การประเมินการพยากรณ์ราคาน้ำมันดิบโดยใช้วิธี LSTM

Crude oil price prediction evaluation using Long Short Term Memory

Name: กัญญา ศิริภิรมย์

Organization : สถาบันการจัดการปัญญาภิวัฒน์. คณะวิศวกรรมศาสตร์และเทคโนโลยี

Email : kanya.siripirom@gmail.com

Name: ดัชกรณ์ ตันเจริญ

Organization : สถาบันการจัดการปัญญาภิวัฒน์. คณะวิศวกรรมศาสตร์และเทคโนโลยี

Email : datchakorntan@pim.ac.th

keyword: การพยากรณ์ราคาน้ำมันดิบ

ThaSH: การเรียนรู้เชิงลึก (การเรียนรู้ของเครื่อง)

; ค่าเฉลี่ยของร้อยละความผิดพลาดสัมบูรณ์

ThaSH: ปิโตรเลียม -- ราคา -- พยากรณ์

; Long Short-Term Memory (LSTM)

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

; Mean Absolute Percentage Error (MAPE)

Abstract: น้ำมันดิบเป็นปัจจัยที่สำคัญ นึ่งในการพัฒนา อุตสาหกรรมของประเทศ ซึ่งราคาน้ำมันดิบจะแปรผันกับต้นทุนในการผลิต บทความนี้นำเสนอการเปรียบเทียบวิธีในการพยากรณ์ราคาน้ำมันดิบ การเปรียบเทียบโดยใช้ Baseline Model และ Long Short Term Memory (LSTM) สำหรับการเรียนรู้เชิงลึก (Deep Learning) โดยวิธี Long Short Term Memory (LSTM) เป็นโครงข่ายประสาทเทียมที่ออกแบบมาเพื่อการ ประมวลผลแบบลำดับ LSTM จัดว่าเป็นโครงข่ายประเภท Recurrent Neural Network (RNN) เป็นวิธีการเรียนรู้แบบอัตโนมัติ ด้วยการเลียนแบบ การทำงานของโครงข่ายประสาทของมนุษย์ โดยการนำระบบโครงข่าย ประสาท (Neural Network) มาซ้อนกันหลายชั้น และทำการเรียนรู้ข้อมูล ตัวอย่าง (Data Training) มาเป็นปัจจัยที่สำคัญในการพยากาณ์ราคา น้ำมันดิบ โดยกำหนดจากการวัดผลของแบบจำลอง LSTM ในการเรียนรู้ เชิงลึก (Deep Learning) และพิจารณาค่าเฉลี่ยของร้อยละความผิดพลาด สัมบูรณ์ (Mean Absolute Percentage Error หรือ MAPE) อย่างมีนัยสำคัญ นอกจากนี้การประเมินประสิทธิภาพของแบบจำลองยังแปรผันตามเวลา (Time Series) ใช้ในการอธิบายการเคลื่อนไหวของราคาน้ำมันดิบ โดยใช้ ข้อมูลราคาน้ำมันดิบจาก Yahoo Finance เป็นชุดข้อมูลย้อนหลังตั้งแต่ปี 2000-2021 ในการพยากรณ์ราคาน้ำมันดิบบนพื้นฐานของแบบจำลอง LSTM โดยใช้โมเดลที่นำเสนอเปรียบเทียบค่า Loss และหาค่าที่ดีที่สุด งานวิจัยนี้พบว่า LSTM เป็นโมเดลที่มีความแม่นยำในการพยากรณ์ที่ดีที่สุด โดยมีค่า MAPE เท่ากับ 15.28 ซึ่งเป็นค่า Loss ที่น้อยที่สุดในงานวิจัยนี้

Abstract: Crude oil is one of the important factors in the industrial country development. The oil price will vary with the production cost. This paper presents the comparison of crude oil price prediction between baseline model and Long Short Term Memory (LSTM) method. Deep Learning using Long Short Term Memory (LSTM) method is a type of neural network designed for sequential processing. LSTM is classified as a Recurrent Neural Network (RNN) which is an automated learning method by mimicking the functioning of neural networks. By using neural network to overlap multiple layers and train data, it is an important factor in crude oil price prediction. It was determined by measuring the effect of the RNN model in Deep Learning and considering the significant Mean Absolute Percentage Error (MAPE). In addition, model performance evaluation varies by time which describes the movement of crude oil prices. It uses crude oil price data from Yahoo Finance as 20-years historical dataset to forecast crude oil price. Based on LSTM model, the proposed methods were compared the error and find the best value. This research found that LSTM is the best model to predict the price with an accuracy MAPE as 15.28 which gives the lowest loss in this research.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2564

Modified: 2568-05-22

Issued: 2568-05-22

บทความ/Article

application/pdf

BibliograpyCitation : ใน สมาคมสภาคณบดีคณะเทคโนโลยีสารสนเทศ. การประชุมวิชาการระดับประเทศทางด้านเทคโนโลยีสารสนเทศ ครั้งที่ 13 (NCIT 2021) (pp.87-92). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCIT 2021pp.87-92.pdf	444.4 KB	5	2025-08-28 20:11:40

ใช้เวลา

0.020759 วินาที