Please use this identifier to cite or link to this item:
https://ir.stou.ac.th/handle/123456789/12961
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | ศรันย์ นาคถนอม | th_TH |
dc.contributor.author | นัทวุฒิ ขันธกสิกรรม, 2527- | th_TH |
dc.contributor.other | มหาวิทยาลัยสุโขทัยธรรมาธิราช. สำนักบัณฑิตศึกษา | th_TH |
dc.date.accessioned | 2024-11-22T02:12:39Z | - |
dc.date.available | 2024-11-22T02:12:39Z | - |
dc.date.issued | 2564 | - |
dc.identifier.uri | https://ir.stou.ac.th/handle/123456789/12961 | - |
dc.description | วิทยานิพนธ์ (วท.ม. (เทคโนโลยีสารสนเทศและการสื่อสาร))-- มหาวิทยาลัยสุโขทัยธรรมาธิราช, 2564 | th_TH |
dc.description.abstract | การวิจัยนี้มีวัตถุประสงค์เพื่อ (1) ศึกษารูปแบบการพยากรณ์ปริมาณการรับส่งข้อมูลอินเทอร์เน็ตโดยใช้เทคนิคโครงข่ายประสาทเทียม (2) พัฒนาโมเดลพยากรณ์ปริมาณการรับส่งข้อมูลอินเทอร์เน็ตโดยเทคนิคโครงข่ายประสาทเทียม และ (3) ประเมินประสิทธิภาพของโมเดลที่ใช้ในการพยากรณ์โดยเทคนิคโครงข่ายประสาทเทียมเพื่อหารูปแบบในการพยากรณ์ปริมาณการรับส่งข้อมูลอินเทอร์เน็ตที่เหมาะสมผู้วิจัยใช้ข้อมูลปริมาณการรับส่งข้อมูลอินเทอร์เน็ตจากบริษัทโทรคมนาคมแห่งชาติจำกัด (มหาชน) เดือนมกราคมถึงธันวาคม 2564 จำนวนทั้งสิ้น 12 ชุดข้อมูลและทำการแบ่งข้อมูลแต่ละชุดออกเป็น 2 ชุดประกอบด้วย ชุดที่ 1 สำหรับการเรียนรู้โมเดลพยากรณ์ ชุดที่ 2 สำหรับการทดสอบโมเดลพยากรณ์ด้วยอัตราส่วน 70 ต่อ 30 ข้อมูลนำเข้า (n) สำหรับโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับมี 5 โหนดและมีผลลัพธ์ 1 โหนดและใช้อัลกอริธีมเลเวนเบอร์ก-มารค์วอร์ทในการฝึกสอนโครงข่ายสำหรับการปรับค่าน้ำหนัก ค่าไบแอส และค่าจำนวนโหนดในชั้นซ่อนที่แตกต่างกันเพื่อออกแบบโครงข่ายประสาทเทียมที่ทำให้มีค่าเฉลี่ยร้อยละความผิดพลาดสัมบูรณ์ (MAPE) ต่ำที่สุด ผลการวิจัยพบว่า (1) รูปแบบการพยากรณ์โดยใช้เทคนิคโครงข่ายประสาทเทียมเพอร์เซ็ปตรอนหลายชั้นแบบแพร่ย้อนกลับเป็นรูปแบบที่เหมาะสมสำหรับการพยากรณ์ปริมาณการรับส่งข้อมูลอินเทอร์เน็ต (2) โมเดลดังกล่าวได้ใช้เทคนิคของอัลกอริธึมเลเวนเบอร์ก-มารค์วอร์ทสำหรับการพัฒนาโมเดลเพื่อหาจำนวนโหนดในชั้นซ่อนที่เหมาะสมได้เท่ากับ 2 เท่าของ n และผลจากการประเมินประสิทธิภาพพบว่า (3) โมเดลการพยากรณ์ที่ได้ทำการพัฒนาเพื่อพยากรณ์ปริมาณการรับส่งข้อมูลอินเทอร์เน็ตสำหรับโมเดลแบบ 1n, 2n, 3n, 4n, และ 5n มีค่าเฉลี่ยร้อยละความผิดพลาดสัมบูรณ์ของการพยากรณ์เป็น 3.59, 3.01, 4.02, 4.08 และ 5.95 ตามลำดับ โดยการพยากรณ์ของโมเดลแบบ 2n เป็นโมเดลที่ให้ค่าเฉลี่ยร้อยละความผิดพลาดสัมบูรณ์ต่ำที่สุด | th_TH |
dc.format | application/pdf | en_US |
dc.language.iso | th | en_US |
dc.publisher | มหาวิทยาลัยสุโขทัยธรรมาธิราช | th_TH |
dc.rights | มหาวิทยาลัยสุโขทัยธรรมาธิราช | th_TH |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) | en_US |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | en_US |
dc.source | Born digital | en_US |
dc.subject | ระบบสื่อสารข้อมูล | th_TH |
dc.subject | โครงข่ายบริการสื่อสารร่วมระบบดิจิทัล | th_TH |
dc.subject | เครือข่ายคอมพิวเตอร์ | th_TH |
dc.subject | การสื่อสารด้วยระบบดิจิทัล | th_TH |
dc.title | การพัฒนาโมเดลพยากรณ์สำหรับปริมาณการรับส่งข้อมูลอินเทอร์เน็ต โดยใช้เทคนิคโครงข่ายประสาทเทียม | th_TH |
dc.title.alternative | Development forecasting model for internet data transfer using neural network technique | en_US |
dc.type | Thesis | en_US |
dc.degree.name | วิทยาศาสตรมหาบัณฑิต | th_TH |
dc.degree.level | ปริญญาโท | th_TH |
dc.degree.discipline | สาขาวิชาวิทยาศาสตร์และเทคโนโลยี | th_TH |
dc.degree.grantor | มหาวิทยาลัยสุโขทัยธรรมาธิราช | en_US |
dc.description.abstractalternative | The objectives of this study were: (1) to study the forecasting model of Internet traffic volume using neural network techniques, (2) to develop the forecasting model for Internet traffic using neural network techniques, and (3) to evaluate an effectiveness of forecasting models by neural network techniques. The researcher used the 12 data sets of National Telecom Public Company Limited between January to December 2021 and divided each data set into 2 sets. The first set is for learning forecast models and the seconf set is for testing predictive models with a ratio of 70 to 30. The input node (n) for a backward propagation neural network has 5 nodes and the output has 1 node and the neural network uses the Levenberg-Markwort algorithm to train the network for tuning weights, bias values, and the number of nodes in different hidden layers to design a neural network that makes the lowest of the Mean Absolute Percentage Error (MAPE). The results showed that (1) the forecasting model was a multi-layer perceptron neural network technique suitablely for forecasting Internet traffic and (2) the model was developed using the technique of the Levenberg-Markwort algorithm to find the optimum number of nodes in the hidden layer equal to 2 times of input data and the result of the performance evaluation found that (3) the forecasting model has been developed to forecast Internet traffic for 1n, 2n, 3n, 4n and 5n models have the MAPE are 3.59, 3.01, 4.02, 4.08, and 5.95 respectively which the 2n model was the model that gives the lowest value of MAPE | en_US |
dc.contributor.coadvisor | เตชค์ฐสิณป์ เพียซ้าย | th_TH |
Appears in Collections: | Science Tech - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
FULLTEXT.pdf | เอกสารฉบับเต็ม | 40.02 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License