การใช้ machine learning เพื่อทำนายราคานิกเกิลจากข้อมูลราคาสินแร่และราคาพลังงาน

การค้นคว้าอิสระนี้ศึกษาความสัมพันธ์และการทำนายราคานิกเกิลกับตัวแปรราคาสินแร่และราคาพลังงานต่างๆ โดยตระหนักถึงความสำคัญที่เพิ่มขึ้นของนิกเกิลในตลาดแบตเตอรี่รถยนต์ไฟฟ้า (EV) และผลกระทบต่อความพยายามในการพัฒนาอย่างยั่งยืนทั่วโลก ใช้การเก็บข้อมูลจากทั้งรายปีและรายเดือนในการทำนายสามโมเดล ได้แก่ การถดถอยเชิงเส้นหลายตัวแปร (Multiple Linear Regression) การถดถอยเวกเตอร์สนับสนุน (Support Vector Regression), และการถดถอยเครือข่ายประสาท (Neural Network Regression) เพื่อประเมินประสิทธิภาพในการทำนายราคา แต่ละโมเดลได้รับการประเมินสามขั้นตอนที่แตกต่างกัน ได้แก่ การรันแบบง่าย (Simple run) การตรวจสอบแบบไขว้ (Cross-validation) และการปรับไฮเปอร์พารามิเตอร์ (Hyperparameter tuning) เพื่อให้แน่ใจว่าผลลัพธ์ของโมเดลมีความแม่นยำและใกล้เคียงกับค่าจริงมากที่สุด ผลวิจัยพบว่าโมเดลการถดถอยเวกเตอร์สนับสนุน (Support Vector Regression) โดยเฉพาะอย่างยิ่งเมื่อปรับปรุงผ่านการปรับไฮเปอร์พารามิเตอร์ มีประสิทธิภาพสูงสุดในการทำนายราคานิกเกิล โดยมีค่า สัมประสิทธิ์แสดงการตัดสินใจ (R-Squared) = 0.9573 ความผิดพลาดกำลังสองเฉลี่ย (MSE) = 0.0021 และความผิดพลาดสัมบูรณ์เฉลี่ย (MAE) = 0.0320 งานวิจัยนี้นำเสนอองค์ความรู้ที่เป็นประโยชน์ในการทำนายราคานิกเกิลโดยอาศัยปัจจัยด้านราคาสินแร่และพลังงาน ซึ่งส่งผลต่อการตัดสินใจเชิงกลยุทธ์ในบริบทที่นิกเกิลมีความสำคัญต่อภาคพลังงานที่ยั่งยืนในอนาคต