EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

การเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำและลดเวลาหน่วงของการพยากรณ์ข้อมูลอนุกรมเวลา

ณภัทร จงกล, ธนัญ จารุวิทยโกวิท

Journal of Computer and Creative Technology · 24.08.2026 · 4 (2) · e3550

DOI: 10.65205/jcct.2026.e3550 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Journal of Computer and Creative Technology, online erschienen am 24.08.2026. Verfasst von ณภัทร จงกล und 1 weiteren Autor:innen. Die Arbeit nennt 14 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).

AbstractBibliografische AngabenZitieren

Abstract (Originalsprache)

การพยากรณ์อนุกรมเวลาเป็นสิ่งสำคัญในยุคปัจจุบัน ทั้งในด้านการพยากรณ์อากาศ การเงิน และอื่น ๆ โดยเฉพาะการพยากรณ์ราคาทองคำที่มีความซับซ้อนสูงเนื่องจากได้รับอิทธิพลจากปัจจัยทางเศรษฐกิจอย่างมาก แม้ว่าในปัจจุบันจะมีการศึกษาเกี่ยวกับวิธีการพยากรณ์ราคาทองคำโดยใช้แบบจำลองเชิงลึก แต่ยังคงพบปัญหาความล่าช้าในการพยากรณ์ซึ่งส่งผลต่อความแม่นยำของทิศทางที่พยากรณ์ได้ เพื่อแก้ปัญหาดังกล่าว งานวิจัยนี้จึงมุ่งเน้นการพัฒนาแบบจำลองพยากรณ์อนุกรมเวลาราคาทองคำให้มีความแม่นยำมากขึ้นและลดปัญหาความล่าช้าในการพยากรณ์ โดยอาศัยการผสมผสานจุดเด่นระหว่างโมเดล LSTM (Long Short-Term Memory) ที่มีความสามารถในการเรียนรู้การพึ่งพาระยะยาวของข้อมูล และโมเดล CNN (Convolutional Neural Network) ที่มีความสามารถในการสกัดคุณลักษณะเชิงพื้นที่จากข้อมูลได้อย่างมีประสิทธิภาพ ประกอบกับวิธีการแบ่งกลุ่มข้อมูลตามลักษณะของแนวโน้มราคา ซึ่งช่วยให้แบบจำลองสามารถเรียนรู้รูปแบบเฉพาะของแนวโน้มแต่ละประเภทได้อย่างเหมาะสม ลดปัญหาความล่าช้าที่เกิดจากการตอบสนองต่อการเปลี่ยนแปลงของข้อมูลจริงที่ไม่ทันการณ์ และเพิ่มความแม่นยำในการพยากรณ์ราคาทองคำทั้งในด้านตัวเลขและทิศทาง ซึ่งส่งผลให้แบบจำลองมีศักยภาพในการนำไปประยุกต์ใช้ในการตัดสินใจซื้อขายในตลาดการเงินจริงได้อย่างมีประสิทธิภาพ งานวิจัยนี้ใช้ข้อมูลราคาทองคำตั้งแต่เดือนมกราคม พ.ศ. 2557 ถึงกรกฎาคม พ.ศ. 2568 รวม 2,943 วัน โดยจำแนกแนวโน้มราคาออกเป็น 3 กลุ่ม ได้แก่ ขาขึ้น, ทรงตัว, และขาลง จากนั้นฝึกแบบจำลอง 4 รูปแบบ ได้แก่ LSTM, CNN, LSTM_G3 และ CNN_G3 แล้วเลือกแบบจำลองที่เหมาะสมในแต่ละกลุ่มสร้างเป็นแบบจำลอง LSTM+CNN_G3 ผลการวิจัยพบว่าแบบจำลอง LSTM+CNN_G3 ให้ค่า MAE (Mean Absolute Error) รวมต่ำที่สุดที่ 17.68 ดอลลาร์สหรัฐ และค่า MPM (Movement Prediction Metric) รวมสูงที่สุดที่ 54.08% ซึ่งดีกว่าแบบจำลอง LSTM และ CNN ที่ไม่ได้แบ่งกลุ่มและเป็นโมเดลพื้นฐานของการทำนายข้อมูลอนุกรมเวลา แสดงให้เห็นว่าวิธีการแบ่งกลุ่มช่วยลดปัญหาความล่าช้าได้อย่างมีประสิทธิภาพ และเมื่อจำลองการซื้อขายทองคำพบว่าแบบจำลอง LSTM+CNN_G3 ให้กำไรสูงสุดที่ 1,870 ดอลลาร์สหรัฐ คิดเป็น 101.87% ของเงินทุน แสดงให้เห็นว่าการแบ่งกลุ่มข้อมูลตามแนวโน้มราคาร่วมกับการเลือกใช้สถาปัตยกรรมที่เหมาะสมสามารถเพิ่มความแม่นยำและลดปัญหาความล่าช้าได้ ส่งผลให้แบบจำลองมีศักยภาพในการนำไปประยุกต์ใช้จริงในตลาดการเงินได้อย่างมีประสิทธิภาพ

Zitieren

APA

จงกล, ณ., & จารุวิทยโกวิท, ธ. (2026). การเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำและลดเวลาหน่วงของการพยากรณ์ข้อมูลอนุกรมเวลา. Journal of Computer and Creative Technology, 4(2), e3550. https://doi.org/10.65205/jcct.2026.e3550

Vancouver

จงกล ณ, จารุวิทยโกวิท ธ. การเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำและลดเวลาหน่วงของการพยากรณ์ข้อมูลอนุกรมเวลา. Journal of Computer and Creative Technology. 2026;4(2):e3550. doi:10.65205/jcct.2026.e3550

BibTeX
@article{2026,
  author = {จงกล, ณภัทร and จารุวิทยโกวิท, ธนัญ},
  title = {การเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำและลดเวลาหน่วงของการพยากรณ์ข้อมูลอนุกรมเวลา},
  journal = {Journal of Computer and Creative Technology},
  year = {2026},
  volume = {4},
  number = {2},
  pages = {e3550},
  doi = {10.65205/jcct.2026.e3550}
}
Kostenlos starten →