การพยากรณ์การส่งออกกล้วยไม้ไทยด้วยโครงข่ายประสาทเทียมและการค้นหาแบบกริดผสานการแยกโหมดเชิงประจักษ์Forecasting Thai Orchid Exports Using Artificial Neural Networks and Grid Search Integrated with Empirical Mode Decomposition

Abstract

งานวิจัยนี้พัฒนากรอบการพยากรณ์แบบผสมโดยบูรณาการการแยกโหมดเชิงประจักษ์ร่วมกับโครงข่ายประสาทเทียม และปรับค่าพารามิเตอร์ด้วยการค้นหาแบบกริด ระเบียบวิธีที่นำเสนอแยกสัญญาณการส่งออกรายเดือนออกเป็นฟังก์ชันโหมดแฝงและองค์ประกอบส่วนที่เหลือซึ่งเปลี่ยนข้อมูลเดิมเป็นปริภูมิใหม่ผ่านการแยกโหมดเชิงประจักษ์ จากนั้นออกแบบโครงข่ายประสาทเทียมเฉพาะสำหรับแต่ละองค์ประกอบเพื่อเรียนรู้ลักษณะข้อมูลที่แตกต่างกัน ใช้ข้อมูล 72 เดือน (พ.ศ. 2562–2567) จากสำนักงานเศรษฐกิจการเกษตร และประเมินด้วยวิธีการตรึงจุดกำเนิดการพยากรณ์แบบหน้าต่างขยาย ผลการศึกษาพบว่าตัวแบบที่นำเสนอมีประสิทธิภาพเหนือกว่าตัวแบบทั่วไป ได้แก่ แบบอารีมาและโฮลต์วินเทอร์ โดยชุดข้อมูลที่ 1 (18 ค่าสังเกต) ตัวแบบที่นำเสนอสามารถให้ค่าความแม่นยำร้อยละ 88.36 ซึ่งดีกว่าตัวแบบอื่น ๆ นอกจากนี้การใช้ข้อมูลเพิ่มเติมอีก 12 ค่า รวมกับข้อมูลชุดที่ 1 (30 ค่าสังเกต) ตัวแบบที่นำเสนอยังคงให้ความแม่นยำร้อยละ 88.19 ซึ่งยังคงประสิทธิภาพใกล้เคียงกับชุดทดสอบของข้อมูลที่ 1 ดังนั้นตัวแบบที่นำเสนอมีความแม่นยำสูงกว่าตัวแบบทั่วไป และยังคงให้ผลการพยากรณ์ที่มีความคงเส้นคงวาแม้เพิ่มจำนวนข้อมูลทดสอบ จึงสามารถนำไปประยุกต์ใช้เป็นเครื่องมือสนับสนุนผู้ส่งออกและผู้กำหนดนโยบายในการเพิ่มประสิทธิภาพการบริหารสินค้าคงคลัง ลดความเสี่ยงในห่วงโซ่อุปทาน และปรับปรุงการจัดสรรทรัพยากรสำหรับโลจิสติกส์ควบคุมอุณหภูมิได้ดียิ่งขึ้น

Accurate forecasting of orchid exports is essential for production planning and cold-chain logistics in Thailand, yet export time series are often nonlinear and non-stationary. This study develops a hybrid forecasting framework that integrates Empirical Mode Decomposition (EMD) with Artificial Neural Networks (ANN) and tunes the parameters using grid search. The proposed methodology decomposes monthly export signals into the First Intrinsic Mode Function (IMF1) and a residual component, transforming the original series into component-wise learning targets. Separate ANN models are designed for each component to learn distinct data characteristics independently. The framework is validated using 72 months of monthly export data (2019–2024) obtained from the Office of Agricultural Economics. Model performance is evaluated using a rolling-origin expanding-window approach, which refits the model with all information available at each origin and tests forecasts on subsequent observations to reflect practical deployment. The results show that the proposed EMD–ANN model outperforms benchmark models, namely ARIMA and Holt–Winters. For Test Set 1 with 18 observations, the proposed model achieves an accuracy of 88.36%, exceeding the alternative models. When the evaluation is extended by adding 12 additional observations, resulting in 30 test observations in total, the proposed model maintains a comparable accuracy of 88.19%, demonstrating stable performance as the test horizon increases. Therefore, the proposed model provides higher predictive accuracy than traditional approaches while maintaining consistent forecasting performance under expanded testing conditions. It can serve as a robust decision-support tool for exporters and policymakers to improve inventory management, mitigate supply-chain risk, and enhance resource allocation for temperature-controlled logistics.