การพยากรณ์ความต้องการเปลี่ยนถ่ายน้ำมันเครื่องตัวแบบโฮลท์-วินเทอร์ส เพื่อการวางแผนสินค้าคงคลัง: กรณีศึกษาศูนย์บริการรถบรรทุกในจังหวัดสงขลา
Article Sidebar
Main Article Content
บทคัดย่อ
การพยากรณ์ความต้องการเปลี่ยนถ่ายน้ำมันเครื่องโดยใช้ตัวแบบโฮลท์-วินเทอร์ส กรณีศึกษาศูนย์บริการรถบรรทุกในจังหวัดสงขลา มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ความต้องการเปลี่ยนถ่ายน้ำมันเครื่องสำหรับรถบรรทุกขนาดใหญ่ โดยใช้ตัวแบบโฮลท์-วินเทอร์ส และแนวโน้มเชิงเส้น ข้อมูลที่ใช้ในการศึกษาเป็นข้อมูลรายเดือนจากศูนย์บริการรถบรรทุกในจังหวัดสงขลา ตั้งแต่เดือนมกราคม พ.ศ. 2562 ถึงเดือนธันวาคม พ.ศ. 2564 ซึ่งประกอบด้วยข้อมูล 36 เดือน งานวิจัยนี้เปรียบเทียบประสิทธิภาพของแบบจำลองการพยากรณ์อนุกรมเวลา ได้แก่ แนวโน้มเชิงเส้นของโฮลท์ แนวโน้มเชิงเส้นของบราวน์ แนวโน้มเชิงเส้นแบบมีค่าลด ตัวแบบวินเทอร์สแบบคูณ และ ตัวแบบวินเทอร์สแบบบวก เพื่อค้นหาวิธีการที่เหมาะสมที่สุดสำหรับการวางแผนความต้องการบริการในอนาคต โดยพิจารณาประสิทธิภาพของแบบจำลองจากค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE), ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) และค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) ผลการวิจัยพบว่าตัวแบบวินเทอร์สแบบบวกให้ผลการพยากรณ์ที่มีความแม่นยำสูงสุด โดยมีค่า MAPE ต่ำสุดที่ 7.45% ที่ช่วงความเชื่อมั่น 95 % (5.27 - 9.64) และมี p-value 0.159 ระหว่างแบบจำลอง ซึ่งแสดงให้เห็นถึงความสามารถของแบบจำลองในการพยากรณ์ความต้องการเปลี่ยนถ่ายน้ำมันเครื่องได้อย่างแม่นยำ ผลการวิจัยนี้สามารถนำไปประยุกต์ใช้ในการวางแผนการจัดการสต็อกน้ำมันเครื่อง และการจัดสรรทรัพยากรของศูนย์บริการรถบรรทุกในจังหวัดสงขลาได้อย่างมีประสิทธิภาพ รวมถึงการปรับปรุงการให้บริการและลดต้นทุนการดำเนินงานด้านสินค้าคงคลังได้ต่อไป
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับตีพิมพ์ในวารสารนี้เป็นลิขสิทธิ์ของคณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏนครศรีธรรมราช
อนึ่งผลงานวิจัยและผลงานทางวิชาการที่ปรากฏเผยแพร่ในวารสารฯ เป็นความคิดเห็นอิสระของผู้แต่ง โดยผู้แต่งเป็นผู้รับผิดชอบต่อผลทางกฎหมายใด ๆ ที่อาจจะเกิดขึ้นจากบทความเผยแพร่นั้น ซึ่งกองบรรณาธิการและคณะผู้จัดทำวารสารฯ ไม่จำเป็นต้องเห็นด้วยเสมอไป
เอกสารอ้างอิง
Johansen, S. 1992. “Determination of Cointegration Rank in the Presence of a Linear Trend,” Oxford Bulletin of Economics & Statistics. 54(3): pp. 383–397.
Donaldson, W. A. 1977. “Inventory Replenishment Policy for a Linear Trend in Demand—An Analytical Solution,” Journal of the Operational Research Society. 28(3): pp. 663-670; https://doi.org/10.1057/jors.1977.142
Khuanluean, W. and Kanjanasamranwong, P. 2018. “Factors affecting toward Number of Automobile Sales in Thailand,” Journal of Science and Technology, Ubon Ratchathani University. 20(2): pp. 174–184. (in Thai)
Buakla, A., Sangsrichan, C., Mahawan, N., Unnan, C., and Pochan, J. 2022. “A Factor analysis for influencing the development of truck driver skills in the eastern special development zone,” Industrial Technology and Engineering Pibulsongkram Rajabhat University Journal. 15(2): pp. 93–106. (in Thai)
Phuchittrasin, R., Rattanakool, T., Sukkrajang, K., Kaewdee, C., Pansrinual, W., and Sudsomboon, W. 2024. “A Comparison of moving average and simple exponential smoothing methods for predicting engine oil change demand in trucks: A case study in Songkhla province,” Academic Journal of Industrial Technology Innovation. 2(2): pp. 1–12. (in Thai)
Atoyebi, S. B., Olayiwola, M. F., Oladapo, J. O., and Oladapo, D. I. 2023. “Forecasting Currency in Circulation in Nigeria Using Holt-Winters Exponential Smoothing Method,” South Asian Journal of Social Studies and Economics. 20(1): pp. 25-41; https://doi.org/10.9734/sajsse/2023/v20i1689.
Tularam, G. A. and Saeed, T. 2016. “Oil-Price Forecasting Based on Various Univariate Time-Series Models,” American Journal of Operations Research. 6(3): pp. 226-235.
Rodriguez, H., Puig, V., Flores, J. J., and Lopez, R. 2016. “Combined holt-winters and GA trained ANN approach for sensor validation and reconstruction: Application to water demand flowmeters,” in Proceedings of 3rd International Conference on Control and Fault-Tolerant Systems (SysTol), 7-9 September 2016. Barcelona, Spain, pp. 202–207.
Williams, B. M. and Hoel, L. 1999. Modeling and forecasting vehicular traffic flow as a seasonal stochastic time series process. [Online]. Available: https://www.semanticscholar.org/paper/MODELING-AND-FORECASTING-VEHICULAR-TRAFFIC-FLOW-AS-Williams-Hoel/86065d1d235885543cc1973999e6444150c35c7d. Accessed 11 November 2024.
Zhou, W., Tao, H., and Jiang, H. 2022. “Application of a novel optimized fractional grey holt-winters model in energy forecasting,” Sustainability. 14(5): pp. 3118; https://doi.org/10.3390/ su14053118
Rajopadhye, M., Ghalia, M. B., Wang, P. P., Baker, T., and Eister, C. V. 1999. “Forecasting uncertain hotel room demand,” in Proceedings of the 1999 American Control Conference (Cat. No. 99CH36251), 2-4 June 1999, San Diego, CA, USA, 3: pp. 1925–1929.
Touama, D. H. Y., 2014. “Application of the statistical analysis for prediction of the Jordanian GDP by using ARIMA time series and holt’s linear trend models for the period (2003-2013),” Mathematical Theory and Modeling. 4(14): pp. 19-27.
Sbrana, G., 2012. “Damped trend exponential smoothing: prediction and control,” Journal of Quantitative Economics. 10 (2): pp. 152–192.
Hansun, S. 2017. “New estimation rules for unknown parameters on holt-winters multiplicative method,” J. Math. Fund. Sci. 49(2): pp. 127.
Starychenko, Y., Skrypnyk, A., Babenko, V., Klymenko, N., and Tuzhyk, K. 2020. “Food security indices in Ukraine: Forecast methods and trends,” Studies of Applied Economics. 38(4): pp. 1–8.
Ahmar, A. S. 2020. “Forecast error calculation with mean squared error (MSE) and mean absolute percentage error (MAPE),” JINAV: Journal of Information and Visualization. 1(2): pp. 94–96.
Robeson, S. M. and Willmott, C. J. 2023. “Decomposition of the mean absolute error (MAE) into systematic and unsystematic components,” PloS one. 18(2): pp. e0279774; https://doi.org/ 10.1371/journal.pone.0279774
Hodson, T. O., Over, T. M., and Foks, S. S. 2021. “Mean Squared Error, Deconstructed,” J Adv Model Earth Syst. 13(12): pp. e2021MS002681; https://doi.org/10.1029/2021MS002681
