การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10
วิทยาศาสตรมหาบัณฑิต (วิทยาการข้อมูล), 2566
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Theses and Dissertations |
| Language: | Thai |
| Published: |
มหาวิทยาลัยสงขลานครินทร์
2024
|
| Subjects: | |
| Online Access: | http://kb.psu.ac.th/psukb/handle/2016/19346 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Prince of Songkhla University |
| Language: | Thai |
| id |
th-psu.2016-19346 |
|---|---|
| record_format |
dspace |
| spelling |
th-psu.2016-193462024-01-25T08:49:54Z การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10 Prediction Air Pollution in Thailand: A Comparison of ARIMA and Machine Learning Methods for PM2.5 and PM10 ฐิตาพร ทองรอด อภิรดี แซ่ลิ่ม College of Digital Science โครงการจัดตั้งวิทยาลัยวิทยาศาสตร์ดิจิทัล การทำนาย แนวโน้ม ฝุ่นละอองขนาดเล็ก ARIMA Machine Learning วิทยาศาสตรมหาบัณฑิต (วิทยาการข้อมูล), 2566 This study examined the seasonal patterns and trends of particulate matter (PM2.5 and PM10) concentrations in Thailand and compared the prediction performance of five Models, including Autoregressive Integrated Moving Average (ARIMA), Autoregressive Moving Average with Exogenous Variable (ARIMAX), a multiple linear regression (MLR), an artificial neural network (ANN), a support vector machines and a random forest (RF). Using the cubic spline function, trends and seasonal patterns from 2010 through 2021 were explored. ARIMA, ARIMAX, MLR, ANN, SVM and RF models were utilized to analyze PM2.5 and PM10, was compared by looking at the root mean square error (RMSE), the mean absolute error (MAE), mean absolute percent errors (MAPE), and R-Squared (R2 ). The highest levels of PM2.5 and PM10 from 2010 through 2021 in the North were recorded between February and April, in the Northeast had been determined to be high in January to March, the highest levels in the Central from November to March, and no seasonal patterns of PM2.5 and PM10 were observed in the Southern of Thailand. The results of PM2.5 and PM10 prediction accuracy performance between ARIMA and the machine learning methods considers the day, year, temperature, relative humidity, barometric pressure and wind speed factors by split data of training and testing into 50:50, 60:40 and 70:30 the results demonstrated that the ARIMAX model outperformed the other models in predicting PM2.5 and PM10 levels that all 4 regions in Thailand. งานวิจัยนี้ได้ศึกษาแนวโน้มของฝุ่นละอองขนาดเล็ก PM2.5 และ PM10 แยกตาม ฤดูกาลในประเทศไทย และเปรียบเทียบประสิทธิภาพการทำนายความเข้มข้นของฝุ่นละอองขนาดเล็ก ระหว่าง ตัวแบบอารีมา ตัวแบบอารีแม็กซ์ ตัวแบบการวิเคราะห์การถดถอยพหุคูณ ตัวแบบโครงข่าย ประสาทเทียม ตัวแบบซัพพอร์ตเวกเตอร์แมชชีน และตัวแบบการสุ่มป่าไม้ หารูปแบบและแนวโน้ม ตามฤดูกาลตั้งแต่ปี พ.ศ. 2553 ถึง พ.ศ. 2564 โดยใช้ฟังก์ชัน Cubic Spline การเปรียบเทียบ ประสิทธิภาพการทำนายของตัว 5 ตัวแบบ พิจารณาจากเกณฑ์รากที่สองของความคลาดเคลื่อนกำลัง สองเฉลี่ย ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย ค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย และค่า R 2 ผล การศึกษา พบว่า แนวโน้มการเปลี่ยนแปลงมลพิษทางอากาศของฝุ่นละอองขนาดเล็ก PM2.5 และ PM10 ตั้งแต่ปี พ.ศ. 2553 ถึง พ.ศ. 2564 ใน 4 ภูมิภาค พบว่าภาคเหนือมีแนวโน้มความเข้มข้นของ PM2.5 และ PM10 สูงในช่วงเดือนกุมภาพันธ์ถึงเดือนเมษายน ภาคตะวันออกเฉียงเหนือมีแนวโน้ม ความเข้มข้นของ PM2.5 และ PM10 สูงในเดือนมกราคมถึงเดือนมีนาคม ภาคกลางมีแนวโน้มความ เข้มข้นของ PM2.5 และ PM10 สูงเดือนพฤศจิกายนถึงเดือนมีนาคม และไม่พบรูปแบบตามฤดูกาล ของฝุ่นละอองขนาดเล็ก PM2.5 และ PM10 ในภาคใต้ของประเทศไทย การเปรียบเทียบ ประสิทธิภาพความแม่นยำการทำนายความเข้มข้นของฝุ่นละอองขนาดเล็ก PM2.5 และฝุ่น PM10 ระหว่างวิธีอารีมา และวิธีการเรียนรู้ด้วยเครื่องเมื่อพิจารณาปัจจัย วัน ปี อุณหภูมิ ความชื้นสัมพัทธ์ ความกดอากาศ และความเร็วลม โดยแบ่งสัดส่วนข้อมูลเป็น 50:50 60:40 และ 70:30 พบว่า ตัวแบบ อารีแม็กซ์มีประสิทธิภาพการทำนายความเข้มข้นของฝุ่นละอองขนาดเล็ก PM2.5 และฝุ่น PM10 ทั้ง 4 ภาค ได้แม่นยำกว่าตัวแบบการเรียนรู้ด้วยเครื่อง 2024-01-25T08:49:54Z 2024-01-25T08:49:54Z 2023 Thesis http://kb.psu.ac.th/psukb/handle/2016/19346 th Attribution-NonCommercial-NoDerivs 3.0 Thailand http://creativecommons.org/licenses/by-nc-nd/3.0/th/ application/pdf มหาวิทยาลัยสงขลานครินทร์ |
| institution |
Prince of Songkhla University |
| building |
Khunying Long Athakravi Sunthorn Learning Resources Center |
| continent |
Asia |
| country |
Thailand Thailand |
| content_provider |
Khunying Long Athakravi Sunthorn Learning Resources Center |
| collection |
PSU Knowledge Bank |
| language |
Thai |
| topic |
การทำนาย แนวโน้ม ฝุ่นละอองขนาดเล็ก ARIMA Machine Learning |
| spellingShingle |
การทำนาย แนวโน้ม ฝุ่นละอองขนาดเล็ก ARIMA Machine Learning ฐิตาพร ทองรอด การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10 |
| description |
วิทยาศาสตรมหาบัณฑิต (วิทยาการข้อมูล), 2566 |
| author2 |
อภิรดี แซ่ลิ่ม |
| author_facet |
อภิรดี แซ่ลิ่ม ฐิตาพร ทองรอด |
| format |
Theses and Dissertations |
| author |
ฐิตาพร ทองรอด |
| author_sort |
ฐิตาพร ทองรอด |
| title |
การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10 |
| title_short |
การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10 |
| title_full |
การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10 |
| title_fullStr |
การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10 |
| title_full_unstemmed |
การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี ARIMA และ Machine Learning สำหรับ PM2.5 และ PM10 |
| title_sort |
การทำนายคุณภาพอากาศในประเทศไทย: การเปรียบเทียบวิธี arima และ machine learning สำหรับ pm2.5 และ pm10 |
| publisher |
มหาวิทยาลัยสงขลานครินทร์ |
| publishDate |
2024 |
| url |
http://kb.psu.ac.th/psukb/handle/2016/19346 |
| _version_ |
1789484313641746432 |