การใช้ปัญญาประดิษฐ์เพื่อคาดการณ์ความต้องการเดินทาง ทางอากาศของผู้โดยสาร
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อ 1) ศึกษาปัจจัยที่มีผลต่อความต้องการเดินทางทางอากาศของผู้โดยสาร และ 2) ศึกษาความสามารถของปัญญาประดิษฐ์ในการคาดการณ์ความต้องการเดินทางทางอากาศของผู้โดยสาร งานวิจัยเป็นการวิจัยเชิงปริมาณ ใช้แบบสอบถามเป็นเครื่องมือในการเก็บรวบรวมข้อมูลจากกลุ่มตัวอย่างจำนวน 400 คน ซึ่งเป็นผู้โดยสารที่ใช้บริการสายการบินทั้งเที่ยวบินภายในประเทศและระหว่างประเทศ การวิเคราะห์ข้อมูลใช้สถิติเชิงพรรณนา ได้แก่ ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน รวมถึงการวิเคราะห์ความสัมพันธ์ด้วยสถิติสหสัมพันธ์ของเพียร์สัน
ผลการวิจัยพบว่า
1) ผลการวิจัยตามวัตถุประสงค์ข้อที่ 1 พบว่า ปัจจัยด้านข้อมูลดิจิทัลและเทคโนโลยีเป็นปัจจัยที่มีอิทธิพลสูงสุดต่อความต้องการเดินทางทางอากาศของผู้โดยสาร (Mean = 4.42, SD = 0.53) รองลงมาคือปัจจัยด้านพฤติกรรมผู้โดยสาร (Mean = 4.35, SD = 0.57) ปัจจัยด้านเศรษฐกิจ (Mean = 4.21, SD = 0.62) และปัจจัยด้านฤดูกาลและเวลา (Mean = 4.08, SD = 0.65) โดยทุกปัจจัยมีความสัมพันธ์เชิงบวกกับความต้องการเดินทางทางอากาศอย่างมีนัยสำคัญทางสถิติ (p < 0.05) ซึ่งสะท้อนแนวโน้มว่าความต้องการเดินทางของผู้โดยสารในยุคปัจจุบันขับเคลื่อนด้วยข้อมูลดิจิทัลและรูปแบบพฤติกรรมมากกว่าปัจจัยเชิงโครงสร้างแบบดั้งเดิมเพียงอย่างเดียว
2) ผลการวิจัยตามวัตถุประสงค์ข้อที่ 2 พบว่าปัญญาประดิษฐ์สามารถคาดการณ์ความต้องการเดินทางทางอากาศได้อย่างมีประสิทธิภาพ โดยด้านความแม่นยำ 4.31 (SD = 0.55) ความรวดเร็วในการประมวลผล 4.46 (SD = 0.50) การสนับสนุนการวางแผนเที่ยวบิน 4.38 (SD = 0.52) และการช่วยในการตัดสินใจเชิงบริหาร 4.29 (SD = 0.58)
ผลการวิจัยแสดงให้เห็นว่า การประยุกต์ใช้ปัญญาประดิษฐ์ร่วมกับข้อมูลดิจิทัลและพฤติกรรมผู้โดยสารสามารถเพิ่มความแม่นยำและความรวดเร็วในการพยากรณ์ สนับสนุนการวางแผนเที่ยวบิน และช่วยในการตัดสินใจเชิงกลยุทธ์ของธุรกิจการบินอย่างมีประสิทธิผล
Article Details
เอกสารอ้างอิง
Jafari, N., & Lewison, M. (2024). Forecasting air passenger traffic and market share using deep neural networks with multiple inputs and outputs. Frontiers in Artificial Intelligence.
Liang, H., Hong, X., Zhou, Y., & Yang, Z. (2022). Air travel demand forecasting based on big data. Transportation Research Part A.
Jafari, N., & Lewison, M. (2024). Forecasting air passenger traffic and market share using deep neural networks with multiple inputs and outputs. Frontiers in Artificial Intelligence.
An artificial neural network for predicting air traffic demand based on socio-economic parameters. (2023). Decision Analytics Journal.
Zona Diatri, R. P., & Zaqqi Yamani. (2025). Forecasting air transport demand in Indonesia: A machine learning approach considering socio-economic factors and pandemic impact. Aviation Economics & Technology Studies.
Forecasting air passenger demand with a new hybrid ensemble approach. (2020). Journal of Air Transport Analysis.
Sutthiya Lertyongphati. (2023). Impact of external factors on air passenger demand prediction using machine learning regression models. King Chulalongkorn University Digital Repository.
Belobaba, P., Odoni, A., & Barnhart, C. (2020). The global airline industry (3rd ed.). Wiley.
Button, K. (2019). Transport economics (4th ed.). Edward Elgar Publishing.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2022). Multivariate data analysis (9th ed.). Cengage Learning.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). Forecasting: Theory and practice. Springer.
Ortúzar, J. de D., & Willumsen, L. G. (2011). Modelling transport (4th ed.). Wiley.
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach. (4th ed.). Pearson.
Kumar, R., Sharma, P., & Singh, A. (2022). Application of artificial intelligence in airline demand forecasting: Enhancing flight planning and decision-making. Journal of Air Transport Management, 103, 102–114.
Li, X., Chen, Y., & Zhao, H. (2021). Passenger behavior and digital information impact on air travel demand prediction. Transportation Research Part C: Emerging Technologies, 130, 103–118.
Nguyen, T., & Le, Q. (2023). Artificial intelligence for strategic decision support in aviation industry: A big data approach. International Journal of Aviation Technology and Management, 15(2), 45–62.
Zhang, W., & Wang, L. (2020). Digital data utilization for improving air travel demand forecasting accuracy. Journal of Air Transport Studies, 11(1), 1–17.
Simon, H. A. (1977). The new science of management decision. Prentice Hall.
Turban, E., Sharda, R., & Delen, D. (2011). Decision support and business intelligence systems (9th ed.). Pearson.
Chopra, S., & Meindl, P. (2016). Supply chain management: Strategy, planning, and operation (6th ed.). Pearson.
