การทำนายปริมาณการใช้เชื้อเพลิงขนส่งด้วยโครงข่ายประสาทเทียม กรณีศึกษา รถบรรทุกดินถมในพื้นที่จังหวัดชายแดนใต้ ประเทศไทย
คำสำคัญ:
ประสิทธิภาพ, การทำนาย, โครงข่ายประสาทเทียม, เชื้อเพลิงบทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพการทำนายเชื้อเพลิงขนส่งด้วยโครงข่ายประสาทเทียมด้วยค่าเฉลี่ยของร้อยละความผิดพลาดสัมบูรณ์ (MAPE) เริ่มจากการนำข้อมูลปริมาณการใช้เชื้อเพลิงขนส่งรายเดือน ตั้งแต่ปี พ.ศ.2556 - 2560 มาทำนายปริมาณการใช้เชื้อเพลิงด้วยฟังก์ชันถ่ายโอน 3 รูปแบบ คือ แบบซิกมอยด์ แบบไบโพล่าซิกมอยด์ และแบบไฮเปอร์โบลิก-แทนเจนต์ โดยแต่ละฟังก์ชันการถ่ายโอนจะมีการแบ่งโครงข่ายประสาทเทียม ออกเป็น 9 โครงสร้าง คือ ชั้นนำเข้า (input layer) จำนวน 12 โหนด ชั้นซ่อน (hidden layer) ระหว่าง 4 ถึง 12 โหนด และชั้นส่งออก (output layer) จำนวน 1 โหนด ที่สัมพันธ์กับข้อมูลแบบอนุกรมเวลา รวมทั้งสิ้น 27 โครงสร้าง เพื่อใช้ในการประเมินความคลาดเคลื่อนในการทำนายปริมาณการใช้เชื้อเพลิง โดยกำหนดอัตราการเรียนรู้ เท่ากับ 0.05 โมเมนต์ตัม เท่ากับ 0.5 และจำนวนรอบการเรียนรู้ เท่ากับ 100,000 รอบ พบว่า โครงข่ายประสาทเทียมแบบ ANN (12-8-1) ด้วยฟังก์ชันการถ่ายโอนแบบไฮเปอร์โบลิก-แทนเจนต์ ให้ค่าความคลาดเคลื่อนในการพยากรณ์ต่ำที่สุด 0.03 เปอร์เซ็นต์ จากผลการทดลองนี้สามารถไปใช้ไปเป็นข้อเสนอแนะในให้บริษัทกรณีศึกษาใช้ในการวางแผนใช้เชื้อเพลิงอย่างมีประสิทธิภาพ รวมไปถึงการนำแนวทางจากการวิจัยนี้ไปใช้ในการปรับปรุงประสิทธิภาพทำนายข้อมูลที่สนใจในภาคอุตสาหกรรมอื่น ๆ ได้ต่อไป
References
Affan, M. F., Abdullah, A. G., & Surya, W. (2019). Forecasting of wind speed using exponential smoothing and artificial neural networks (ANN). Journal of Physics: Conference Series, 1402(3), 033082. IOP Publishing.
Akarslan, E., & Hocaoglu, F. O. (2018). Electricity demand forecasting of a micro grid using ANN. 2018 9th International Renewable Energy Congress (IREC), 1–5. IEEE.
Badyalina, B., Mokhtar, N. A., Azimi, A. I. F., Majid, M., Ramli, M. F., & Yaa’coob, F. F. (2022). Data-driven models for wind speed forecasting in malacca state. MATEMATIKA: Malaysian Journal of Industrial and Applied Mathematics, 125–139.
Bangkokbiznews. (2022). Thailand imported more than 1 million barrels of fuel in January 2022, an increase of 9.9%. Retrieved from https://www.bangkokbiznews.com/business/
(in Thai)
Farooque, A. A., Zaman, Q. U., Nguyen-Quang, T., Groulx, D., Schumann, A. W., & Chang, Y. K. (2016). Development of a predictive model for
wild blueberry harvester fruit losses during harvesting using artificial neural network. Applied Engineering in Agriculture, 32(6), 725–738.
Fauziah, F. N., Gunaryati, A., & Sari, R. T. K. (2017). Comparison forecasting with double exponential smoothing and artificial neural network to predict the price of sugar. Int. J. Simul. Syst. Sci. Technol, 18(4), 1-8.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice. OTexts.
Ibrahim, N. N. A. N., Razak, I. A. W. A., & Bohari, Z. H. (2018). Electricity price forecasting using artificial neural network: Activation function selection. Proceedings of Symposium on Electrical, Mechatronics and Applied Science 2018 (SEMA’18), 151–152.
Ireri, A. M. (2014). A Data Mining approach to private healthcare services demand forecast in Nairobi County (PhD Thesis).
Johnson, D., & King, M. (1988). BASIC forecasting techniques Butterworths. London.
Le, L. T., Lee, G., Park, K.-S., & Kim, H. (2020). Neural network-based fuel consumption estimation for container ships in Korea. Maritime Policy & Management, 47(5), 615–632.
Mostafaeipour, A., Goli, A., & Qolipour, M. (2018). Prediction of air travel demand using a hybrid artificial neural network (ANN) with bat and
firefly algorithms: a case study. The Journal of Supercomputing, 74(10), 5461–5484.
Piyanuch Sathapongpakdee. (2022). Industry Outlook 2022-2024: Road Freight Transportation Service.Retrieved from https://www.krungsri.com/th/research/industry/industry-outlook/logistics/road-freight-transportation/IO/road-freight-transportation-2022-
(in Thai)
Siami-Irdemoosa, E., & Dindarloo, S. R. (2015). Prediction of fuel consumption of mining dump trucks: A neural networks approach. Applied Energy, 151, 77–84.
Southern Border Provinces Administration Centre. (2022). Sentiment Index for Southern Border Provinces Retrieved from https://www.sbpac.go.th/wp-content/uploads/2020/08/
Sukpan, C., Chopaiad, C., & Chooduang, S.. (2015). Price Forecasting of Ribbed Smoked Rubber Sheet No.3 in the Agricultural Futures Market by Leading Indicators and Artificial Neural Networks. Thaksin University Journal, 18(1), 32–40. (in Thai).
TPS.pdf. (in Thai)
Wysocki, O., Deka, L., & Elizondo, D. (2019). Heavy duty vehicle fuel consumption modeling using artificial neural networks. 2019 25th International Conference on Automation and Computing (ICAC), 1–6. IEEE.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 บัณฑิตวิทยาลัย มหาวิทยาลัยราชภัฏนครศรีธรรมราช
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
