เทคนิควิธีการแทนค่าข้อมูลที่สูญหายสำหรับข้อมูลหลายตัวแปรเพื่อสร้างโมเดลการพยากรณ์ข้อมูลอนาคต

Missing value imputation techniques for multiple attributes and forecast modeling based on data mining

Name: กรสิริณัฐ โรจนวรรณ์

keyword: การพยากรณ์ข้อมูล

ThaSH: เหมืองข้อมูล -- ระเบียบวิธีทางสถิติ

; การแทนค่าข้อมูล

ThaSH: การวิเคราะห์อนุกรมเวลา

; ข้อมูลอนุกรมเวลา

ThaSH: ข้อมูลสูญหาย (สถิติ)

ThaSH: เพอร์เซ็ปตรอน

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

Abstract: ค่าสูญหายในข้อมูลอนุกรมเวลาเป็นปัญหาสำคัญที่ต้องทำการแทนค่าสูญหายก่อนการนำไปวิเคราะห์ หากมีข้อมูลสูญหายเพียงเล็กน้อยสามารถแทนค่าได้ด้วยเทคนิคดั้งเดิมที่มีอยู่ แต่ในกรณีที่การสูญหายจำนวนมากในอนุกรมเวลายังไม่พบว่ามีการศึกษา ดังนั้นวิทยานิพนธ์นี้นำเสนอขั้นตอนวิธีการแทนที่ค่าสูญหายจำนวนมากในอนุกรมเวลา หลักการในการแทนที่ค่าสูญหายโดยใช้ข้อมูลหลายตัวแปรมีความสัมพันธ์กันนำไปใช้เป็นตัวแปรอินพุตสำหรับสอนให้การเรียนรู้ด้วยเครื่องเพื่อเป็นโมเดลการแทนที่ค่าสูญหายของตัวแปรเป้าหมาย โดยงานวิจัยนี้ทำทดลองใช้เทคนิค ที่นำเสนอกับข้อมูลระดับน้ำจากกรมชลประทานที่ 15 โครงการพระราชดำริที่ราบลุ่มน้ำปากพนัง จังหวัดนครศรีธรรมราชซึ่งเป็นข้อมูลช่วงปี 2550 ถึง 2556 จำนวน 2527 วัน ประกอบด้วย 12 ตัวแปร ซึ่งมีข้อมูลสูญหายจำนวนมาก โดยบางตัวแปรจะสูญหายมากกว่า 50% สำหรับโมเดลการเรียนรู้ด้วยเครื่องคัดเลือกจากการเปรียบเทียบ 4 วิธี ได้แก่ วิธีการค่าเฉลี่ยแถว เพื่อนบ้านใกล้เคียงที่สุด โครงข่ายประสาทเทียมแบบเปอร์เซ็ปตรอนแบบหลายชั้น และระบบผสมโครงข่ายประสาทเทียมแบบคลุมเครือ วัดประสิทธิภาพด้วยค่ารากที่สองของค่าคลาดเคลื่อนกำลังสองเฉลี่ย ผลการวิจัย โดยการปรับสุ่มค่าสูญหายตั้งแต่ 5%-95% เพื่อทดสอบความสามารถในการเรียนรู้ด้วยเครื่อง พบว่า โครงข่ายประสาทเทียมเปอร์เซ็ปตรอนแบบหลายชั้น มีความสามารถในการแทนที่ค่าสูญหายดีที่สุด โดยที่ระดับการสูญหายที่ 50% โครงข่ายประสาทเทียมเปอร์เซ็ปตรอนแบบหลายชั้น มีความคลาดเคลื่อนต่ำสุด RMSE = 0.022 รองลงมาได้แก่เทคนิคค่าเฉลี่ยแถว RMSE = 0.058 ระบบผสมโครงข่ายประสาทเทียมแบบคลุมเครือ RMSE = 0.090 และเทคนิคเพื่อนบ้านใกล้เคียง RMSE = 0.130 สำหรับโมเดลพยากรณ์ค่าในอนาคต พบว่าโครงข่ายประสาทเทียมเปอร์เซ็ปตรอน แบบหลายชั้น มีความคลาดเคลื่อนต่ำสุด RMSE = 0.48 รองลงมาได้แก่เทคนิคเพื่อนบ้านใกล้เคียง RMSE = 0.37 เทคนิคค่าเฉลี่ยแถว RMSE = 2.37 และระบบผสมโครงข่ายประสาทเทียมแบบคลุมเครือ RMSE = 4.28

Abstract: Data missing in time series is a major problem must be resolve before being analyzed. Missing only a few records can be easily resolved using available traditional techniques. However, for a large amount of missing data there have not been found to be studied. Therefore, in this thesis a methodology for large amount of missing values imputation in time series is proposed. Replacing for large amount of missing values can be done by using multivariable data as input variables for teaching machine learning to impute the large amount of missing values in a target variable. This research was carried out by applying the proposed technique to water level time series obtained from the Royal Irrigation Department, Royal Project of the Pak Panang Basin during year 2007 to 2013. The data have 12 variables in which some variables contain more than 50% missing data. Machine learning models were compared four methods: Row Average (RAV), K-Nearest Neighbors (KNN), Multilayer Perceptron (MLP), and Adaptive Neuro Fuzzy Inference System (ANFIS). The performance of the imputation models are measured by the Root Means Squared Error (RMSE). By randomly adjusting the missing values from 5% -95% to test the machine learning ability. The study results showed that MLP had the best ability to impute the missing values. At the missing data of 50%, MLP yielded the lowest RMSE = 0.022, followed by RAV with RMSE = 0.058, ANFIS with RMSE = 0.090, and KNN with RMSE = 0.130. In addition, the prediction model for future values, MLP also performed best with RMSE = 0.48 and KNN with RMSE = 0.37, RAV with RMSE = 2.37 and ANFIS with RMSE = 4.28, respectively.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: พยุง มีสัจ

Role: ที่ปรึกษาดุษฎีนิพนธ์

Email : phayung.m@it.kmutnb.ac.th

Created: 2560

Modified: 2022-08-24

Issued: 2565-08-24

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: ปรัชญาดุษฎีบัณฑิต

Level: ปริญญาเอก

Descipline: เทคโนโลยีสารสนเทศ

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17562648.pdf	3.61 MB	13	2025-05-16 12:14:06

ใช้เวลา

0.024834 วินาที