การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง
210 pages
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| مؤلفون آخرون: | |
| التنسيق: | Theses and Dissertations |
| اللغة: | Thai |
| منشور في: |
จุฬาลงกรณ์มหาวิทยาลัย
2020
|
| الوصول للمادة أونلاين: | https://digiverse.chula.ac.th/Info/item/dc:41265 |
| الوسوم: |
إضافة وسم
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
| المؤسسة: | Chulalongkorn University |
| اللغة: | Thai |
| id |
41265 |
|---|---|
| record_format |
dspace |
| spelling |
412652024-03-18T04:25:37Z https://digiverse.chula.ac.th/Info/item/dc:41265 ©จุฬาลงกรณ์มหาวิทยาลัย Thesis 10.58837/CHULA.THE.2020.1172 tha ชัยพฤกษ์ นิละนนท์ การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง Domestic hot rolled steel demand forecasting using machine learning methods จุฬาลงกรณ์มหาวิทยาลัย 2020 2020 210 pages Steel is one of the most important materials and its demand is increasing every year. In the steel industry, forecasting is very important for the procurement planning of raw materials, production arrangement, and sales plan. The accurate forecast can optimize planning and reduce production and operating costs. This research was conducted to study the forecast and compare the forecasting accuracy of domestic hot-rolled steel demand volume data using data from January 2014 to December 2019. The forecasting models used in this study included Holt s Exponential Smoothing, ARIMA, Multiple Regression, Artificial Neural Network, eXtreme Gradient Boosting, Random Forest, Support Vector Regression, Light Gradient Boosting Machine, and hybrid models selected from the top three of machine learning models and evaluate the accuracy with mean absolute percentage error (MAPE). The results showed that the most accurate model is the hybrid model of Artificial Neural Network, Random Forest, and eXtreme Gradient Boosting hybridized using Artificial Neural Network model with a MAPE of 3.59%. It has higher accuracy than the Artificial Neural Network model, the most accurate machine learning model, with a MAPE of 5.63% for 36.23%. เหล็กเป็นวัสดุที่สำคัญชนิดหนึ่งและมีปริมาณความต้องการใช้งานมากขึ้นทุกปี ในอุตสาหกรรมเหล็ก การพยากรณ์เพื่อวางแผนการจัดซื้อวัตถุดิบ การจัดเตรียมการผลิต และแผนการขายจึงเป็นสิ่งที่สำคัญ การพยากรณ์ที่แม่นยำสามารถทำให้การวางแผนต่าง ๆ เป็นอย่างเหมาะสมและสามารถลดต้นทุนในการผลิตและการดำเนินการได้ งานวิจัยนี้จัดทำขึ้นเพื่อศึกษาการพยากรณ์และเปรียบเทียบความแม่นยำในการพยากรณ์ข้อมูลปริมาณความต้องการเหล็กรีดร้อนภายในประเทศ โดยใช้ข้อมูลตั้งแต่เดือนมกราคมปี ค.ศ. 2014 จนถึงเดือนธันวาคมปี ค.ศ. 2019 ตัวแบบการพยากรณ์ที่ใช้ในงานวิจัยนี้ประกอบไปด้วย ตัวแบบ Holt s Exponential Smoothing, ARIMA, Multiple Regression, Artificial Neural Network, eXtreme Gradient Boosting, Random Forest, Support Vector Regression และ Light Gradient Boosting Machine และตัวแบบผสมที่คัดเลือกจากตัวแบบการเรียนรู้ของเครื่องที่มีความแม่นยำที่สุดสามอันดับแรกมาทำการผสม จากนั้นทำการเปรียบเทียบความแม่นยำด้วยค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) ผลการวิจัยพบว่าตัวแบบที่มีความแม่นยำมากที่สุดคือตัวแบบผสม Artificial Neural Network, Random Forest และ eXtreme Gradient Boosting โดยใช้ตัวแบบ Artificial Neural Network เป็นตัวผสม มีค่า MAPE เท่ากับ 3.59% แม่นยำกว่าตัวแบบ Artificial Neural Network ที่เป็นตัวแบบการเรียนรู้ของเครื่องที่แม่นยำที่สุดด้วยค่า MAPE เท่ากับ 5.63% ถึง 36.23% นันทชัย กานตานันทะ https://digiverse.chula.ac.th/digital/file_upload/biblio/cover/41265.jpg |
| institution |
Chulalongkorn University |
| building |
Chulalongkorn University Library |
| continent |
Asia |
| country |
Thailand Thailand |
| content_provider |
Chulalongkorn University Library |
| collection |
Chulalongkorn University Intellectual Repository |
| language |
Thai |
| description |
210 pages |
| author2 |
นันทชัย กานตานันทะ |
| author_facet |
นันทชัย กานตานันทะ ชัยพฤกษ์ นิละนนท์ |
| format |
Theses and Dissertations |
| author |
ชัยพฤกษ์ นิละนนท์ |
| spellingShingle |
ชัยพฤกษ์ นิละนนท์ การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง |
| author_sort |
ชัยพฤกษ์ นิละนนท์ |
| title |
การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง |
| title_short |
การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง |
| title_full |
การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง |
| title_fullStr |
การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง |
| title_full_unstemmed |
การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง |
| title_sort |
การพยากรณ์ปริมาณความต้องการเหล็กรีดร้อนภายในประเทศด้วยวิธีการเรียนรู้ของเครื่อง |
| publisher |
จุฬาลงกรณ์มหาวิทยาลัย |
| publishDate |
2020 |
| url |
https://digiverse.chula.ac.th/Info/item/dc:41265 |
| _version_ |
1829264313484836864 |