การพยากรณ์การขนส่งทางอากาศจากอากาศยานแต่ละประเภทด้วยวิธีผสมผสาน
คำสำคัญ:
การขนส่งทางอากาศ, การพยากรณ์, การจราจรทางอากาศ, ท่าอากาศยาน, อากาศยานบทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ (1) เพื่อสร้างสมการพยากรณ์อากาศยานที่เหมาะสมแต่ละประเภทด้วยวิธีผสมผสาน (2) เพื่อพยากรณ์อากาศยานแต่ละประเภท โดยเก็บข้อมูลจากอากาศยานแต่ละประเภท (Code A–F) จากท่าอากาศยานภูเก็ต จำนวน 336 ชั่วโมง (14 วัน) เป็นชุดฝึกสอน (train data) และเก็บข้อมูลต่อจากนั้นอีก 24 ชั่วโมง (1 วัน) เพื่อเป็นชุดทดสอบ (test data) และนำมาพยากรณ์โดยใช้ Microsoft Excel และ Microsoft Visual Basic for Application เป็นเครื่องมือในการวิเคราะห์ข้อมูล ผลการวิจัยพบว่า การสร้างสมการพยากรณ์ที่เหมาะสมมาจากอัลกอริทึมการเลียนแบบการอบอ่อนและอัลกอริทึมการเคลื่อนลงตามความชัน และเมื่อนำมาพยากรณ์พบว่าอากาศยาน Code B มีความถูกต้องร้อยละ 100 อากาศยาน Code C มีความถูกต้องร้อยละ 82.53 อากาศยาน Code D มีความถูกต้องร้อยละ 100 และ อากาศยาน Code E มีความถูกต้องร้อยละ 100
References
Aksornkitti, B., Santisiri, W., & Wongwiwat, A. (2020). The analysis and comparison of factors in delay and flight on time, one airline of Asia Region. Rajamangala University of Technology Tawan–Ok Social Science Journal, 9(1), 70–77. (in Thai)
Arthakamol, W., & Sriwong, W. (2021). Personal communication: Air Traffic Flow Management--ATFM. Aeronautical Radio of Thailand Company Limited. (in Thai)
Chantrapha, U., & Kantanantha, N. (2021). Forecasting export values of cars, equipment and parts of Thailand by Time series Methods. Thai Journal of Operation Research, 9(2), 12–20. (in Thai)
Dantas, T. M., Oliveria, F. L. C., & Repolho, H. M. V. (2017). Air transportation demand forecast through bagging Holt–Winters method. Journal of Air Transport Management, 59(2017), 116–123. doi: 10.1016/j.jairtraman.2016.12.006
GeeksforGeeks. (2022). Introduction to hill climbing: Artificial intelligence. Retrieved from https://www.geeksforgeeks.org/introduction-hill-climbing-artificial-intelligence
Huangsuwan, S., Chansawat, B., & Noitonglek, K. (2021). Commercial aviation: Social and environmental issues. EAU Heritage Journal Science and Technology, 16(1), 1–15. (in Thai)
Hutem, T., Somtom, K., Luangsuwan, W., & Tantiphanwadi, P. (2021). The use of simulated annealing algorithm for farmer’s freight vehicle route design. Thai Industrial Engineering Network Journal, 7(1), 93–106. (in Thai)
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principle and practice. Retrieved from. https://otexts.com/fpp3/
Menon, A. (2018). Linear regression using gradient descent. Retrieved from https://towardsdatascience.com/linear-regression-using-gradient-descent-97a6c8700931
Netisopakul, P., & Supasa, N. (2019). Appropriate model analysis for garment sales forecasting. MUT Journal of Business Administration, 16(2), 77–96. (in Thai)
Phaettho, P., & Lekhavat, S. (2021). Applying mathematical modelling for job shop scheduling problem: A case study of automotive part factory. Thai Journal of Operation Research, 9(2), 82–92. (in Thai)
The Civil Aviation Authority of Thailand. (2020). Thailand’s air travel demand forecasting. Retrieved from https://www.caat.or.th/th/archives/53358 (in Thai)
The International civil aviation organization. (2018). Annex 14th, aerodrome–volume I Aerodrome design and operation (8th ed.). Canada: International Civil Aviation Organization (ICAO)
Sutthison, T., & Haruay, S. (2020). The development of a hybrid model for forecasting the time series of monthly household electrical distribution units of people in the Northeast, Thailand. The Journal of KMUTNB, 30(4), 630–644. (in Thai)
Ventura, L. M. B., Pinto, F. O., Soares, L. M., Luna, A. S., & Gioda, A. (2019). Forecast of daily PM 2.5 concentration applying artificial neural network and Holt–Winter model. Air Quality Atmosphere & Health, 12(2019), 317–325. doi: https://doi.org/10.1007/s11869-018-00660-x
