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:

การคาดการณ์การค้าระหว่างประเทศของข้าวเป็นเรื่องยากเนื่องจากอุปสงค์และอุปทานมีผลต่อสาเหตุหลายไม่แน่นอน (เช่น อุปสรรคทางการค้า และเงินอุดหนุนปัจจัยการเกษตร และสิ่งแวดล้อม ปัจจัยอุตุนิยมวิทยา biophysical ปัจจัย การเปลี่ยนแปลงลักษณะประชากร ฯลฯ) ที่โต้ตอบในลักษณะที่ซับซ้อน กระดาษนี้เปรียบเทียบประสิทธิภาพของเครือข่ายประสาทเทียม (ANNs) ราบเรียบเนนและอาการแบบจำลองในการคาดการณ์การส่งออกข้าวจากประเทศไทย การตรวจรูปแบบสามารถสร้างผลลัพธ์ที่ยอมรับใน unseen ในอนาคต เราประเมินมาตรการต่าง ๆ รวมของข้อผิดพลาดที่การคาดการณ์ (แม่ MSE, MAPE และ RMSE) ในระหว่างกระบวนการตรวจสอบของรูปแบบ เปิดเผยผลลัพธ์ที่ขณะโฮลต์ – หนาว และรุ่นกล่อง – เจงกินส์แสดงความกตัญญูพอดี พอใจรูปแบบไม่ได้ทำเช่นในการทำนายข้อมูล unseen ในระหว่างการตรวจสอบ บนมืออื่น ๆ ANNs ที่ดำเนินการค่อนข้างดีเป็นพวกเขาสามารถติดตามแบบไม่เชิงเส้นแนวโน้ม และ seasonality และการโต้ตอบระหว่าง

ผลลัพธ์ (ไทย) 2:

การคาดการณ์การค้าระหว่างประเทศของข้าวเป็นเรื่องยากเพราะอุปสงค์และอุปทานได้รับผลกระทบจากปัจจัยหลายคาดเดาไม่ได้ (เช่นการกีดกันทางการค้าและเงินอุดหนุนปัจจัยการเกษตรและสิ่งแวดล้อมปัจจัยทางอุตุนิยมวิทยาปัจจัยชีวฟิสิกส์การเปลี่ยนแปลงประชากร ฯลฯ ) ที่มีผลกระทบในลักษณะที่ซับซ้อน กระดาษนี้เปรียบเทียบประสิทธิภาพการทำงานของเครือข่ายประสาทเทียม (ANNs) ที่มีการปรับให้เรียบชี้แจงและรูปแบบ ARIMA ในการพยากรณ์การส่งออกข้าวจากประเทศไทย เพื่อให้แน่ใจว่ารูปแบบสามารถทำซ้ำผลที่ยอมรับได้ในอนาคตที่มองไม่เห็นเราประเมินมาตรการต่างๆรวมของข้อผิดพลาดการคาดการณ์ (แม่, MSE, MAPE และ RMSE) ในระหว่างขั้นตอนการตรวจสอบรูปแบบ ผลการศึกษาพบว่าในขณะที่โฮลท์-ฤดูหนาวและรุ่น Box-เจนกินส์แสดงให้เห็นความดีที่น่าพอใจของพอดีรุ่นไม่ได้ดำเนินการเช่นเดียวในการพยากรณ์ข้อมูลที่มองไม่เห็นระหว่างการตรวจสอบ ในทางตรงกันข้าม, ANNs ดำเนินการค่อนข้างดีเช่นที่พวกเขามีความสามารถในการติดตามแนวโน้มการไม่เชิงเส้นแบบไดนามิกและตามฤดูกาลและการมีปฏิสัมพันธ์ระหว่างพวกเขา

ผลลัพธ์ (ไทย) 3:

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