1. CUIR at Chulalongkorn University
  2. Faculty and Institute
  3. Graduate School - Grad
  4. Grad - Theses
Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/47918
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorชัยศิริ ปัณฑิตานนท์-
dc.contributor.advisorอรัญ นำผล-
dc.contributor.authorวัลลภา อุนวิจิตร-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. บัณฑิตวิทยาลัย-
dc.date.accessioned2016-06-06T03:25:35Z-
dc.date.available2016-06-06T03:25:35Z-
dc.date.issued2539-
dc.identifier.isbn9746355724-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/47918-
dc.descriptionวิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2539en_US
dc.description.abstractวัตถุประสงค์ของงานวิจัยนี้เพื่อพัฒนารูปแบบของนิวรอลเนตเวิร์กสำหรับการพยากรณ์ราคาน้ำมันดิบแบบอนุกรมเวลา โดยรูปแบบของนิวรอลเนตเวิร์กที่พัฒนาขึ้นต้องสามารถเรียนรู้จากข้อมูลราคาน้ำมันดิบที่ใช้สอน และสามารถพยากรณ์ราคาน้ำมันในอนาคตได้โดยมีความถูกต้องแม่นยำเมื่อเทียบราคาน้ำมันที่ได้จากการพยากรณ์กับราคาน้ำมันที่เกิดขึ้นจริง งานวิจัยนี้ใช้นิวรอลเนตเวิร์กแบบการเรียนรู้ย้อนกลับมาตรฐาน โดยทำการสร้างนิวรอลเนตเวิร์ก 6 โมเดล ซึ่งแต่ละโมเดลประกอบด้วย นิวรอลนำเข้าในชั้นข้อมูลนำเข้าจำนวน 20 40 80 160 320 และ 460 ตามลำดับ ในชั้นแอบแฝงประกอบด้วยนิวรอลจำนวนเท่ากับรากที่สองของผลคูณของจำนวนนิวรอลในชั้นข้อมูลนำเข้าและจำนวนนิวรอลในชั้นแสดงผลลัพธ์ ในชั้นแสดงผลลัพธ์ประกอบด้วยนิวรอล 1 นิวรอล และใช้ซิกมอยด์ฟังก์ชันเป็นฟังก์ชันการแปลงค่า เมื่อได้ทำการสอนและทดสอบนิวรอลเนตเวิร์กทั้ง 6 รูปแบบ รูปแบบละ 10 ครั้งแล้ว สามารถสรุปผลได้ว่านิวรอลเนตเวิร์กสามารถเรียนรู้รูปแบบข้อมูลราคาน้ำมันดิบ และสามารถพยากรณ์ได้ด้วยความถูกต้องแม่นยำ และจากการทดลองใช้จำนวนนิวรอลต่างๆ กันในชั้นข้อมูลนำเข้าพบว่าจำนวนนิวรอลที่ใช้ในชั้นข้อมูลนำเข้าไม่ควรมากหรือน้อยเกินไป เพราะจะต้องใช้เวลาในการสอนมากขึ้นแต่ความแม่นยำในการพยากรณ์ไม่ได้เพิ่มขึ้น โดยจำนวนนิวรอลในชั้นข้อมูลนำเข้าที่เหมาะสมที่สุดคือ 160 วัน ซึ่งให้ค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเท่ากับ 0.7257en_US
dc.description.abstractalternativeThe objective of this research is to develop neural network model for crude oil price time series prediction. The developed neural networks model must be able to learn the taught crude oil price information and accurately predict future price, when compare predictable to actual price. In this work, 6 standard back propagation neural network models are constructed. Each model consists of 20, 40, 80, 160, 320 and 460 input neurons. At the hidden layer, there are neurons of a square root of the multiplication of input and output neurons. Output layer has one neuron. The transfer function is sigmoid function. After teaching and testing all 6 neural networks, 10 times each. The result shows that the designed neural networks can learn crude oil price pattern and can make prediction accurately. The study indicate that the number of neurons in input layer should not be too large or too small as it takes longer to learn and shows no gain in accuracy in prediction. The optimum input neuron is 160 days which gives mean absolute percentage error of 0.7257.en_US
dc.language.isothen_US
dc.publisherจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.rightsจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.subjectพยากรณ์en_US
dc.subjectนิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)en_US
dc.subjectน้ำมัน -- ราคาen_US
dc.subjectการวิเคราะห์อนุกรมเวลาen_US
dc.subjectNeural networks (Computer science)en_US
dc.titleการพยากรณ์อนุกรมเวลาสำหรับราคาน้ำมันโดยนิวรอลเนตเวิร์กen_US
dc.title.alternativeTime series prediction for oil price using neural networksen_US
dc.typeThesisen_US
dc.degree.nameวิทยาศาสตรมหาบัณฑิตen_US
dc.degree.levelปริญญาโทen_US
dc.degree.disciplineวิทยาศาสตร์คอมพิวเตอร์-
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.email.advisorไม่มีข้อมูล-
dc.email.advisorไม่มีข้อมูล-
Appears in Collections:Grad - Theses

Files in This Item:
File Description SizeFormat 
Willapa_ou_front.pdf624.52 kBAdobe PDFView/Open
Willapa_ou_ch1.pdf348.41 kBAdobe PDFView/Open
Willapa_ou_ch2.pdf1.53 MBAdobe PDFView/Open
Willapa_ou_ch3.pdf626.59 kBAdobe PDFView/Open
Willapa_ou_ch4.pdf567.08 kBAdobe PDFView/Open
Willapa_ou_ch5.pdf603.38 kBAdobe PDFView/Open
Willapa_ou_ch6.pdf284.23 kBAdobe PDFView/Open
Willapa_ou_back.pdf284.24 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.