ขั้นตอนวิธีสำหรับการพยากรณ์ผลผลิตอ้อยเพื่อป้อนเข้าสู่โรงงานอุตสาหกรรม

ณัฐนนท์ ลีลาตระกูล; สุนิสา ริมเจริญ; สุภาวดี ศรีคำดี

dc.contributor.author	ณัฐนนท์ ลีลาตระกูล
dc.contributor.author	สุนิสา ริมเจริญ
dc.contributor.author	สุภาวดี ศรีคำดี
dc.contributor.other	มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ
dc.date.accessioned	2019-08-01T09:23:27Z
dc.date.available	2019-08-01T09:23:27Z
dc.date.issued	2561
dc.identifier.uri	http://dspace.lib.buu.ac.th/xmlui/handle/1234567890/3667
dc.description.abstract	อ้อยเป็นพืชเศรษฐกิจที่สำคัญที่ใช้ในอุตสาหกรรมการผลิตน้ำตาล แต่ปริมาณอ้อยที่เกษตรกรผลิต เพื่อส่งเข้าสู่โรงงานมีความไม่แน่นอน ส่งผลให้โรงงานผลิตน้ำตาลมีความเสี่ยงในแง่ของวัตถุดิบในการผลิต การพยากรณ์ปริมาณผลผลิตอ้อยของเกษตรกรจะช่วยให้โรงงานผลิตน้ำตาลสามารถคาดการณ์และวางแผนการผลิตได้เหมาะสม งานวิจัยนี้จึงนำเสนอขั้นตอนวิธี (mu+lambda) adaptive evolution strategies สำหรับสร้างสมการพยากรณ์ ปริมาณผลผลิตอ้อยของเกษตรกร ขั้นตอนวิธีที่นำ เสนอเป็นการนำเอาข้อดีของสองอัลกอริทึมมารวมกัน กล่าวคือ นำความสามารถของ genetic algorithm ในการหารูปแบบของสมการมารวมกับความสามารถของ evolution strategies ในการปรับค่าสัมประสิทธิ์ สมการที่ได้จากขั้นตอนวิธีที่นำเสนอถูกนำมาทดสอบกับข้อมูลของเกษตรกร ผู้ปลูกอ้อยใน 24 จังหวัดของประเทศไทย ในปี ค.ศ. 2010 – 2014 ผลการทดลองพบว่าขั้นตอนวิธีที่นำเสนอมี ความถูกต้องในการพยากรณ์ปริมาณผลผลิตประมาณ 88% ซึ่งเมื่อเทียบกับวิธีที่เป็นที่นิยมอย่าง back propagation neural network (BPNN) พบว่าขั้นตอนวิธีที่นำเสนอมีความแม่นยำมากกว่าในทุกกรณีทดสอบ นอกเหนือจากการพยากรณ์ปริมาณผลผลิตแล้ว งานวิจัยนี้ยังนำเสนอโมเดลการพยากรณ์คุณภาพของ ผลผลิตอ้อยด้วย (CCS) ผู้วิจัยได้ศึกษาเปรียบเทียบโมเดลพยากรณ์ที่ได้จาก 3 ขั้นตอนวิธี กล่าวคือ back propagation neural network (BPNN), (mu+lambda) adaptive evolution strategies และ deep neural network ซึ่งผลการวิจัยพบว่าโดยเฉลี่ยแล้ว deep neural network ให้ค่าความผิดพลาดในการพยากรณ์ปริมาณ ผลผลิตน้อยสุด ส่วนในแง่ของการพยากรณ์คุณภาพ วิธี (mu+lambda) adaptive evolution strategies ให้ค่าความผิดพลาดต่ำสุด	th_TH
dc.description.sponsorship	โครงการวิจัยประเภทงบประมานเงินรายได้จากเงินอุดหนุนรัฐบาล (งบประมาณแผ่นดิน) ประจำปีงบประมาณ พ.ศ. 2560	th_TH
dc.language.iso	th	th_TH
dc.publisher	คณะวิทยาการสารสนเทศ มหาวิทยาลัยบุรพา	th_TH
dc.subject	อ้อย - - การปลูก	th_TH
dc.subject	อุตสาหกรรมน้ำตาล	th_TH
dc.subject	โครงข่ายประสาทเทียม	th_TH
dc.subject	อ้อย - - การปลูก - - การวิเคราะห์ข้อมูล	th_TH
dc.subject	สาขาเทคโนโลยีสารสนเทศและนิเทศศาสตร์	th_TH
dc.title	ขั้นตอนวิธีสำหรับการพยากรณ์ผลผลิตอ้อยเพื่อป้อนเข้าสู่โรงงานอุตสาหกรรม	th_TH
dc.type	Research
dc.author.email	nutthanon@buu.ac.th
dc.author.email	rsunisa@buu.ac.th
dc.author.email	srikamdee@buu.ac.th
dc.year	2561
dc.description.abstractalternative	Sugarcane is a very important crop in the sugar industry. However, the annual amount of harvested sugarcane is oftentimes uncertain, posing risks to sugarcane mills in terms of raw material supply. The forecast for the sugarcane yield would allow the mills to plan sugar production accordingly. This paper proposes (mu+lambda) adaptive evolution strategies, which generate equations for accurately forecasting the sugarcane yield. Our proposed scheme combines the advantages of two algorithms: genetic algorithm and evolution strategies. Specifically, the genetic algorithm is good for determining patterns of forecasting equations, while the evolution strategies are used to tune the equations’ coefficients. The test data is collected from sugarcane farmers in 24 provinces of Thailand during 2010 - 2014. The equations obtained by the proposed method are 80% accurate on average, outperforming the previous method (back propagation neural network) in all data set. Moreover, this research presents three forecasting models (based on a backpropagation neural network (BPNN), (μ+λ) adaptive evolution strategies (A-ES) [2], and a deep neural network (DNN)) for predicting sugarcane quality levels (called commercial cane sugar, CCS) and yield. The performance analysis of the three models is also discussed. Comparatively analyzing the accuracies of forecasting the sugarcane CCS and yield obtained from the three models, we found that 1) the DNN- based model is promising in some cases where its errors are less than the other models, 2) A-ES- and DNN- based models have comparable predicting performance on average, and 3) the DNN-based model’s prediction accuracy is sensitive to its initial values and the network structure (i.e, the train and testing error ranges are 10.0-11.6 and 12.25-13.76, respectively, while varying network structures and random seeds).	en