| หัวข้อปริญญานิพนธ์: Project Title: |
การพยากรณ์ราคาขายปลีกน้ำมันในเขตกรุงเทพมหานครและปริมณฑลโดยใช้วิธีวิเคราะห์อนุกรมเวลา Forecast of Retail Oil Prices in Bangkok Metropolitan Region by Using Time Series Analysis Techniques. |
| ชื่อนักศึกษา: Author: |
นายทัศภูมิ รันระนา, นายธนกร สุวรรณโสภณ Mr. Tusaphum Runrana, Mr. Thanakorn Suwanasophon |
| อาจารย์ที่ปรึกษา: Advisor: |
อาจารย์ณรงค์ฤทธิ์ สุคนธสิงห์ Mr. Narongrit Sukonthasing |
| ระดับการศึกษา: Degree: |
วิทยาศาสตรบัณฑิต (วท.บ.) Bachelor of Science |
| ภาควิชา: Major: |
เทคโนโลยีสารสนเทศ Information Technology |
| คณะ: Faculty: |
เทคโนโลยีสารสนเทศ Information Technology |
| ภาคการศึกษา/ปีการศึกษา: Semester / Academic year: |
2/2565 2/2022 |
การอ้างอิง|Citation
ทัศภูมิ รันระนา และธนกร สุวรรณโสภณ. (2565). การพยากรณ์ราคาขายปลีกน้ำมันในเขตกรุงเทพมหานครและปริมณฑลโดยใช้วิธีวิเคราะห์อนุกรมเวลา. (โครงงาน). กรุงเทพฯ: คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยสยาม.
Runrana T., & Suwanasophon T. (2022). Forecast of retail oil prices in Bangkok Metropolitan Region by using time series analysis techniques. (Project). Bangkok: Faculty of Information Technology, Siam University.
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ราคาขายปลีกน้ำมันในเขตกรุงเทพมหานครและปริมลฑล เพื่อวางแผนหาทางเตรียมความพร้อมเกี่ยวกับราคาน้ำมัน โดยใช้วิธีวิเคราะห์อนุกรมเวลาด้วยเทคนิคเหมืองข้อมูล 3 เทคนิค ได้แก่ การถดถอยเชิงเส้น แบบจำลองโครงข่ายประสาทเทียมแบบเปอร์เซ็ปตรอนหลายชั้น และซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอย ข้อมูลที่นำมาใช้เป็นชุดข้อมูลราคาน้ำมันทั้ง 3 กลุ่ม ได้แก่ แก๊สโซฮอล 95 ดีเซล B7 และ NGV ตั้งแต่เดือน มกราคม พ.ศ.2560 ถึง มกราคม พ.ศ.2565 จำนวน 5 ปี 1 เดือน จากผลการวิจัยพบว่า แบบจำลองที่มีความเหมาะสมกับราคาน้ำมันที่มีความแม่นยำมากที่สุด ดังต่อไปนี้ 1) แบบจำลองโครงข่ายประสาทเทียมแบบเปอร์เซ็ปตรอนหลายชั้นมีความเหมาะสมกับชุดข้อมูลราคาแก๊ศโซฮอล 95 ด้วยชุดข้อมูลย้อนหลัง 150 วัน (Lag 150) ค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์เท่ากับ 0.65% 2) แบบจำลองโครงข่ายประสาทเทียมแบบเปอร์เซ็ปตรอนหลายชั้นมีความเหมาะสมกับชุดข้อมูลราคาดีเซล B7 ด้วยชุดข้อมูลย้อนหลัง 14 วัน (Lag 14) ค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์เท่ากับ 0.34% 3) แบบจำลองโครงข่ายประสาทเทียมแบบเปอร์เซ็ปตรอนหลายชั้นมีความเหมาะสมกับชุดข้อมูลราคา NGV ด้วยชุดข้อมูลย้อนหลัง 14 วัน (Lag 14) ค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์เท่ากับ 0.31%
คำสำคัญ: การถดถอยเชิงเส้น, ซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอย, แบบจำลองโครงข่ายประสาทเทียมแบบเปอร์เซ็ปตรอนหลายชั้น, ราคาน้ำมัน, เหมืองข้อมูล, อนุกรมเวลา
Abstract
The purpose of this article was to forecast of retail oil price in Bangkok Metropolis and for a decision to manage a price fluctuation by using data mining algorithms e.g. Linear Regression, Support Vector Machine for Regression, Multilayer Perceptron. The data was the price of Gasohol 95, Diesel B7, and Natural Gas for Vehicle (NGV) from January 2017 to January 2022, 5 years and 1 month. Results the found the most accurate algorithm for each oils were: 1) Gasohol 95 by using Multilayer Perceptron with 150 days lag data given result of mean relative error at 0.65%, 2) Diesel B7 by using Multilayer Perceptron with 14 days lag data given result of mean absolute error at 0.34%,
3) NGV by using Multilayer perceptron with 14 days lag data result of mean absolute error at 0.31%.
Keywords: data mining, linear regression multilayer perceptron, price of fuel, Support Vector Machine for Regression, time series.
การพยากรณ์ราคาขายปลีกน้ำมันในเขตกรุงเทพมหานครและปริมณฑลโดยใช้วิธีวิเคราะห์อนุกรมเวลา|Forecast of Retail Oil Prices in Bangkok Metropolitan Region by Using Time Series Analysis Techniques
คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยสยาม | Faculty of Information Technology, Siam University, ฺBangkok, Thailand