การพยากรณ์จำนวนผู้ป่วยโรคไข้เลือดออกรายเดือนด้วยวิธีบ๊อกซ์และเจนกินส์และทฤษฎีระบบเกรย์
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยเชิงพยากรณ์นี้ใช้วิธีการเชิงปริมาณพยากรณ์อนุกรมเวลาแบบตัวแปรเดียวโดยใช้เพียงข้อมูลตัวเลขในอดีตมาสร้างรูปแบบของข้อมูลที่จะเกิดขึ้นต่อไปในอนาคต การพยากรณ์หลายวิธีทำให้มีโอกาสเลือกแบบจำลองที่สอดคล้องกับสถานการณ์ การวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบการพยากรณ์จำนวนผู้ป่วยไข้เลือดออกรายเดือนของประเทศไทยด้วยวิธีบอกซ์และเจนกินส์และวิธีทฤษฎีระบบเกรย์ วิธีการศึกษาใช้ข้อมูลจากรายงานออนไลน์ของกระทรวงสาธารณสุข พ.ศ. 2558 ถึง 2565 แล้วทำการเลือกแบบจำลองจากทั้งสองวิธีตามเกณฑ์มีค่าเฉลี่ยร้อยละความผิดพลาดสัมบูรณ์ต่ำที่สุด ผลการศึกษาพบว่า ความแม่นยำของการพยากรณ์จำนวนผู้ป่วยรายเดือน พ.ศ. 2565 โดยใช้ข้อมูลรายเดือน พ.ศ. 2558 ถึง 2564 เมื่อพยากรณ์ด้วยทฤษฎีระบบเกรย์แบบจำลอง GM(1,1)EPC มีค่า MAPE 10.86 ส่วนวิธีบอกซ์และเจนกินส์ ได้แบบจำลองที่มีความสอดคล้องมากที่สุด คือ แบบจำลอง ARIMA(0,1,0)(0,1,1)12 มีค่า MAPE 72.41 สำหรับการพยากรณ์จำนวนผู้ป่วยไข้เลือดออกรายเดือนในปี พ.ศ. 2566 โดยใช้ข้อมูลรายเดือน พ.ศ. 2558 ถึง 2565 นั้น แบบจำลองที่มีความสอดคล้องมากที่สุด คือ ARIMA(0,1,0)(0,1,1)12 MAPE เท่ากับ 80.91 จะมีผู้ป่วยรวม 201,288 ราย แบบจำลอง GM(1,1)EPC มีค่า MAPE 18.71 ซึ่งอยู่ในเกณฑ์ใช้พยากรณ์ได้ดี จะมีผู้ป่วยรวม 110,643 คน การพยากรณ์ด้วยวิธีทฤษฎีระบบเกรย์มีความคลาดเคลื่อนน้อยกว่าวิธีบอกซ์และเจนกินส์
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of Safety and Health is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated.
References
กรมควบคุมโรค, สำนักระบาดวิทยา, สำนักโรคติดต่อนำโดยแมลง. (ม.ป.ป.). รายงานพยากรณ์โรค “ไข้เลือดออก” ปี 2561. กรมควบคุมโรค, https://ddc.moph.go.th/uploads/publish/1026620200625043737.pdf.
กรมควบคุมโรค, สำนักระบาดวิทยา, สำนักโรคติดต่อนำโดยแมลง. (ม.ป.ป.). รายงานพยากรณ์โรค “ไข้เลือดออก” ปี 2560. กรมควบคุมโรค, https://ddc.moph.go.th/uploads/publish/1026520200625043647.pdf.
กระทรวงสาธารณสุข. (2567, 14 ธันวาคม). อัตราป่วยด้วยโรคไข้เลือดออกต่อประชากรแสนคน ปี 2567. HDC, https://hdcservice.moph.go.th/hdc/reports/report.php?source=formated/format_2.php&cat_id=7f9ab56b0f39fd053143ecc4f05354fc&id=d4034b79ce2c889f3318a624543a4740.
ปรีชา เครือโสม, เฉลิมชัย ภูริพัฒน์, พิณรัตน์ นุชโพธิ์ และพรวิมล คล่องสั่งสอน. (2566). ตัวแบบระบบเกรย์สำหรับการพยากรณ์การแพร่ระบาดของโรคไข้เลือดออก : กรณีศึกษากรุงเทพมหานคร. วารสารควบคุมโรค, 49(2), 353-363.
มหาวิทยาลัยมหิดล, ศูนย์ส่งเสริมจริยธรรมการวิจัย. (2565, 2 กันยายน). แบบฟอร์มประเมินตนเอง เข้าข่ายการวิจัยในคนหรือไม่ (Eng, Thai). https://sp.mahidol.ac.th/th/ethics-human/assessment.html
มหาวิทยาลัยมหิดล. (2565, 8 มิถุนายน). ประกาศมหาวิทยลัยมหิดล เรื่อง แนวปฏิบัติสำหรับโครงการวิจัยที่ไม่เข้าข่ายการวิจัยในคน พ.ศ. 2565. มหาวิทยาลัยมหิดล ศูนย์ส่งเสริมจริยธรรมการวิจัย, https://sp.mahidol.ac.th/th/LAW/policy/2565-MU-Non-Human.pdf.
วณิกเกียรติ์ ยิ่งพันธ์, บัววรุณ ศรีชัยกุล, จตุพร เหลืองอุบล และพุทธิไกร ประมวล. (2563). ตัวแบบทำนายอุบัติการณ์การเกิดโรคไข้เลือดออกของประชาชนจังหวัดอุบลราชธานี. วารสารวิจัยสาธารณสุขศาสตร์ มหาวิทยาลัยราชภัฏอุบลราชธานี, 9(2), 174-184.
Andres D. (2023, 22 June). Error Metrics for Time Series Forecasting. Machine Learning Pills. https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/
Chen, H. L., Hsiao, W. H., Lee, H. C., Wu, S. C., & Cheng, J. W. (2015). Selection and Characterization of DNA Aptamers Targeting All Four Serotypes of Dengue Viruses. PLoS One, 10(6), e0131240. https://doi.org/10.1371/journal.pone.0131240
Deng, J. (1989). Introduction to grey system theory. The Journal of grey system, 1(1), 1-24.
Halstead, S. B. (2002). Dengue. Current Opinion in Infectious Diseases, 15(5), 471-476. https://doi.org/10.1097/00001432-200210000-00003
Hii, Y. L., Zhu, H., Ng, N., Ng, L. C., & Rocklov, R. (2012). Forecast of dengue incidence using temperature and rainfall. PLOS NEGLECTED TROPICAL DISEASES, 6(11), e1908. https://doi.org/10.1371/journal.pntd.0001908
Hikman, N., & Kartikasari, M. D. (2022). Decomposition Method with Application of Grey Model GM(1,1) for Forecasting Seasonal Time Series. Pakistan Journal of Statistics and Operation Research, 18(2), 411-416. https://doi.org/10.18187/pjsor.v18i2.3533
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts.
Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(1), 1-22. https://doi.org/10.18637/jss.v027.i03
Leung, X. Y., Islam, R. M., Adhami, M., Ilic, D., McDonald, L., Palawaththa, S., Diug, B., Munshi, S., & Karim, M. N. (2023). A systematic review of dengue outbreak prediction models: Current scenario and future directions. PLOS Neglected Tropical Diseases, 17(2), e0010631. https://doi.org/10.1371/journal.pntd.0010631
Lewis, C. D. (1982). Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. Butterworth-Heinemann.
Lin, Y. H., Chiu, C. C., Lin, Y. L., & Lee, P. C. (2013). Rainfall prediction using innovative grey model with the dynamic index. Journal of Marine Science and Technology, 21(1), 63-75.
Liu, S., & Lin, Y. (2010). Grey Systems Theory and Applications. Springer-Verlag.
Othman, M., Indawati, R., Suleiman, A. A., Qomaruddin, M. B., & Sokkalingam, R. (2022). Model Forecasting Development for Dengue Fever Incidence in Surabaya City Using Time Series Analysis. Processes, 10(11), 2454.
Pai, T. Y., Ho, C-L., Chen, S-W., Lo, H-M., Sung, P-J., Lin, S-W., Lai, W-J., Tseng, S-C., Ciou, S-P., Kuo, J.-L., & Kao, J-T. (2011). Using Seven Types of GM (1, 1) Model to Forecast Hourly Particulate Matter Concentration in Banciao City of Taiwan. Water Air and Soil Pollution, 217(1), 25-33. https://doi.org/10.1007/s11270-010-0564-0
The R Foundation. (2023). The R Project for Statistical Computing. https://www.r-project.org/.
Timescale. (2024, 6 November). Time-Series Forecasting: Definition, Methods, and Applications. https://www.timescale.com/blog/what-is-time-series-forecasting/.
Yousuf, M. U., Al-Bahadly, I., & Avci, E. (2021). A modified GM(1,1) model to accurately predict wind speed. Sustainable Energy Technologies and Assessments, 43, 100905.
Wang, Y. W., Shen, Z. Z., & Jiang, Y. (2018). Comparison of ARIMA and GM(1,1) models for prediction of hepatitis B in China. PLoS One, 13(9), e0201987. https://doi.org/10.1371/journal.pone.0201987
Zhang, Y. (2012). Improved grey derivative of grey Verhulst model and its application. International Journal of Computer Science, 9(6), 443-8.