臺灣博碩士論文加值系統

台灣的自行車周邊產品製造業在全球市場中極具競爭力，除了代工製造，許多企業開始創建自有品牌，為滿足顧客及市場多變的需求，於不間斷供貨與降低成品庫存壓力之間取得平衡，準確及時的銷售預測是企業在追求利潤並同時減少浪費的重要關鍵。本研究根據個案公司提供之銷售量資料，依產品型號整理出七項產品類別作為研究對象，並根據產業特性歸納45項影響預測之因素，應用資料探勘中時間序列預測技術的高斯過程、線性迴歸、類神經網路、支援向量迴歸等工具進行產品銷售量預測，最後與2017年實際銷售值進行驗證分析。結果顯示支援向量迴歸提供了優良的預測結果，其次為線性迴歸及多層感知類神經網路，本研究之預測值與實際銷售量誤差範圍在0.85%至27.92%。但無一工具適用所有產品類別，各產品的最佳預測方法仍仰賴使用者的判斷。

The bicycle peripheral product manufacturing industry of Taiwan is extremely competitive in the global market. Except for Original Design Manufacturer, many companies have begun to create their own brands. To satisfy the flexible demand of customers and the market, strike a balance between continuously supply and alleviate the pressure of finished goods inventory. As for enterprises, development the sales forecast model is an important key to pursue profits and reduce waste at the same time. Based on the data provided by the case companies, there are seven product categories as the research objects in this study, and the induction made from the characteristics of the industry for 45 factors affect the prediction. The purpose of this study is applying Gaussian Processes, Linear Regression, Multilayer Perceptron, SMOreg of time series forecasting tools based on data mining to product sales forecasting and compared the forecast results with product sales in 2017. The study results show that with the four algorithms as the base, SMOreg got the best results. All of the study results with forecasting error are from 0.85% to 27.92%. In this study, none of tools is compatible to every product, the most suitable method for each object still depends on the decision by user.

摘要......i
Abstract......ii
誌謝......iii
目錄......iv
表目錄......vi
圖目錄......vii
第一章 緒論......1
1.1 研究背景與動機......1
1.2 研究目的......2
1.3 研究限制與範圍......3
1.4 研究架構......4
第二章 文獻探討......6
2.1 預測......6
2.1.1 銷售預測......7
2.1.2 預測步驟......7
2.2 預測方法......8
2.3 資料探勘（Data Mining）......9
2.3.1 資料探勘之流程步驟......11
2.3.2 資料探勘的類型......12
2.4 應用資料探勘於銷售預測之相關文獻......13
2.5 應用於本研究之資料探勘方法......14
第三章 研究方法......19
3.1 研究流程......19
圖3.1 研究流程圖......20
3.2 影響自行車攜車架銷售因素......20
3.3 資料來源......26
3.4 實驗軟硬體資訊......27
3.4.1 WEKA簡介......27
3.4.2 WEKA文件系統格式......29
3.5 模型建構說明......29
3.6 預測模型評估......32
第四章 銷售預測......34
4.1 銷售預測模型......35
4.1.1 代工產品總銷售量預測......35
4.1.2 自有品牌產品總銷售量預測......40
4.1.2.1 背負式攜車架產品銷售預測......44
4.1.2.2 平台式攜車架產品銷售預測......49
4.1.2.3 雙臂式攜車架產品銷售預測......54
4.1.2.4 車頂行李盤產品銷售預測......58
4.1.2.5 車頂橫桿產品銷售預測......63
4.2 預測結果......67
4.3 預測結果分析與驗證......69
第五章 結論與建議......72
5.1 結論......72
5.2 未來研究方向與建議......73
參考文獻......74
附錄A WEKA操作流程畫面......77
附錄B 原始資料庫......82
附錄C WEKA輸出結果節錄......89
Extended Abstract......128

參考文獻
[1]丁一賢、陳牧言，2006，資料探勘，滄海書局，台中。
[2]于宗先，1972，經濟預測，大中國出版社。
[3]方世杰，1988，市場預測方法一百種，書泉出版社，台北。
[4]方世榮、張文賢，2014，統計學導論，第七版，華泰文化，台北。
[5]林芳毅，2015，Hadoop結合R之資料探勘–以TH 公司產品銷售預測為例，國立高雄應用科技大學工業工程與管理系碩士班，碩士論文。
[6]洪彥群，2014，利用資料探勘技術建立商用複合機銷售預測模型，國立中央大學資訊管理學系在職專班，碩士論文。
[7]翁慈宗，2009，「資料探勘的發展與挑戰」，科學發展期刊，442期，頁34~37，台北。
[8]袁梅宇，2014。王者歸來：WEKA機器學習與大數據聖經。佳魁資訊，台北。
[9]張云濤、龔玲，2007。資料探勘原理與技術，五南圖書出版社，台北。
[10]張崇賢，2010，應用資料探勘於流通業智慧型行動電話銷售預測，大同大學資訊經營所，碩士論文。
[11]陳功興，2006，便利商店鮮食商品銷售預測模式之研究－探討類神經網路與平假日移動平均法的比較，國立高雄第一科技大學行銷與流通管理所，碩士論文。
[12]陳登貴，2005，資料探勘於汽車零組件業銷售預測之研究，樹德科技大學，碩士論文。
[13]曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯，2006，資料探勘Data Mining，旗標出版社。
[14]葉怡成，2003，類神經網路模式應用與實作，儒林圖書有限公司，台北。
[15]葉怡成，2009，類神經網路-模式應用與實作，第9版，儒林圖書公司，台北。
[16]廖淑玲，1998，「成為ＷＴＯ會員國後對我國自行車業的影響」，台灣經濟研究月刊，21期，頁43~48，台北。
[17]歐宗殷，2010，資料探勘為基礎之零售業銷售預測模式以連鎖超商鮮食商品為例，國立清華大學工業工程與工程管理研究所，博士論文。
[18]蔡岳志，2017，運用時間序列演算法建構產品銷售預測模式之研究-以HiNet虛擬點數卡為例，醒吾科技大學資訊科技應用系，碩士論文。
[19]Brown, R.G., 1963, Smoothing, Forecasting and Prediction of Discrete Time Series, Dover Publications Inc, New York, USA.
[20]Chapelle, O., Vapnik, V., Bousquet, O., &Mukherjee, S, 2002, “Choosing multiple parameters for support vector machines”, Machine Learning, 46, pp.131–159.
[21]Chen, K.Y. &Wang, C.H., 2007, “Support vector regression with genetic algorithms in forecasting tourism demand”, Tourism Management, 28, pp.215–226.
[22]Chung, H. M., &Gray, P. , 1999, “Special Section: Data Mining”, Journal of Management Information Systems, 16, pp.11–16.
[23]Cios, K.J., Pedrycz, W., Swiniarski, R.W., &Kurgan, L., 2010, Data Mining: A Knowledge Discovery Approach: Springer-Verlag Inc, New York, USA.
[24]Darlington, R.B., A Regression Approach to Time Series Analysis. available at http://node101.psych.cornell.edu/Darlington/series/series0.htm retrieved May 05, 2018.
[25]Fayyad, U., Piatetsky-Shapiro, G., &Smyth, P., 1996, “From data mining to knowledge discovery in databases”, AI Magazine, 17, pp.37–54.
[26]Fayyad, U.M.,Piatetsky-Shapiro, G, &Smyth,P., 1996, Advances in Knowledge Discovery and Data Mining,American Association for Artificial Intelligence Menlo Park, California, USA.
[27]Frank, E., Hall, M. A., & Ian H., 2016, The WEKA Workbench, Data Mining: Practical Machine Learning Tools and Techniques, Fourth Edition, Morgan Kaufmann Publisheres, Burlington, USA.
[28]Frawley, W.J.,&G Piatetsky-Shapiro., 1992, “Knowledge Discovery in Databases: An overview”,AI Magazine, 13(3), pp.57–70.
[29]Han, J., & Sun, Y., 2012, Mining Heterogeneous Information Networks: Principles and Methodologies, Morgan & Claypool Publisheres, California, USA.
[30]Janert, P. K., 2010, Data Analysis with Open Source Tools: A Hands-On Guide for Programmers and Data Scientists, O'Reilly Media Inc, California, USA.
[31]Kagami, N., Iwamoto, R., &Tani, T., 2005, “Application of datamining method （ID3） to data analysis for ultra deep hydrodesulfurization of straight-run light gas oil—determination of effective factor of the feed properties to reaction rate of HDS”, Fuel, 84, Issues 2–3, pp.279–285.
[32]Rasmussen, C. E., 2003, Gaussian processes in Machine Learning, Advanced Lectures on Machine Learning, pp.63–71, Springer, Germany.
[33]Rasmussen, C. E., &Williams, C. K. I., 2006, “Gaussian processes for machine learning”, International Journal of Neural Systems, 14, pp.69–106.
[34]Still, R.R., Edward, C.E.,&Norman, G.A.P., 1988, Sales Managementl：Decisions, Strategies, and Cases,Pearson Education, New York, USA.
[35]WEKA Website：https://www.cs.waikato.ac.nz/ml/weka/