Forecasting the international trade

Forecasting the international trade of rice is difficult because demand and supply are affected by many unpredictable factors (e.g., trade barriers and subsidies, agricultural and environmental factors, meteorological factors, biophysical factors, changing demographics, etc.) that interact in a complex manner. This paper compares the performance of artificial neural networks (ANNs) with exponential smoothing and ARIMA models in forecasting rice exports from Thailand. To ascertain that the models can reproduce acceptable results on unseen future, we evaluated various aggregate measures of forecast error (MAE, MSE, MAPE, and RMSE) during the validation process of the models. The results reveal that while the Holt–Winters and the Box–Jenkins models showed satisfactory goodness of fit, the models did not perform as well in predicting unseen data during validation. On the other hand, the ANNs performed relatively well as they were able to track the dynamic non-linear trend and seasonality, and the interactions between them.

ผลลัพธ์ (ไทย) 1:

การคาดการณ์การค้าข้าวระหว่างประเทศเป็นเรื่องยากเนื่องจากอุปสงค์และอุปทานจะกระทบคาดปัจจัย (เช่น อุปสรรคทางการค้า และเงินอุดหนุน ปัจจัยทางการเกษตร และสิ่งแวดล้อม ปัจจัยอุตุนิยมวิทยา biophysical ปัจจัย การเปลี่ยนแปลงประชากร ฯลฯ) ที่ทำงานในลักษณะซับซ้อน กระดาษนี้เปรียบเทียบประสิทธิภาพของเครือข่ายประสาทเทียม (ANNs) กับเนนเรียบและแบบจำลอง ARIMA ในการคาดการณ์การส่งออกข้าวจากประเทศไทย เพื่อให้แน่ใจว่า แบบจำลองสามารถเกิดผลลัพธ์ที่ยอมรับในอนาคตที่ถูกมองข้าม เราสามารถประเมินมาตรการต่าง ๆ รวมการคาดการณ์ผิดพลาด (แม่ MSE, MAPE และ RMSE) ในระหว่างกระบวนการตรวจสอบรุ่น ผลการเปิดเผยที่ขณะโฮลต์ – หนาว และรุ่นกล่อง – เจนกินส์พบความพอดีความพอดี รุ่นไม่ได้ทำดีในการทำนายข้อมูลเพื่อนในระหว่างตรวจสอบ บนมืออื่น ๆ ANNs ที่ได้ค่อนข้างดีได้มีการติดตามแบบไดนามิกไม่เชิงเส้นแนวโน้ม และฤดูกาล และการโต้ตอบระหว่าง

ผลลัพธ์ (ไทย) 2:

การคาดการณ์การค้าระหว่างประเทศของข้าวเป็นเรื่องยากเพราะอุปสงค์และอุปทานได้รับผลกระทบจากหลายปัจจัยที่คาดเดาไม่ (เช่นอุปสรรคทางการค้าและเงินอุดหนุนปัจจัยทางการเกษตรและสิ่งแวดล้อมปัจจัยทางอุตุนิยมวิทยาปัจจัยชีวฟิสิกส์, การเปลี่ยนแปลงประชากร ฯลฯ ) ที่ทำงานในลักษณะที่ซับซ้อน กระดาษนี้จะเปรียบเทียบประสิทธิภาพของเครือข่ายประสาทเทียม (ANNs) ที่มีการชี้แจงให้เรียบและรูปแบบ ARIMA ในการคาดการณ์การส่งออกข้าวจากประเทศไทย ตรวจสอบให้แน่ใจว่ารูปแบบสามารถทำซ้ำผลการยอมรับเกี่ยวกับอนาคตที่มองไม่เห็นเราประเมินมาตรการต่างๆรวมของข้อผิดพลาดการคาดการณ์ (แม่ MSE, MAPE และ RMSE) ในระหว่างกระบวนการตรวจสอบของรุ่น ผลการศึกษาพบว่าในขณะที่โฮลท์ฤดูหนาวและรุ่น Box-เจนกินส์แสดงให้เห็นความดีที่น่าพอใจของพอดีรุ่นที่ไม่ได้ดำเนินการเช่นเดียวในการพยากรณ์ข้อมูลที่มองไม่เห็นระหว่างการตรวจสอบ บนมืออื่น ๆ , ANNs ดำเนินการค่อนข้างดีขณะที่พวกเขาสามารถที่จะติดตามแนวโน้มแบบไดนามิกที่ไม่ใช่เชิงเส้นและฤดูกาลและปฏิสัมพันธ์ระหว่างพวกเขา

ผลลัพธ์ (ไทย) 3:

คาดการณ์การค้าข้าวระหว่างประเทศ เป็นไปได้ยาก เพราะอุปสงค์และอุปทานได้รับผลกระทบจากปัจจัยที่ไม่แน่นอนหลาย ( เช่น อุปสรรคทางการค้า และการอุดหนุนการเกษตรและปัจจัยสิ่งแวดล้อม อุตุนิยมวิทยาปัจจัยปัจจัยทางชีวกายภาพ การเปลี่ยนแปลงประชากร ฯลฯ ) ที่โต้ตอบในลักษณะที่ซับซ้อน กระดาษนี้จะเปรียบเทียบประสิทธิภาพของโครงข่ายประสาทเทียม ( แอนน์ ) กับแบบปรับให้เรียบ และตัวแบบ ARIMA ในการพยากรณ์การส่งออกข้าวจากประเทศไทย เพื่อให้แน่ใจว่ารุ่นที่สามารถทำซ้ำผลที่ยอมรับได้กับอนาคตที่มองไม่เห็น เราประเมินมาตรการรวมต่างๆของพยากรณ์ ( แม่ , MSE , MAPE , RMSE ) ในระหว่างการตรวจสอบกระบวนการของรูปแบบ ผลการวิจัย พบว่า ในขณะที่โฮล - หนาวและกล่อง - เจนกินส์รุ่นพบพระเจ้าที่น่าพอใจของพอดี แบบไม่ได้แสดงเป็นอย่างดีในการพยากรณ์ข้อมูลที่มองไม่เห็นในระหว่างการตรวจสอบ บนมืออื่น ๆ , ทางปฏิบัติค่อนข้างดีเท่าที่พวกเขาสามารถติดตามแบบไดนามิกเส้นแนวโน้มและฤดูกาล และการมีปฏิสัมพันธ์ระหว่างพวกเขา