การพยากรณ์ปริมาณการผลิตก๊าซธรรมชาติในอ่าวไทยด้วยวิธีการทางวิทยาศาสตร์ข้อมูล

งานค้นคว้าอิสระนี้มุ่งเน้นการพัฒนาโมเดลการพยากรณ์ปริมาณการผลิตปิโตรเลียม โดยเฉพาะก๊าซธรรมชาติและคอนเดนเสท จากแหล่งผลิตในอ่าวไทย โดยใช้ข้อมูลการผลิตรายเดือนตั้งแต่ปี พ.ศ. 2546 ถึง พ.ศ. 2567 ร่วมกับข้อมูลการสำรวจบ่อน้ำมัน ปริมาณสำรองปิโตรเลียม และข้อมูลเศรษฐกิจ เช่น ผลิตภัณฑ์มวลรวมในประเทศ (GDP) เพื่อนำมาวิเคราะห์ปัจจัยที่ส่งผลต่อการผลิตและทำนายแนวโน้มในอนาคต ในกระบวนการวิเคราะห์ ได้มีการคัดเลือกคุณลักษณะ (Feature Selection) ด้วยเทคนิค Correlation, Forward Selection และ Backward Elimination เพื่อระบุปัจจัยที่มีอิทธิพลต่อการพยากรณ์ จากนั้นนำข้อมูลที่ผ่านการคัดเลือกไปพัฒนาโมเดลการพยากรณ์ด้วยอัลกอริทึมต่างๆ ได้แก่ Random Forest, Gradient Boosting, XGBoost, Artificial Neural Network (ANN) และ Support Vector Regression (SVR) โดยประเมินประสิทธิภาพของแต่ละโมเดลด้วยค่ารากที่สองของความคลาดเคลื่อนเฉลี่ย (Root Mean Squared Error: RMSE) และค่าสัมประสิทธิ์การตัดสินใจพหุคูณ (R-Squared: R²)ผลการวิเคราะห์พบว่า เทคนิค Backward Elimination ให้คุณลักษณะที่เหมาะสมที่สุดในการพยากรณ์ และโมเดล XGBoost ให้ผลลัพธ์แม่นยำที่สุด โดยมีค่า RMSE ต่ำสุดทั้งในส่วนของก๊าซธรรมชาติและคอนเดนเสท ขณะที่โมเดล SVR ให้ค่า R² สูงที่สุด แสดงถึงความสามารถในการจับแนวโน้มของข้อมูลได้ดี อย่างไรก็ตาม เมื่อพิจารณาจากค่า RMSE ซึ่งสะท้อนความแม่นยำของค่าพยากรณ์โดยตรง จึงสรุปได้ว่า XGBoost เป็นโมเดลที่เหมาะสมที่สุดสำหรับกรณีศึกษานี้ ในขณะที่โมเดล ANN แสดงประสิทธิภาพต่ำกว่าชัดเจนและไม่เหมาะสมกับชุดข้อมูลที่ใช้ในงานวิจัยนี้

本自主研究旨在开发泰国湾各产油区块的石油产量预测模型，具体涵盖天然气与凝析油两类产物。本研究采用佛历（พ.ศ.）2546年至2567年的月度生产数据，搭配油田勘探数据、石油储备数据以及国内生产总值（GDP）等经济指标，用以分析影响产量的相关因素并预测未来产量趋势。在分析流程中，本研究采用相关性分析（Correlation）、前向选择（Forward Selection）与后向消除（Backward Elimination）三种特征选择（Feature Selection）技术，筛选出对预测具有影响力的关键因素。随后将筛选得到的数据集用于开发多种预测模型，所选用的算法包括随机森林（Random Forest）、梯度提升（Gradient Boosting）、XGBoost、人工神经网络（Artificial Neural Network, ANN）以及支持向量回归（Support Vector Regression, SVR）。本研究采用均方根误差（Root Mean Squared Error, RMSE）与决定系数（R-Squared, R²）两项指标，对各模型的性能进行评估。分析结果显示，后向消除法筛选得到的特征集最适配预测任务，而XGBoost模型的预测精度最高，在天然气与凝析油两类产物的预测中均取得了最低的RMSE值。与此同时，SVR模型的R²值最高，表明其能够更出色地捕捉数据的变化趋势。但考虑到RMSE能够直接反映预测值的准确性，因此本研究最终判定XGBoost是最适配本次研究案例的模型；而人工神经网络（ANN）的性能显著较差，不适用于本次研究使用的数据集。