An Efficiency Comparison of Forecasting Models for the Amount of Water in Dam by Data Mining Techniques
Keywords:
Forecasting, Amount of water in the dam, Data MiningAbstract
This research aimed to construct a reasonable model to forecast water volume in Bhumibol Dam, Tak province by applying Data Mining techniques and comparing efficiency to find out the most suitable model for forecasting. The data used in this study were daily data from dam water status reports and meteorological data from the National Hydroinformatics Data Center (NHC) and the Northern Meteorological Center from the date of January 1, 2011 to May 31, 2021, with a total of 3,804 items were analyzed according to the standard processes in data mining (Cross-Industry Standard Process for Data Mining or CRISP-DM). The Data Mining techniques used in forecasting were consisted of 4 techniques. There were Artificial Neural Networks technique (ANN), Model Tree: M5P technique (M5P), K-Nearest Neighbor Algorithm technique (K-NN), and Support Vector Machines technique (SVM). The results of the research found that the Model Tree: M5P technique was the most suitable techniques for modeling water volume forecasting in the Bhumibol Dam. It gave the lowest mean absolute error (MAE) and root mean squared error (RMSE) at 461.519 and 754.416, respectively. The resulting forecast model could be used for decision-making and policy-making in drainage management and downstream water management accordingly, in order to bring in maximum benefits to both agriculture consumption and consumption. It was also the information that helped in the ecosystem management, nature and environment including the supply of economic plant species in accordance with the amount of water in the next dams
References
การไฟฟ้าฝ่ายผลิตแห่งประเทศไทย. (2561). เขื่อนภูมิพล. ค้นเมื่อ 26 กันยายน 2564, จาก https://rb.gy/lgjyg8.
จิรโรจน์ ตอสะสุกุล และสุพิชชา ขัดธิพงษ์. (2564). การประยุกต์ใช้เทคนิคการทำเหมืองข้อมูลสำหรับพยากรณ์ปริมาณน้ำในเขื่อนภูมิพล จังหวัดตาก. ในการประชุมสัมมนาวิชาการเพื่อนำเสนอผลงานวิจัยระดับชาติ (หน้า 645-646). มหาสารคาม : คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม.
ทรงศิริ แต้สมบัติ. (2549). การพยากรณ์เชิงปริมาณ. กรุงเทพฯ : สำนักพิมพ์มหาวิทยาลัยเกษตรศาสตร์.
นิพนธ์พันธุ์ ศศิธร. (2561). มูลค่าทางเศรษฐกิจของความเสื่อมโทรมของทรัพยากรน้ำเข้าสู่เขื่อนภูมิพลและหลักการและเหตุผลสำหรับการคุ้มครองธรรมชาติในพื้นที่ภาคเหนือของประเทศไทย. วิทยานิพนธ์มหาบัณฑิต สถาบันบัณฑิตพัฒนบริหารศาสตร์.
รุ่งนภา สุทธิชัย จรวย สาวีถี และมณีรัตน์ วงษ์ซิ้ม. (2561). ความสัมพันธ์ระหว่างความชาญฉลาดทางธุรกิจกับ ความสำเร็จองค์กรของธุรกิจพาณิชย์อิเล็กทรอนิกส์ในประเทศไทย. วารสารการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม, 10(1), 197-206.
วีรศักดิ์ ฟองเงิน วรปภา อารีราษฎร์ และเผด็จ พรหมสาขา ณ สกลนคร. (2017). การพยากรณ์ปริมาณน้ำในเขื่อนกิ่วลม โดยใช้เทคนิคเหมืองข้อมูล. วารสารวิทยาการจัดการสมัยใหม่ คณะวิทยาการจัดการมหาวิทยาลัยราชภัฏลําปาง, 10(2), 121-131.
สำนักข่าวออนไลน์ไทยพับลิก้า. (2564, 8 มิถุนายน). ฝนทิ้งช่วงเขื่อนใหญ่ภาคเหนือ-ตะวันตก เหลือน้ำใช้การได้ 6%. [ฉบับอิเล็กทรอนิกส์]. ไทยพับลิก้า. ค้นเมื่อ 16 สิงหาคม 2564, จาก https://bit.ly/3lhYuuq.
สำนักบริหารจัดการน้ำและอุทกวิทยา. (2563). แผนการป้องกันและบรรเทาภัยอันเกิดจากน้ำ (ฤดูฝน) พ.ศ.2563. กรุงเทพฯ : กรมชลประทาน.
สุรพงศ์ เอื้อวัฒนามงคล. (2562). การทำเหมืองข้อมูล. กรุงเทพฯ : สำนักพิมพ์สถาบันบัณฑิตพัฒนบริหารศาสตร์.
อนุชิต เนาแสง ชลธิชา วงษ์คะสุ่ม และคณะ. (2563). การพยากรณ์ปริมาณน้ำในเขื่อนอุบลรัตน์ จังหวัดขอนแก่น
โดยใช้เทคนิคการทำเหมืองข้อมูล. ใน การประชุมวิชาการระดับชาติวิทยาศาสตร์ เทคโนโลยีและนวัตกรรม (มหาวิทยาลัยแม่โจ้) ครั้งที่ 1 (หน้า 595-608). เชียงใหม่ : คณะวิทยาศาสตร์ มหาวิทยาลัยแม่โจ้.
อัมเรศ รินทรามี รัตนาวดี สนธิประสาท และณัฐวุฒิ ตันติเศรษฐ. (2563). ผลกระทบของการทำเหมืองข้อมูลทางการบัญชีที่มีต่อประสิทธิภาพการตัดสินใจขององค์กรของธุรกิจชิ้นส่วนยานยนต์ในประเทศไทย. วารสารการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม, 11(4), 31-40.
Ahmadi, M., & Khashei, M. (2021). Generalized support vector machines (GSVMs) model for Real-world time series forecasting. Research Square, 1, 1-22.
Behnood, A., Behnood, V., Gharehveran, M. M., & Alyamac, K. E. (2017). Prediction of the compressive strength of normal and high-performance concretes using M5P model tree algorithm. Construction and Building Materials, 142, 199-207.
Dutta, S., & Bandyopadhyay, S. K. (2020). Early lung cancer prediction using neural network with Cross-validation. Asian Journal of Research in Infectious Diseases, 4(4), 15-22.
Granata, F., & Di Nunno, F. (2021). Artificial intelligence models for prediction of the tide level in Venice. Stochastic Environmental Research and Risk Assessment, 35(12), 1-12.
Granata, F., Saroli, M., de Marinis, G., & Gargano, R. (2018). Machine learning models for spring discharge forecasting. Geofluids, 2018, 1-15.
Guyennon, N., Salerno, F., Rossi, D., Rainaldi, M., Calizza, E., & Romano, E. (2021). Climate change and water abstraction impacts on the long-term variability of water levels in Lake Bracciano (Central Italy): A Random Forest approach. Journal of Hydrology: Regional Studies, 37, 1-13.
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques (3rd ed.). Amsterdam : Elsevier.
Kantardzic, M. (2011). Data mining: concepts, models, methods, and algorithms (2nd ed.). Hoboken : John Wiley & Sons.
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (2008). Forecasting methods and applications. John Wiley & sons.
Pires, I. M., Marques, G., Garcia, N. M., & Ponciano, V. (2020). Machine learning for the evaluation of the presence of heart disease. Procedia Computer Science, 177, 432-437.
Quinlan, J. R. (1992). Learning with continuous classes. Paper presented at the 5th Australian joint conference on artificial intelligence, Tasmania, Australia.
Tan, P. N., Steinbach, M., & Kumar, V. (2016). Introduction to data mining. New Delhi : Pearson Education.
Vijai, P., & Sivakumar, P. B. (2018). Performance comparison of techniques for water demand forecasting. Procedia computer science, 143, 258-266.
Wang, Q., & Wang, S. (2020). Machine learning-based water level prediction in Lake Erie. Water, 12(10), 2654.
Witten, I. H., & Frank, E. (2005). Data mining: Practical machine learning tools and techniques (2nd ed.). San Francisco : Morgan Kaufmann Publisher.
Zhang, W., Wu, C., Zhong, H., Li, Y., & Wang, L. (2021). Prediction of undrained shear strength using extreme gradient boosting and random forest based on Bayesian optimization. Geoscience Frontiers, 12(1), 469-477.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Journal of Accountancy and Management
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารการบัญชีและการจัดการ
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยมหาสารคาม และคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
