បញ្ហា (The Problem)៖ ជម្លោះរវាងរុស្ស៊ី និងអ៊ុយក្រែន រួមនឹងវិបត្តិសកលផ្សេងទៀត បានធ្វើឱ្យតម្លៃឧស្ម័នធម្មជាតិរាវ (LNG) មានការប្រែប្រួលយ៉ាងខ្លាំង ដែលបង្កហានិភ័យខ្ពស់ដល់អ្នកនាំចូលធំៗដូចជាសាជីវកម្មឧស្ម័នកូរ៉េ (KOGAS) ក្នុងការគ្រប់គ្រងថ្លៃដើម។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានអភិវឌ្ឍ និងប្រៀបធៀបគំរូព្យាករណ៍ចំនួនបីដោយប្រើបច្ចេកវិទ្យាម៉ាស៊ីនរៀន (Machine Learning) ធៀបនឹងគំរូស្ថិតិប្រពៃណី ដើម្បីព្យាករណ៍សន្ទស្សន៍តម្លៃ JKM ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| LSTM (Long Short-Term Memory) បណ្តាញប្រសាទសិប្បនិម្មិតប្រភេទ LSTM |
មានសមត្ថភាពល្អបំផុតក្នុងចំណោមម៉ូដែល Machine Learning ទាំងអស់ក្នុងការចាប់យកលំនាំនៃទិន្នន័យ និងមានស្ថេរភាពខ្ពស់ទោះបីជាព្យាករណ៍រយៈពេលវែង។ | ប្រសិទ្ធភាពធ្លាក់ចុះប្រហែល ៥៧% ក្នុងអំឡុងពេលមានវិបត្តិ (ដូចជាកូវីដ-១៩) ហើយត្រូវការទិន្នន័យច្រើនដើម្បីបង្វឹក។ | មានកម្រិតលំអៀងមធ្យម (MAE) ទាបបំផុតគឺ ០.១៩៥ នៅក្នុងសេណារីយ៉ូធម្មតា។ |
| ARIMA (Autoregressive Integrated Moving Average) ម៉ូដែលស្ថិតិបែបប្រពៃណី ARIMA |
ផ្តល់លទ្ធផលល្អប្រសើរជាង Machine Learning សម្រាប់ការទស្សន៍ទាយរយៈពេលខ្លី នៅពេលដែលទិន្នន័យមានចំនួនកំណត់។ | សមត្ថភាពថយចុះយ៉ាងឆាប់រហ័សសម្រាប់ការទស្សន៍ទាយរយៈពេលវែង ហើយមិនសូវបត់បែនតាមបម្រែបម្រួលមិនធម្មតា។ | មានប្រសិទ្ធភាពខ្ពស់ជាង ML ក្នុងការធ្វើតេស្តខ្លះ ដោយសារទំហំទិន្នន័យតូច (Small Dataset)។ |
| SVM (Support Vector Machine) ម៉ូដែល SVM |
មានសមត្ថភាពល្អក្នុងការបង្វឹក (Training) និងផ្តល់លទ្ធផល Fitting បានល្អ។ | មានប្រសិទ្ធភាពខ្សោយនៅពេលអនុវត្តលើទិន្នន័យជាក់ស្តែង (Testing) ជាពិសេសក្នុងអំឡុងពេលទីផ្សារមានភាពមិនច្បាស់លាស់។ | មានកម្រិតលំអៀងខ្ពស់ជាងគេក្នុងអំឡុងពេលវិបត្តិ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ធនធានកុំព្យូទ័រកម្រិតមធ្យម ដែលអាចអនុវត្តបានងាយស្រួលដោយអ្នកស្រាវជ្រាវនៅកម្ពុជា។
ការសិក្សានេះប្រមូលទិន្នន័យដោយផ្តោតខ្លាំងលើតំបន់អាស៊ីឦសាន (កូរ៉េ ជប៉ុន ចិន) និងប្រើប្រាស់សីតុណ្ហភាពនៅទីក្រុងសេអ៊ូលជាអថេរ។ សម្រាប់កម្ពុជា ការយកចិត្តទុកដាក់គួរផ្តោតលើតម្រូវការថាមពលក្នុងតំបន់អាស៊ាន និងអាកាសធាតុត្រូពិក ដែលខុសពីបរិបទរដូវរងានៅកូរ៉េ។
វិធីសាស្ត្រនេះមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ខណៈដែលប្រទេសកំពុងពិចារណាលើការប្រើប្រាស់ឧស្ម័នធម្មជាតិរាវ (LNG) ជាប្រភពថាមពលស្អាត។
ទោះបីជាទិន្នន័យជាក់លាក់មិនទាន់មានសម្រាប់កម្ពុជា ប៉ុន្តែក្របខណ្ឌនៃការបង្កើតម៉ូដែលនេះ (Methodology) អាចយកមកអនុវត្តបានភ្លាមៗសម្រាប់ការវិភាគហានិភ័យតម្លៃថាមពល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Spot LNG | ការទិញលក់ឧស្ម័នធម្មជាតិរាវ (LNG) សម្រាប់ការដឹកជញ្ជូនភ្លាមៗក្នុងតម្លៃទីផ្សារបច្ចុប្បន្ន ដោយមិនមានកិច្ចសន្យារយៈពេលវែងជាមុន។ នេះគឺជាវិធីសាស្ត្រទិញដើម្បីបំពេញតម្រូវការបន្ទាន់ ឬនៅពេលមានការខ្វះខាត។ | ដូចជាការហៅតាក់ស៊ីជិះភ្លាមៗនៅពេលត្រូវការ (Spot) ធៀបនឹងការជួលឡានប្រចាំខែដែលមានកិច្ចសន្យា (Long-term contract)។ |
| Japan Korea Marker (JKM) | សន្ទស្សន៍តម្លៃស្តង់ដារសម្រាប់ឧស្ម័នធម្មជាតិរាវ (LNG) ដែលត្រូវបានជួញដូរនៅក្នុងតំបន់អាស៊ីឦសាន (ជាពិសេសជប៉ុន និងកូរ៉េ)។ វាត្រូវបានប្រើជាគោលសម្រាប់កំណត់តម្លៃនៅក្នុងតំបន់នេះ។ | ដូចជាតម្លៃមាសនៅលើទីផ្សារអន្តរជាតិ ដែលហាងមាសទាំងអស់ប្រើជាគោលដើម្បីកំណត់តម្លៃលក់របស់ពួកគេ។ |
| Long Short-Term Memory (LSTM) | ជាប្រភេទនៃបណ្តាញប្រសាទសិប្បនិម្មិត (Artificial Neural Network) ពិសេសម្យ៉ាងដែលមានសមត្ថភាព "ចងចាំ" ព័ត៌មានពីអតីតកាលរយៈពេលវែង ដើម្បីយកមកវិភាគនិងព្យាករណ៍ទិន្នន័យដែលមានលក្ខណៈជាបន្តបន្ទាប់ (Time-series)។ | ដូចជាសិស្សម្នាក់ដែលមិនត្រឹមតែចាំមេរៀនម្សិលមិញទេ តែចាំមេរៀនតាំងពីដើមឆ្នាំ ដើម្បីយល់ពីមេរៀនថ្ងៃនេះ និងទស្សន៍ទាយមេរៀនថ្ងៃស្អែក។ |
| ARIMA (Autoregressive Integrated Moving Average) | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើប្រាស់ទិន្នន័យពីអតីតកាល និងកម្រិតលំអៀង (Error) ដើម្បីស្វែងរកលំនាំ (Pattern) និងព្យាករណ៍តម្លៃនាពេលអនាគត។ វាសាកសមសម្រាប់ទិន្នន័យដែលមានលំនាំច្បាស់លាស់ ប៉ុន្តែមិនសូវពូកែចំពោះការប្រែប្រួលស្មុគស្មាញ។ | ដូចជាការមើលកញ្ចក់ក្រោយឡានដើម្បីស្មានថាផ្លូវខាងមុខនឹងទៅជាយ៉ាងណា ដោយផ្អែកលើគន្លងផ្លូវដែលបានបើកកន្លងមក។ |
| Epoch | នៅក្នុងការបង្វឹកម៉ាស៊ីនរៀន (Machine Learning Training) នេះគឺជាវដ្តនៃការរៀនមួយចប់ពេញលេញ ដោយឱ្យម៉ូដែលបានឃើញទិន្នន័យទាំងអស់នៅក្នុងសំណុំទិន្នន័យ (Dataset) ម្តង។ | ដូចជាការអានសៀវភៅសិក្សាមួយក្បាលចប់ម្តង (១ Epoch) បើអាន ១០ ចប់ (១០ Epochs) នោះនឹងកាន់តែចាំស្ទាត់។ |
| Mean Absolute Error (MAE) | ជារង្វាស់នៃកំហុសមធ្យមរវាងតម្លៃដែលម៉ូដែលបានព្យាករណ៍ និងតម្លៃជាក់ស្តែង ដោយមិនគិតថាវាលើស ឬខ្វះឡើយ (យកតែតម្លៃវិជ្ជមាន)។ តម្លៃ MAE កាន់តែតូច បង្ហាញថាការទស្សន៍ទាយកាន់តែត្រឹមត្រូវ។ | ដូចជាការបាញ់ព្រួញ គេវាស់ថាព្រួញឃ្លាតពីគោលប៉ុន្មានសង់ទីម៉ែត្រជាមធ្យម ដោយមិនគិតថាវាខុសទៅឆ្វេង ឬទៅស្តាំ។ |
| Long-term forward contracts (LTFCs) | កិច្ចសន្យាទិញលក់រយៈពេលវែង (ជាធម្មតាលើសពី ១០ ឆ្នាំ) រវាងអ្នកផលិត និងអ្នកទិញ ដើម្បីធានាការផ្គត់ផ្គង់ និងតម្លៃដែលមានស្ថេរភាព ដោយមិនពឹងផ្អែកលើតម្លៃទីផ្សារ Spot ដែលឡើងចុះខ្លាំង។ | ដូចជាការចុះកុងត្រាជួលផ្ទះរយៈពេលវែងក្នុងតម្លៃថេរ ដើម្បីកុំឱ្យម្ចាស់ផ្ទះឡើងថ្លៃតាមចិត្តនៅពេលក្រោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
