อ. ดร. อัญมณี กุมมาระกะ ภาควิชาสถิติ คณะวิทยาศาสตร์ มหาวิทยาลัยเชียงใหม่ ร่วมกับ รศ. ดร. พัทธ์ชนก ศรีสุรเดชชัย สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์ ศูนย์รังสิต นำเสนอการใช้โครงข่ายประสาทเทียม แบบ Monte Carlo Dropout (MCDO-NN) ในการพยากรณ์ข้อมูลอนุกรมเวลาเชิงคาบ (Sinusoidal Time Series) เพื่อเพิ่มความแม่นยำในการพยากรณ์ข้อมูลเชิงคาบ และประเมินความไม่แน่นอน ภายใต้งานวิจัย หัวข้อ "Monte Carlo Dropout Neural Networks for Sinusoidal Time Series Forecasting" 

ผู้วิจัยนำเสนอการใช้โครงข่ายประสาทเทียมแบบ Monte Carlo Dropout (MCDO-NN) เพื่อพยากรณ์อนุกรมเวลาแบบไซน์ (Sinusoidal Time Series) โดยเปรียบเทียบประสิทธิภาพกับตัวแบบ SARIMA (Seasonal Autoregressive Integrated Moving Average)

การศึกษาใช้ข้อมูลอนุกรมเวลาจำลองแบบไซน์ที่มีองค์ประกอบของแนวโน้มร่วมด้วย จำนวน 6 รูปแบบ ที่มีลักษณะแตกต่างกัน นอกจากนั้นได้ทำการทดสอบประสิทธิภาพของการพยากรณ์กับข้อมูลจริง คือ จำนวนผู้โดยสารสายการบิน โดยเปรียบเทียบค่าความคลาดเคลื่อนของค่าพยากรณ์แบบจุด (RMSE, MAPE) และความกว้างและสัดส่วนการครอบคลุมค่าพยากรณ์ของช่วงความเชื่อมั่น

ผลการศึกษาพบว่า MCDO-NN ให้ค่าพยากรณ์ที่มีประสิทธิภาพเหนือกว่า SARIMA ในแง่ของความคลาดเคลื่อน นอกจากนี้ MCDO-NN ยังสร้างช่วงความเชื่อมั่นของค่าพยากรณ์ที่มีความกว้างของช่วงน้อย แต่ยังคงครอบคลุมค่าจริงได้ในสัดส่วนที่สูงกว่าผลลัพธ์ดังกล่าวสอดคล้องทั้งในสถานการณ์จำลองและการประยุกต์ใช้กับข้อมูลจริง

งานวิจัยนี้แสดงให้เห็นว่า MCDO-NN เป็นทางเลือกที่มีประสิทธิภาพและแข็งแกร่งกว่าตัวแบบดั้งเดิมอย่าง SARIMA สำหรับการพยากรณ์ข้อมูลที่มีลักษณะเป็นคาบหรือไซน์ ร่วมกับแนวโน้ม ซึ่งมีความสำคัญอย่างยิ่งต่อการตัดสินใจในงานด้านวิทยาศาสตร์และวิศวกรรม

ผลงานได้รับการเผยแพร่ในวารสาร Applied Sciences
Published: 15 April 2025
https://doi.org/10.3390/app15084363