การพยากรณ์จำนวนนักท่องเที่ยวต่างชาติที่มาประเทศไทยโดยใช้​อนุกรมเวลาและโครงข่ายประสาทเทียม

ภณพล อเนกคุณวุฒิ

dc.contributor.advisor	นระเกณฑ์ พุ่มชูศรี
dc.contributor.author	ภณพล อเนกคุณวุฒิ
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2021-09-22T23:32:22Z
dc.date.available	2021-09-22T23:32:22Z
dc.date.issued	2563
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/77164
dc.description	วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2563
dc.description.abstract	อุตสาหกรรมการท่องเที่ยวเป็นหนึ่งในอุตสาหกรรมที่ใหญ่ที่สุดในโลกและส่งผลโดยตรงต่อเศรษฐกิจของประเทศไทย การพยากรณ์จำนวนนักท่องเที่ยวต่างชาติที่เข้ามาท่องเที่ยวแต่ละเดือนมีประโยชน์ในการนำไปใช้วางแผนรับมือกับความต้องการท่องเที่ยวของชาวต่างชาติแต่ละประเทศ เนื่องจากรูปแบบการพยากรณ์ที่เฉพาะเจาะจงสามารถบ่งบอกถึงลักษณะของการท่องเที่ยวของแต่ละประเทศได้ งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอและเปรียบเทียบรูปแบบการพยากรณ์สำหรับนักท่องเที่ยวต่างชาติที่เข้ามาในประเทศไทย ประเทศที่จะทำการวิเคราะห์ ได้แก่ ประเทศจีน ญี่ปุ่น เกาหลี มาเลเซีย รัสเซีย อังกฤษ สหรัฐอเมริกา สิงคโปร์ อินเดีย ออสเตรเลีย ลาว ฮ่องกง และเยอรมัน ข้อมูลที่ใช้ในการวิจัยนี้คือจำนวนนักท่องเที่ยวชาวต่างชาติซึ่งถูกบันทึกเป็นข้อมูลรายเดือนตั้งแต่ เดือนมกราคม พ.ศ. 2556 ถึงตุลาคม พ.ศ. 2562 รูปแบบการพยากรณ์ที่นำมาใช้ ได้แก่ รูปแบบ ค่าเฉลี่ยเคลื่อนที่ตามฤดูกาลอัตโนมัติ (SARIMA) ตรีโกณมิติตามฤดูกาลการแปลงบ็อกซ์ค็อกซ์ ค่าเฉลี่ยเคลื่อนที่แบบเคลื่อนไหวอัตโนมัติแนวโน้มและฤดูกาล (TBATS) และโครงข่ายประสาทเทียม (ANN) จากนั้นวัดผลความแม่นยำโดยค่าเฉลี่ยเปอร์เซ็นต์ความผิดพลาดแบบสัมบูรณ์ (MAPE) ผลการศึกษาพบว่า ประเทศส่วนใหญ่ที่ศึกษา SARIMA เป็นวิธีที่ให้ค่าความคลาดเคลื่อนน้อยที่สุด อย่างไรก็ดีมีประเทศที่การพยากรณ์แบบอนุกรมเวลายังไม่ให้ผลเป็นที่น่าพอใจ (MAPE เกิน 8%) ได้แก่ ประเทศจีน อินเดีย และรัสเซีย และได้ใช้วิธี ANN ในการพยากรณ์เปรียบเทียบเพิ่มเติม ซึ่งมีเพียงประเทศจีนเท่านั้นที่ ANN ได้ผลแม่นยำกว่าวิธีอื่น
dc.description.abstractalternative	Tourism industry is one of the largest industry in the world and it directly impacts Thai economy. Forecasting the monthly number of foreign tourists visiting Thailand is useful for planning the tourism needs from each country because the specific forecasting patterns can indicate the nature each country’s tourists. This research objective is to present and compare forecasting models for foreign tourists visiting Thailand. Countries to be analyzed include China, Japan, Korea, Malaysia, Russia, the United Kingdom, the United States of America, Singapore, India, Australia, Laos, Hong Kong, and Germany. The data used in this research is the number of foreign tourists visiting Thailand from these countries recorded monthly from January 2013 to October 2019. The forecasting models considered are the Seasonal Autoregressive Integrated Moving Average model (SARIMA), Trigonometric Seasonal, Box-Cox Transformation, ARMA residuals, Trend and Seasonality (TBATS), and Artificial Neural Network (ANN). The performances of these methods are evaluated by the mean absolute percentage error (MAPE). From the results, MAPE from SARIMA is the least for most counties. However, the considered time series methods are not satisfactory for China, India and Russia (MAPE ≥8%). ANN method is tested in these three countries and it can help reducing errors only for China.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://www.doi.org/10.58837/CHULA.THE.2020.1171
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject	นักท่องเที่ยว -- พยากรณ์
dc.subject	การวิเคราะห์อนุกรมเวลา
dc.subject	นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)
dc.subject	Tourists -- Forecasting
dc.subject	Time-series analysis
dc.subject	Neural networks (Computer science)
dc.subject.classification	Engineering
dc.title	การพยากรณ์จำนวนนักท่องเที่ยวต่างชาติที่มาประเทศไทยโดยใช้อนุกรมเวลาและโครงข่ายประสาทเทียม
dc.title.alternative	Forecasting international tourist arrivals to Thailand using time series and artificial neuron network
dc.type	Thesis
dc.degree.name	วิศวกรรมศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิศวกรรมอุตสาหการ
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2020.1171