Automatic Lac Yield and Price Trend Prediction System

Abstract

Lac is a natural product obtained from insects cultivated on host trees and plays an important role in the chemical, pharmaceutical, and cosmetics industries, particularly in tropical countries such as Thailand. However, lac production and pricing are highly volatile due to various factors, including seasonal climate variability, El Niño and La Niña events, and market uncertainty. These fluctuations undermine farmers' confidence in production planning, leaving them without reliable forecasting tools and unable to make timely decisions on whether to expand production or delay sales.

This research aims to develop a forecasting model for predicting lac yield and price trends using the MA-LSTM (Moving Average – Long Short-Term Memory) technique, which is well suited for analyzing volatile time-series data. The dataset used in this study includes export volumes, export values, and the Oceanic Niño Index (ONI), which reflects climate conditions affecting lac production, covering a period of ten years (2012–2022). The data were processed through systematic steps, including filtering, sorting, smoothing, and prediction.

The experimental results demonstrate that MA-LSTM delivers the most accurate performance compared to baseline models such as RNN and Random Forest. Applying the Exponential Moving Average (EMA) method to reduce data volatility before feeding it into the model significantly enhanced its ability to capture critical trends. Additionally, a dashboard system was developed to present the forecasting results along with directional logic analysis between price, volume, and ONI. This system was designed with eight conditional patterns, allowing it to provide practical recommendations for farmers, such as expanding or reducing cultivation, gradual selling, or stockpiling products to wait for optimal market conditions.

Overall, the study shows that MA-LSTM is a highly promising tool for forecasting complex agricultural data like lac, and it can be effectively integrated into decision-support systems to enhance the efficiency and sustainability of the agricultural sector.

ครั่งเป็นผลิตภัณฑ์ธรรมชาติที่ได้จากแมลงเพาะเลี้ยงบนต้นไม้ ซึ่งมีบทบาทสำคัญในอุตสาหกรรมเคมีภัณฑ์ ยา และเครื่องสำอาง โดยเฉพาะในเขตร้อน เช่น ประเทศไทย อย่างไรก็ตาม การผลิตและราคาครั่งมีความผันผวนสูง อันเนื่องมาจากปัจจัยหลายประการ ทั้งสภาพอากาศที่แปรปรวนตามฤดูกาล ภาวะ El Niño และ La Niña รวมถึงความไม่แน่นอนของตลาด ส่งผลให้เกษตรกรขาดความมั่นใจในการวางแผนเพาะเลี้ยง ไม่มีเครื่องมือคาดการณ์ที่แม่นยำ และไม่สามารถตัดสินใจได้ทันท่วงทีว่าจะขยายพื้นที่การผลิตหรือชะลอการขาย

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการคาดการณ์ผลผลิตและแนวโน้มราคาขายของครั่ง โดยใช้เทคนิค MA-LSTM (Moving Average – Long Short-Term Memory) ซึ่งมีศักยภาพสูงในการวิเคราะห์ข้อมูลอนุกรมเวลา (Time-Series) ที่มีความผันผวน ข้อมูลที่นำมาใช้ประกอบการวิเคราะห์ ได้แก่ ปริมาณการส่งออก มูลค่าการส่งออก และดัชนี ONI (Oceanic Niño Index) ซึ่งสะท้อนสภาวะภูมิอากาศที่ส่งผลต่อการผลิตครั่ง ครอบคลุมระยะเวลา 10 ปี (พ.ศ. 2555–2565) โดยมีการประมวลผลข้อมูลอย่างเป็นขั้นตอน ตั้งแต่การกรอง (Filtering) การจัดเรียง (Sorting) การลดความผันผวน (Smoothing) และการทำนายผล (Prediction)

ผลการทดลองพบว่า MA-LSTM เป็นแบบจำลองที่ให้ผลลัพธ์แม่นยำที่สุดเมื่อเปรียบเทียบกับโมเดลพื้นฐาน เช่น RNN และ Random Forest โดยการใช้ค่า EMA (Exponential Moving Average) ช่วยลดความผันผวนของข้อมูลก่อนนำเข้าโมเดล ทำให้สามารถจับแนวโน้มสำคัญได้อย่างมีประสิทธิภาพ นอกจากนี้ ยังได้พัฒนาระบบ Dashboard เพื่อแสดงผลการพยากรณ์ร่วมกับการวิเคราะห์ตรรกะเชิงทิศทางระหว่างราคา ปริมาณ และค่า ONI โดยออกแบบเป็นเงื่อนไข 8 รูปแบบ เพื่อให้ระบบสามารถแนะนำเกษตรกรได้อย่างเหมาะสม เช่น การขยายหรือชะลอการเพาะปลูก การทยอยขาย หรือการเก็บผลผลิตเพื่อรอช่วงเวลาที่เหมาะสม

จากผลการศึกษา แสดงให้เห็นว่า MA-LSTM เป็นเครื่องมือที่มีศักยภาพสูงในการคาดการณ์ข้อมูลเกษตรที่ซับซ้อนอย่างครั่ง โดยสามารถนำไปประยุกต์ใช้ในระบบสนับสนุนการตัดสินใจเพื่อเพิ่มประสิทธิภาพและความยั่งยืนของภาคเกษตรกรรมได้อย่างเป็นรูปธรรม