การพัฒนาระบบประมาณการใช้กระดาษภายในแผนกผู้โดยสารด้วยวิธีโครงข่ายประสาทเทียม

Estimation paper usage system within Airlines Passenger Service Department using artificial neural networks.

Name: สุภโชค เรืองศรี

keyword: การประมาณการใช้กระดาษ

ThaSH: นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์)

ThaSH: กระดาษ -- การจัดซื้อ -- การตัดสินใจ

Abstract: งานวิจัยนี้มีวัตถุประสงค์ เพื่อศึกษาเทคนิคประมาณการใช้กระดาษภายในแผนกผู้โดยสาร ด้วยวิธีโครงข่ายประสาทเทียม โดยใช้ข้อมูลหน่วยงานขององค์กรสายการบิน มีจำนวนตัวแปร 42 ตัวแปร ขนาด 256 ข้อมูล ใช้โครงข่ายประสาทเทียมแบบหลายชั้นเรียนรู้ข้อมูล 4 ชุดคือ 1 ชุด ข้อมูลดิบ 2 ชุดที่ผ่านวิธีวิเคราะห์สมการถดถอยเชิงพหุตัวแปร 3 ชุดที่ผ่านวิธี Information Gain ได้ 10 ตัวแปร และ 4ชุดที่ผ่านวิธี Gain Ratio ได้ 10 ตัวแปร ใช้โครงข่ายประสาทเทียมแบบหลายชั้น (Multi-Layer Perceptron) โดยใช้วิธีการแบบแพร่กระจายกลับ (Backpropagation Learning)ในการ เรียนรู้ข้อมูล แล้วเปรียบเทียบค่าผิดพลาดกำลังสองเฉลี่ย (Mean square error: MSE) น้อยที่สุดของ แต่ละโมเดล จากนั้นทำการทดลองเปรียบเทียบค่าเป้าหมายและค่าที่โครงข่ายประสาทเทียมได้ทำ การประมาณค่ามา ว่าค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสมบูรณ์(Mean Absolute Percentage Error: MAPE)ของโมเดลที่ค่า MSE น้อยที่สุดในแต่ละชั้น พบว่าโมเดลที่เหมาะแก่การนำไปพัฒนา ต่อ คือชุดที่คัดกรองด้วยวิธีการ วิเคราะห์สมการถดถอยเชิงพหุตัวแปร มีตัวแปร คือ ขนาดของ ระบบฝึกอบรม จำนวนวันที่ทำการบิน,พนักงานที่เข้าฝึกอบรมระบบ รายละเอียดรถเข็นและกระเป๋า ข้อมูลขาเข้า-ขาออกที่สำคัญข้อมูลเที่ยวบินขาออก ปีที่ทำการ ใช้โครงข่ายประสาทเทียมขนาด 3 ชั้น มีฟังก์ชันกระตุ้นแบบ Tansig-Logsig-Purelin โดยมีขนาดในแต่ละชั้นตามลำดับ 30-15-1 ให้ค่า MAPE คือ 4.3% MSE ต่ำที่สุดคือ 0.00085 เพราะมีขนาดโครงสร้างที่เล็กทั้งขนาดของชั้นรวมถึง จำนวนโหนดในแต่ละชั้น, ใช้จำนวนตัวแปรน้อย ซึ่งเวลาใช้งานจะให้ผลลัพธ์รวดเร็วกว่า

Abstract: This research aims to build a model for paper usage estimation within airlines passenger service department using Artificial Neural Network(Multi-layer Perceptron) which consist of 42 attributes and 256 data records. The neural network multi-layers perceptrons will learn 4 data sets first the raw data, second the filtered data from regression analysis method, third the filtered data with 10 attributes derived from Information Gain method and the last one with 10 attributes derived from Gain Ratio method by the multi-layer perceptron with backpropagation learning. Then compare each model to find the least value of Mean Square Error (MSE) will be brought to test to find the least Mean Absolute Percentage Error (MAPE) by comparing the target value with the estimated value from neural network. The results showed that suitable model for further development is the Regression Analysis attributes selection method have attribute are training scale, number of operation days, number of staff training, porter, important arrival-departure information, departure information and year. The 3-layer neural networks, the Tansig-Logsig active function, and Pureline output layer 30-15-1 provide the lowest value is 4.3 of MAPE, 0.000854 of MSE value. Because small network structure or number of node use less variables and fast calculate performance.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: ธวัชชัย งามสันติวงศ์

Role: ที่ปรึกษาสารนิพนธ์

Email : tvc@kmutnb.ac.th

Created: 2555

Modified: 2558-07-14

Issued: 2558-07-14

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: E-THESIS

tha

DegreeName: วิทยาศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: วิทยาการคอมพิวเตอร์

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15900666.pdf	3.05 MB	30	2022-05-03 02:25:10

ใช้เวลา

0.026219 วินาที