advanced and Applied Sciences, 5(10), 7-15. https://doi.org/10.21833/ijaas.2018.10.002

Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324–342.

World Health Organization. (2020, March 11). WHO Director-General's opening remarks at the media briefing on COVID-19 - 11 March 2020. Retrieved from https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19---11-march-2020

World Health Organization. (2023, May 5). Statement on the fifteenth meeting of the IHR (2005) Emergency Committee regarding the coronavirus disease (COVID-19) pandemic. Retrieved from https://www.who.int/news/item/05-05-2023-statement-on-the-fifteenth-meeting-of-the-ihr-(2005)-emergency-committee-regarding-the-coronavirus-disease-(covid-19)-pandemic

Xiong, C., & Wu, L. (2021). Prediction of China’s Express Business Volume Based on FGM (1, 1) Model. Journal of Mathematics, 2021, Article ID 8585238, 6 pages. https://doi.org/10.1155/2021/8585238

Zhang, Y., Tan, W. H., & Zeng, Z. (2025). Tourism Demand Forecasting Based on a Hybrid Temporal Neural Network Model for Sustainable Tourism. Sustainability, 17(5), 2210. https://doi.org/10.3390/su17052210

Lin, Yong-Huang; Chiu, Chih-Chiang; Lin, Yong-Jun Lin; and Lee, Pin-Chan (2013) "RAINFALL PREDICTION USING INNOVATIVE GREY MODEL WITH THE DYNAMIC INDEX," Journal of Marine Science and Technology–Taiwan: Vol. 21: Iss. 1, Article 9.

DOI: 10.6119/JMST-011-1116-1