近年來人工智慧的手法逐漸的受到重視，其中模糊倒傳遞網路因有效融合模糊理論可善加利用人類處理事物的經驗法則以及類神經網路高度記憶能力、容錯能力並藉由數據資料集合進行自我學習的優點，被廣泛且有效的應用在銷售預測問題上。本研究以下游需求、總體經濟和工業生產指數三個不同構面所形成的15項變數，利用逐步迴歸和模糊德爾菲法兩種工具，篩選出對於銷售預測影響較高的變數組合，同時以專家問卷形式為各變數進行模糊化工作，代入模糊倒傳遞網路以進行資料測試和學習工作，最後藉由預測涵蓋檢定、預測誤差和準確度三項指標將模糊倒傳遞網路之實驗結果與灰色預測、多元迴歸分析和傳統倒傳遞網路進行評比。經實驗結果可發現，模糊倒傳遞網路之模型可所包含對於預測目標的資訊涵蓋於灰色預測和多元迴歸分析，進一步以預測誤差和準確度來進行評比，則本研究所提出之模糊倒傳遞網路MAPE為3.09%、MAR為97.61%，在此兩項的評比中，都優於其他三種不同的預測模型。

Reliable prediction of sales can improve the quality of business strategy. In this research, fuzzy logic and artificial neural network are integrated into the fuzzy back-propagation network (FBPN) for printed circuit board industry. The fuzzy back propagation network is constructed to incorporate production-control expert judgments in enhancing the performance. Parameters chosen as inputs to the FBPN are no longer considered as of equal importance, but some production control experts are requested to express their opinions about the importance of each input parameter in predicting the sales with linguistic terms, which can be converted into pre-specified fuzzy numbers, aggregated and corresponding input parameter when fed into the FBPN. Subsequently, the arithmetic for triangular fuzzy numbers is applied to deal with all calculation involved in network learning. The proposed system is evaluated through the real life date provide by GCE company. Model evaluation results for research indicate that the Fuzzy back-propagation outperforms the other three different forecasting models in both MAPE and MAR.

中文摘要……………………………………………………………………Ⅰ
英文摘要……………………………………………………………………Ⅱ
誌謝…………………………………………………………………………Ⅲ目錄…………………………………………………………………………Ⅳ
表目錄………………………………………………………………………Ⅶ
圖目錄………………………………………………………………………Ⅸ
第一章 緒論 ………………………………………………………………1
1.1 研究背景………………………………………………………………1
1.2 研究動機………………………………………………………………2
1.3 研究範圍及目的………………………………………………………2
1.4 研究方法………………………………………………………………3
1.5 論文架構與流程………………………………………………………4
第二章文獻探………………………………………………………………6
2.1 傳統預測方法之探討…………………………………………………6
2.2 篩選變數方法之探討…………………………………………………7
2.2.1 逐步迴歸分析法(Stepwise Regression) ………………………7
2.2.2 模糊德爾菲法(Fuzzy Delphi) ……………………………10
2.3 預測模型工具之探討 ………………………………………………13
2.3.1灰色預測………………………………………………………13
2.3.2 類神經網路 …………………………………………………16
2.3.3 模糊理論 ……………………………………………………18
2.3.4 類神經理論結合模糊理論的應用 …………………………21
2.4 小結 …………………………………………………………………26
第三章 問題描述…………………………………………………………28
3.1 研究資料之範圍 ……………………………………………………28
3.2 研究變數之說明 ……………………………………………………29
3.3 本研究之FBPN與引用的FBPN之比較 ………………………………32
3.4 預測精確度檢驗 ……………………………………………………35
第四章 研究方法…………………………………………………………38
4.1 篩選變數之部份… …………………………………………………40
4.1.1逐步迴歸(Stepwise Regression) …………………………40
4.1.2 模糊德爾菲法 ………………………………………………42
4.2 趨勢性檢測 …………………………………………………………44
4.2.1 R/S分析………………………………………………………44
4.2.2 Winters趨勢季平滑模式 …………………………………46
4.3 預測模型 ……………………………………………………………48
4.3.1 灰色預測 ……………………………………………………48
4.3.2 傳統倒傳遞網路 ……………………………………………50
4.3.3 模糊倒傳遞網路 ……………………………………………52
第五章 實驗結果與數據分析……………………………………………58
5.1 篩選變數部份 ………………………………………………………58
5.1.1 逐步迴歸分析 ………………………………………………58
5.1.2 模糊德爾菲法 ………………………………………………59
5.1.3 篩選變數之結果 ……………………………………………65
5.2 趨勢性檢測 …………………………………………………………65
5.3 模糊倒傳遞網路學習參數之設定 …………………………………66
5.4 實驗結果比較與分析 ………………………………………………68
5.4.1 篩選變數方法之評比 ………………………………………68
5.4.2與其他預測模型之效果評比…………………………………72
第六章 結論與未來展望…………………………………………………81
6.1 研究結論 ……………………………………………………………81
6.2 未來展望 ……………………………………………………………82
參考文獻 …………………………………………………………………83
附錄一 ……………………………………………………………………88
附錄二 ……………………………………………………………………89
附錄三 ……………………………………………………………………90
附錄四 ……………………………………………………………………93
附錄五 ……………………………………………………………………95
表目錄
表2.1 傳統預測方法及灰色預測之比較 ………………………………14
表2.2 類神經理論與模糊理論之比較 …………………………………21
表3.1 各項因素與銷售預測之間的相關說明 …………………………32
表4.1 模糊倒傳遞網路之符號定義 ……………………………………56
表5.1 各變數與實際銷售額之間的相關性 ……………………………59
表5.2 訪問對象之基本資料一覽表 ……………………………………59
表5.3 第一次問卷回收結果 ……………………………………………60
表5.4 第二次問卷結果 …………………………………………………61
表5.5 第三次問卷結果 …………………………………………………62
表5.6 問卷之重要性程度 ………………………………………………63
表5.7 各變數之不相似指數原則值 ……………………………………64
表5.8 篩選變數之結果 …………………………………………………65
表5.9 R/S分析結果 ……………………………………………………65
表5.10 修正後之篩選變數結果…………………………………………66
表5.11 不同學習率和學習次數之MAPE值………………………………67
表5.12 逐第迴歸分析結果………………………………………………69
表5.13 模糊德爾菲法分析結果…………………………………………70
表5.14 綜合比較分析結果………………………………………………71
表5.15 灰色預測模型之實驗結果 ……………………………………72
表5.16 多元迴歸分析模型之實驗結果…………………………………73
表5.17 傳統倒傳遞網路之網路參數設定………………………………74
表5.18 倒傳遞類神經網路之實驗結果…………………………………74
表5.19 模糊倒傳遞網路之網路參數設定………………………………75
表5.20 模糊倒傳遞網路之實驗結果……………………………………75
表5.21 預測涵蓋性檢定中 之t統計量值 ……………………………76
表5.22 預測涵蓋性檢定中 之顯著性 …………………………………76
表5.23 綜合比較分析結果………………………………………………79
圖目錄
圖1.1 歷年來PCB全球產值變化狀況 ……………………………………1
圖1.2 研究流程圖…………………………………………………………5
圖2.1 選取預測變數的方法………………………………………………8
圖2.2 傳統德爾菲法流程圖 ……………………………………………10
圖2.3 傳統德爾菲法之歸屬函數 ………………………………………12
圖2.4 模糊德爾菲法之歸屬函數 ………………………………………12
圖2.5 模糊適應性學習控制網路 ………………………………………22
圖2.6 倒傳遞模糊系統 …………………………………………………23
圖2.7 適應性類神經模糊推論系統 ……………………………………23
圖2.8 模糊多維矩形複合式類神經網路 ………………………………24
圖2.9 自我組織特徵映射圖為基礎之模糊系統 ………………………24
圖3.1 1999年~2003年各層板銷售比例…………………………………28
圖3.2 研究對象之PCB產品應用一覽表…………………………………29
圖3.3 語意變數用以評估輸入參數之重要程度 ………………………34
圖4.1 研究方法架構圖 …………………………………………………39
圖4.2 倒傳遞類神經網路之架構圖 ……………………………………51
圖4.3 模糊倒傳遞網路其運算元之運作模式 …………………………53
圖4.4 模糊倒傳遞網路之演算流程 ……………………………………56
圖5.1 各變數之重要性評比 ……………………………………………63
圖5.2 不同學習次數之誤差 ……………………………………………68
圖5.3 逐步迴歸分析之結果 ……………………………………………69
圖5.4 模糊德爾菲法分析之結果 ………………………………………70
圖5.6 兩種方式之比較結果 ……………………………………………71
圖5.7 不同預測模型下的MAPE值 ………………………………………78
圖5.8 不同預測模型下的MAR值 ………………………………………78

1. Chen, T. “A Fuzzy Back Propagation Network for Output Time
Prediction in a Wafer Fab,” Applied Soft Computing 2/3F,
pp.211-222, 2003.
2. Cheng, C. B., C. J. Cheng, and E. S. Lee, “Neuro-Fuzzy and
Genetic Algorithm in Multiple Response Optimization”,
Computers and Mathematics with Applications 44, pp.1503-
1514, 2002.
3. Chang, P. T., L. C. Huang, H. J. Lin, “The Fuzzy Delphi
Method via fuxxy statistics and membership function
fitting and an application to the human resources,” Fuzzy
Sets and Systems112, pp.511-520, 2000.
4. Chen, T., and M.-J. J. Wang, “Forecasting Methods using
Fuzzy Concepts,” Fuzzy Sets and Systems105, pp.339-352,
1999.
5. Dash, P. K., A. C. Liew, and S. Rahman, “Peak load
forecasting using a fuzzy neural network,” Electric Power
Systems Research 32, pp.19-23, 1995.
6. Huarng, K., “Heuristic models of fuzzy time series for
forecasting,” Fuzzy Sets and Systems 123, pp.369-386, 2001.
7. Hwang, J. R., S. M. Chen, and C. H. Lee, “Handling
forecasting problems using fuzzy time series,” Fuzzy Sets
and Systems 100, pp.217-228, 1998.
8. Hsu, C. C., and C. Y. Chen, “Applications of improved grey
prediction model for power demand forecasting,” Energy
Conversion and Management 44, pp. 2241-2249, 2003.
9. Ishibuchi, H., K. Kwon, and H. Tanaka, “A learning
algorithm of fuzzy neural networks with triangular fuzzy
weights,” Fuzzy sets and systems, vol.71, pp.277-293, 1995.
10.Ishikawa, A., et al., “The max-min Delphi method and fuzzy
Delphi method via fuzzy integration,” Fuzzy Sets and
Systems 55, pp.241-253, 1993.
11.Jnag, J.-S.R., C.-T. Sum, E. Mizutani, “Neruo-Fuzzy and
soft Computing,” Prentice-Hall International, Inc, 1997.
12.Kulasekera, K. B., “Variable selection by stepwise slicing
in non parametric regression,” Statistics & Probability
Letters 51, pp.327-336, 2001.
13.Kuo, R. J., “A Sales Forecasting System Based on Fuzzy
Neural Network with Initial Weights Generated by Genetic
Algorithm,” European Journal of Operational Research 129,
pp.496-517, 2001.
14.Kuo, R. J., and K. C. Xue, “A decision support system for
sales forecasting through fuzzy neural networks with
asymmetric fuzzy weights,” Decisions Support Systems, vol.
24, pp.105-126, 1998.
15.Kaufmann, A., M. M. Gupta, “Fuzzy Mathematical Models in
Engineering and Management Science,” North-Holland,
Amsterdam, 1988.
16.Luxhøja, J. T., J. O. Riisb, and B. Stensballe, “A hybrid
econometric —neural network modeling approach for sales
forecasting”, Int. J. Production Economics 43, pp.175-
192,1996.
17.Lin, C. T., and C.S.G. Lee, “Neural-Network-Based Fuzzy
Inference Systems,” IEEE Trans. On Computer, Vol. 40, No.
12, pp.1320~1336, 1991.
18.Lin, C. T., and S. Y. Yang, “Forecast of the output value
of Taiwan’s opto-electronics industry using the Grey
forecasting model,” Technological Forecasting & Social
Change 70, pp. 177-186, 2003.
19.Ojala, T., “Neruo-Fuzzy Systems in Control,” Master of
Science Thesis, Tampere University of Technology Department
of Electrical Engineering, 1994.
20.Steyerberg, E. W., Marinus J. C. Eijkmans, and J. Dik F.
Habbema “Stepwise Selection in Small Date Sets: A
Simulation Study of Bias in Logistic Regression Analysis,”
J Clin Epidemiol, Vol.52, No. 10, pp.935-942, 1999.
21.Thomas, J. B., and L. L. Richard, “Stepwise Regression is
an Alternative to Splines for Fitting Noisy Data,” J.
Biomechanics, Vol. 29, No. 2, pp.235-238, 1996.
22.王瓊敏，「電腦關鍵零組件之價格預測模式」，國立中央大學工業管
理研究所，2000年碩士論文。
23.行政院主計處統計局，「中華民國統計月報」，1999-2003。
24.行政院主計處統計局，「台灣地區物價統計月報」，1999-2003。
25.江珊，「用模糊預測系統預測領先指標綜合指數」，淡江大學資訊工
程學系，91年碩士論文。
26.李龍麟，「應用類神經網路於製程品質參數之即時監控-以印刷電路
板之DES製程為例」，元智大學工管所，91年碩士論文。
27.李允中、王小璠、蘇木春，「模糊理論及其應用」，全華科技圖書股
份有限公司，台北，2003。
28.呂孟學，「應用類神經網路於即時停車需求預測之研究」，國立中央
大學土木工程研究所，89年碩士論文。
29.何慧慧，「歐元匯率預測模型之提出」，台北大學企業管理學系，91
碩士論文。
30.林真真、鄒幼涵，「迴歸分析」，華泰書局，中華民國七十九年十一
月初版。
31.林聰明、吳水丕著，「指數平滑法之選擇與應用」，華泰書局，中華
民國七十年十月初版，台北。
32.周湘蘭，「類神經網路在多重產品需求預測上之應用元智大學-工業
工程與管理學系」，91年碩士論文。
33.財政部統計處，「中華民國台灣地區進出口貿易統計月報」，1999-
2003。
34.留英龍，「模糊理論應用於地層下陷之預測」，成功大學水利及海洋
工程學系，89年碩士論文。
35.唐淑娟，「台灣地區鳳梨零售價格預測之研究－灰預測、類神經網路
與預測組合之應用」，屏東科技大學農企業管理系，2001年碩士論
文。
36.陳水珍，「台灣地區農會生鮮超市經營績效評估之研究」，屏東科技
大學農企業管理系，2000年碩士論文。
37.黃俊英，「多變量分析」，中國經濟企業研究所，中華民國七十七年
二月三版。
38.張志銘，「食品包裝材料印刷殘留有毒溶劑量模式之建立」，逢甲大
學工業工程學系，88年碩士論文。
39.湯健文，「類神經網路於因果關係模型與時間數列模型之應用」，中
華大學土木工程學系，92年碩士論文。
40.葉怡成，「類神經網路模式應用與實作」，儒林圖書有限公司，八
版，台北，2003年。
41.楊雯寧，「台灣股價指數預測模型之探討」，元智大學工業工程與管
理研究所，91年碩士論文。
42.經濟部統計處，「工業生產統計月報」，1999-2002。。
43.薛國強，「應用類神網路與模糊神經網路於智慧型銷售量預測系統建
立之研究」，高雄工學院管理科學系，1994年碩士論文。
44.蔡詩怡，「應用模糊合類神經網路於疾病診斷之研究─以肝病為
例」，交通大學工管所碩士論文，2000.
45.蔡承璋，「活動斷層帶限制發展處理機制與策略評估之研究」，台北
科技大學建築與都市設計研究所，2003年碩士論文。
46.劉世仰，「模糊時間數列預測」，義守大學工業管理學系，90年碩士
論文。
47.劉克一，「以遺傳演算法演化類神經網路在股價預測上的應用」，真
理大學管理科學研究所，2000年碩士論文。
48.劉瑞鑫，「時間序列與人工智慧方法在台股指數報酬率預測之績效比
較」，朝陽科技大學財務金融系，92年碩士論文。
49.鄧聚龍、溫坤龍、吳漢雄，「灰色分析入門」，高立圖書有限公司，
1996年。
50.鐘翊方，「加強式類神經模糊推論網路及其應用」，國立成功大學電
機與控制工程系，1999年博士論文。