臺灣博碩士論文加值系統

在現今產業全球化、產品多樣化的市場經營體系中，企業間的競爭使得訂單需求預測的準確性顯得更不容忽視，預測的準確與否往往會影響生產成本。當不同組件產品具有關連性時，個別的產品需求亦會交互影響到共同零組件的需求，再加上產品短期需求不確定的波動性更會降低需求預測的準確性降低。因此，依據多重產品間彼此的關連性設計一個真正適合此生產線的需求預測模式為一重要的研究課題。
本論文將利用類神經網路在預測上高準確之優點，來學習多重產品之特性進行需求預測模式之建構，以供決策者在進行生產計畫時之依據。論文中，利用AweSim模擬軟體模擬六個月的短期訂單模擬，收集訂單種類、到達時間、數量等資料並以BPN類神經網路進行需求預測模型之建立。模式中利用移動視窗法進行網路學習，設定的輸入及輸出變數主要分為到達之間隔時間、產品數量、訂單種類權重。然後再以平均方根誤差(MSE)作為評估指標。分析結果顯示利用BPN類神經網路所建立之需求預測模式在訂單分配率改變時皆有不錯的預測效果，其測試樣本之平均MSE值皆在0.15以下，本論文針對訂單種類預測所提出之訂單特徵向量也能有效降低預測誤差，可提供在未來進行多重產品需求預測之相關研究另一參考依據。

At present, market management system is challenged by industry globally and variety products. An accurate prediction of order demand will increase the competitive ability for an enterprise. The closeness of the forecasted amount to the real demand will influence the production cost. The individual product demand having interaction effect on the demand of manufacture components when the several modular products are produced, meanwhile, fluctuation of the short-term products demand will decrease the precision of demand forecasting. Therefore, a multi-products short-term demand-forecasting model is important and necessary.
In this thesis, we take the merit of the neural network in high precision of the forecasting to the multi-products system and establish a demand-forecasting model. In this paper, we use the simulation software AweSim to simulate the orders data in production line for six months. Data for order types, arrival times, and numbers of product are collected and trained by the Back-Propagation neural network (BPN) to build a BPN multi-product demand-forecasting model. Simulation study shows that the BPN forecasting model has performance on the different order distributions, and the average mean square errors (MSEs) of the test samples are all under 0.15. In addition, this research brings up an order features vector also effective in reducing the forecasting error, which can take a reference for the future research.

目 錄
中文摘要……………………………………………………………………..Ⅰ
英文摘要……………………………………………………………………..Ⅱ
誌謝……………..……………………………………………………………Ⅲ
目錄…………………………………………………………………………..Ⅳ
圖目錄…………………………………………………………………………Ⅵ
表目錄…………………………………………………………………….. Ⅶ
第一章 導論…………………………………………………………………..1
1.1研究背景……………………………….…………………………..1
1.2研究動機與目的……………………………………………………2
1.3 論文架構…….……………….………………………………….3
第二章 文獻回顧……………………………………………………………..5
2.1定性分析法...……………………………………………………5
2.2時間序列分析與投射法………………………………………6
2.3因果分析法…………………………………………………………7
2.4類神經網路………………………………………………………...8
第三章 研究方法……………………………………………………………11
3.1 類神經網路………………………………………………..11
3.2倒傳遞網路…………………………………………………………15
3.2.1倒傳遞網路所使用之非線性轉換函數……………………16
3.2.2倒傳遞網路演算法………………………………………….17
第四章 訂單模擬……………………………………………………………21
4.1問題定義與假設……………………………………………………21
4.1.1問題定義…………………………………………………….21
4.1.2問題假設…………………………………………………….21
4.2模擬網圖架構………………………………………………………23
4.2.1範例問題描述……………………………………………….23
4.2.2 AweSim網圖……………………………………………...24
4.3模擬資料收集………………………………………………………25
第五章 需求預測模式之建立………………………………………………26
5.1 BPN神經網路需求模式之簡介……………………………………26
5.1.1移動視窗法……………………………………………….26
5.1.2 BPN網路神經元之定義…………………………………….27
5.2 BPN類神經網路模式介紹………...…………………………….28
5.3 BPN網路需求預測模式評估步驟…………………………………30
第六章 結果分析與討論……………………………………………………32
6.1範例一模式評估……………………………………………………32
6.1.1模式一網圖架構參數評估………………………………….32
6.1.2模式二網圖架構參數評估………………………………….37
6.1.3模式三網圖架構參數評估………………………………….42
6.1.4模式四網圖架構參數評估………………………………….47
6.2 BPN需求預測模式AONVA分析……………………………………52
6.3範例二訂單分配率不同的模式探討………………………………53
6.4模式之分析與探討…………………………………………………56
第七章 結論與未來展望……………………………………………………57
7.1 BPN需求預測模式之貢獻………………………………………..57
7.2未來展望………………………………………………………….58
參考文獻……………………………………………………………………..59
附錄一………………………………………………………………………..62
附錄二………………………………………………………………………..65
附錄三………………………………………………………………………..76
附錄四………………………………………………………………………..87
附錄五………………………………………………………………………..88

參考文獻
1. Charytoniuk, W. & M. S. Chen, ” Neural-network-based demand forecasting in a deregulated environment”, IEEE Transactions on industry applications, pp.893-898, Vol. 36, No. 3, May/June 2000.
2. Chow, T. W. S. & C. T. Leung, “ Nonlinear autoregressive integrated neural network model for short-term load forecasting”, IEE proceeding online no.19960600, pp.500-506, 1996.
3. Desouky, A. A. EI & M. M. EIKateb, “ Hybrid adaptive techniques for electric-load forcast using ANN and ARIMA”, IEE Proc-Gener. Transm. Distrib, pp.213-217, Vol. 147, NO. 4, July 2000.
4. Dr. Dornier, et al, “Grobal Operations and Logistics”, John Wiley & Sons, 1998.
5. Dantas, A., K. Yamamoto, M. V. Lamar, & Y. Yamashita, “Neural network for travel demand forecasting using GIS and Remote Sensing”, IEEE proceeding, pp.435-440, 2000.
6. Gardner Jr., E. S.& D. S. Joaquin, “Seasonal adjustment of inventory demand series: a case study”, International Journal of forecasting, pp. 117-123, Vol.18, 2002.
7. Law, R., & N. Au, “A neural network model to forecast Japanese demand for travel to Hong Kong ”, Tourism Management, pp 89-97, Vol. 20, 1999.
8. Law, R., “Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting”, Tourism Management, pp 331-340, Vol. 21, 2000.
9. Salvador, A. V. & C. B. Carlos, ” Hybrid demand model for load estimation and short term load forecasting in distribution electric systems”, IEEE Transactions on power delivery, pp.764-769, Vol. 15, No. 2, April 2000.
10. Tawfiq, A.S. & E. A. Ibrahim, ” Artificial neural networks as applied to long-term demand forecasting”, Artificial Intelligence in Engineering, pp. 189-197, Vol. 13, 1999.
11. 林聰明、吳水丕，「指數平滑法之選擇與應用」，華泰書局，1981年初版。
12. 春日井博原著，書泉編輯部編譯，「需求預測入門」，書泉出版社，1988年3月初版。
13. 賴士葆，「生產╱作業管理-理論與實務」，華泰書局，1991。
14. 陳慧德，「銷售預測實證研究-貝氏時間序列分解法之應用」，碩士論文，私立淡江大學管理科學研究所，台灣台北，1995。
15. 陳靖惠，「半導體產業晶圓需求預測之研究」，碩士論文，國立交通大學資訊管理研究所，1995。
16. 古強，「貝氏類神經網路的建構及其在可靠度工程上的應用」，碩士論文，私立元智工學院工業工程研究所，台灣桃園，1996。
17. 葉怡成，「類神經網路之應用與實作」，儒林出版社，1999六版。
18. 廖廣毅，「以類神經網路預測股價指數漲跌」，碩士論文，私立元智大學工業工程研究所，台灣桃園，1999。
19. 潘曉葦，「需求預測模式之建立」，碩士論文，國立台灣科技大學資訊管理系，台灣台北，1999。
20. 曾益華，「以類神經網路為基礎之預測系統之研究」，碩士論文，中華大學土木工程學系，台灣新竹，2000。
21. 張瑤峰，「類神經網路在銷售預測應用之討論」，碩士論文，私立元智大學工業工程研究所，2000。
22. 蔡蓉媛，「通用迴歸類神經網路在中長期電力需求預測模式之研究」，碩士論文，私立元智大學工業工程研究所，台灣桃園，2000。
23. 潘浙楠、林琮閔，「多產品不同需求下存貨訂購策略之制定與研究」，中國統計學報，第40卷第1期，pp17-45，2002。