Forecasting Thailand’s Durian Exports Using Deep Learning Techniques

Abstract

This study aims to develop forecasting models for Thailand’s durian exports using three learning techniques and to comparatively evaluate their predictive performance. The methodologies employed include the Autoregressive Integrated Moving Average (ARIMA) model, the Recurrent Neural Network (RNN), and the Bidirectional Recurrent Neural Network (Bi-RNN). The forecasting accuracy of each model is assessed using three standard performance evaluation criteria: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). These metrics are applied to determine the most suitable model for practical implementation. The results indicate that the ARIMA model demonstrates superior performance within the experimental framework of this study. Based on all three evaluation metrics, ARIMA provides the most appropriate forecasting accuracy compared to the deep learning approaches considered. Furthermore, the selected model can be extended and applied to enhance the efficiency of related systems or models involving similar time-series data processing tasks in future research.

งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองการพยากรณ์การส่งออกทุเรียนของประเทศไทยด้วยเทคนิคการเรียนรู้เชิงลึก 3 เทคนิค พร้อมเปรียบเทียบแบบจำลองในการพยากรณ์การส่งออกทุเรียนในแต่ละเทคนิค ได้แก่ แบบจำลอง ARIMA (Autoregressive Integrated Moving Average) วิธีโครงข่ายประสาทเทียมแบบวนซ้ำ (Recurrent Neural Network: RNN) และวิธีโครงข่ายประสาทเทียมแบบวนซ้ำสองทิศทาง (Bidirectional Recurrent Neural Network Bi-RNN) โดยพิจารณาเลือกเปรียบเทียบประสิทธิภาพในการพยากรณ์แต่ละเทคนิคด้วยเกณฑ์การประเมินประสิทธิภาพ 3 เกณฑ์ คือ คลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error: MAE) ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยรากที่สอง (Root Mean Square Error: RMSE) และร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Percent Error: MAPE) เพื่อเลือกแบบจำลองที่เหมาะสมที่สุดในการใช้งานจริงผลการวิจัยพบว่าแบบจำลองที่ใช้เทคนิคแบบจำลอง ARIMA เป็นแบบจำลองที่เหมาะสมที่สุดสำหรับงานที่ต้องการวิเคราะห์ข้อมูลตามกรอบการทดลองของงานวิจัยนี้ โดยพิจารณาจากการประเมินทางด้านประสิทธิภาพทั้ง 3 เกณฑ์และสามารถนำไปประยุกต์ใช้เพื่อเพิ่มประสิทธิภาพของระบบหรือโมเดลที่เกี่ยวข้องกับการประมวลผลข้อมูลลักษณะดังกล่าวได้ในอนาคต