A Hybrid Machine Learning Techniques and Statistical Model for Forecasting the Export Value of Durian
Notice bibliographique
Résumé
Abstract Over the past 20 years, the value of Thailand’s fresh durian exports has steadily increased, establishing durian as a significant agricultural export product. This study aims to identify the key factors influencing Thailand’s durian export value and develop accurate forecasting models using a combination of statistical and machine learning methods. Quarterly data from 2002 to 2022, spanning 84 quarters, was analyzed using four statistical approaches—Winter’s Exponential Smoothing, Seasonal Autoregressive Integrated Moving Average (SARIMA), Multiple Linear Regression, and Seasonal Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX)—and two machine learning techniques—Support Vector Regression (SVR) and Multilayer Perceptron Neural Networks (MLP). A novel combined forecasting method, hybrid models, integrating statistical and machine learning models, was also developed to enhance predictive accuracy. The results revealed that the volume of Thailand’s durian exports and China’s gross domestic product (GDP) are significant factors positively correlated with the export value. In terms of forecasting accuracy, machine learning methods demonstrated superior performance compared to traditional statistical models. Notably, the combined SARIMAX-MLP model delivered the highest accuracy, outperforming both individual approaches. This study offers an innovative contribution by integrating statistical and machine learning techniques to improve forecasting precision for Thailand’s durian export value. These findings are valuable for policymakers, businesses, and researchers involved in agricultural export planning and management. The study also provides a foundation for future research, with potential applications of these methods to other agricultural products and sectors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».