A Hybrid ARIMA and Artificial Neural Networks Model Using L-BFGS-B Method for Forecasting the Annual Chicken Meat Production

Abstract

สินค้าปศุสัตว์มีบทบาทที่สำคัญสำหรับการบริหารจัดการด้านความมั่นคงทางอาหาร โดยผลิตภัณฑ์เนื้อไก่เป็นหนึ่งในสินค้าปศุสัตว์ที่สำคัญ ซึ่งเป็นแหล่งโปรตีนที่สำคัญสำหรับประชากรและนิยมบริโภคในหลายประเทศทั่วโลก รวมทั้งมีปริมาณความต้องการที่เพิ่มขึ้นอย่างต่อเนื่องตามการเพิ่มขึ้นของจำนวนประชากร สำหรับการบริหารจัดการด้านความมั่นคงทางอาหาร หนึ่งในสารสนเทศที่จำเป็น คือ ปริมาณการผลิตด้านอุปทานเพื่อให้สามารถเตรียมปริมาณผลิตภัณฑ์เนื้อไก่ที่สามารถเข้าถึงได้และเพียงพอสำหรับประชากร แต่ปริมาณการผลิตในแต่ละช่วงเวลามีลักษณะที่ไม่แน่นอน ซึ่งเป็นผลจากปัจจัยที่ไม่สามารถควบคุมได้ การพยากรณ์จึงเข้ามามีบทบาทที่สำคัญเพื่อทำนายค่าในอนาคต โดยงานวิจัยนี้ พัฒนาและนำเสนอตัวแบบผสมของตัวแบบอารีมาและตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าด้วยวิธีการกึ่งนิวตันแบบมีขอบเขต โดยนำตัวแบบผสมดังกล่าวเปรียบเทียบประสิทธิภาพกับตัวแบบพยากรณ์ 4 ตัวแบบ ได้แก่ ตัวแบบอารีมา ตัวแบบการปรับเรียบแบบเอ็กโพเนนเชียลอย่างง่าย ตัวแบบการปรับเรียบแบบเอ็กโพเนนเชียลแบบมีแนวโน้ม และตัวแบบซัพพอร์ตเวกเตอร์รีเกรตชัน ซึ่งตัวแบบพยากรณ์ต่าง ๆ เปรียบเทียบตามเกณฑ์การวัดประสิทธิภาพ 3 เกณฑ์ ได้แก่ ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย ค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย และร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยแบบสมมาตร จากผลการเปรียบเทียบแสดงให้เห็นว่า ตัวแบบผสมที่เสนอมีประสิทธิภาพดีกว่าตัวแบบพยากรณ์ต่าง ๆ โดยมีค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยน้อยกว่าร้อยละ 10 ซึ่งมีความแม่นยำสูงและสามารถใช้เป็นเครื่องมือสำหรับการทำนายปริมาณการผลิตของผลิตภัณฑ์เนื้อไก่ประกอบการวางแผนและบริหารจัดการด้านความมั่นคงทางอาหาร

Livestock products play an important role in food security management. One of the livestock products is chicken meat, which is a source of protein and popular staple food for human all over the world. Moreover, the demand of chicken meat tends to increase due to population increment. For food security management, one of the most important information is production of supply side in order to provide available and sufficient production for people. However, the production of chicken meat is fluctuating and uncertain in each year due to uncontrolled effects. Consequently, forecasting techniques play a crucial role for prediction in advance. In this research, a hybridization of ARIMA, Feed-forward neural network, and L-BFGS-B methods is developed and proposed to extrapolate production of chicken meat in advance. Furthermore, the proposed model is compared to four forecasting models, which are ARIMA, Holt’s method, simple exponential smoothing, and support vector regression, respectively. The comparison is based on three accuracy measures that are mean absolute error, mean absolute percentage error, and symmetric mean absolute percentage error, respectively. The empirical results revealed that the proposed model outperforms other forecasting models. Moreover, the proposed model provides less than 10% of mean absolute percentage error, which indicates that the proposed model can provide more accuracy of forecasting. Therefore, the proposed model can be a promising tool for prediction of chicken meat productions in order to support decision making on food security management.