臺灣博碩士論文加值系統

科技發展迅速的時代，行動電話已經是生活中不可缺少的物品，而隨著需求與方便，行動電話市場也跟著擴展。運營商為了盡早分配營銷資源，以降低生產成本，必須能夠預測未來市場的需求。現今大數據的增長，使得類神經網路已廣泛的應用在各個領域做預測、最佳化以及分類等，都有很好的成果。本研究將使用倒傳遞類神經網路建立預測模型，利用近年來行動電話的需求，進行市場的銷售量預測。
本研究使用MATLAB類神經網路工具箱，來建立類神經網路預測模型，以2006年至2012年五種特徵資料各為84筆做為類神經網路訓練使用，來預測第2013年的1月到12月之3G行動電話用戶數。五種特徵資料種類包括，年、月、中華民國國家通訊傳播委員會之手機用戶數月統計資料、中華民國統計資訊網之就業人口數月統計資料、內政部之戶籍登記人口數月統計資料。本研究逐一調整學習速率、特徵個數、隱藏層神經元個數以及隱藏層層數，經過實驗已測試出最佳的類神經網路架構為5-4-1與學習速率0.1，其預測結果誤差均在0.5%以內。

In the era of rapid technological development, cell phones are already indispensable items in life, and with the demand and convenience, the cell phone market has also expanded. In order to allocate marketing resources as early as possible to reduce production costs, operators must be able to predict future market demand. The growth of big data today makes the neural network have been widely used in various fields for prediction, optimization and classification, and all have good results. This study used Back-Propagation Neural Network to build prediction models, and used the demand for mobile phones in recent years to predict market sales.
This study used the MATLAB neural network toolbox to construct a neural network prediction model. Using five features from year 2006 to 2012, 84 data of each feature were used for neural network training to predict the number of 3G cell phone users between January and December 2013. The five types of features include, year, month, Monthly statistics on the number of cell phone users of the National Communications and Communication Commission of the Republic of China, Monthly statistics on the employment of the Republic of China Statistics Information Network, Monthly statistics on the registered population of the Ministry of the Interior. This study adjusted the learning rate, the number of features, the number of hidden layer neurons and the number of hidden layers one by one. After experiment, the best neural network architecture is tested to be 5-4-1 and the learning rate is 0.1. The error of the results is within 0.5%.

摘要 …………………………………………………………………………… i
Abstract …………………………………………………………………………… ii
誌謝 …………………………………………………………………………… iii
目錄 …………………………………………………………………………… iv
表目錄 …………………………………………………………………………… v
圖目錄 …………………………………………………………………………… vi
第一章 序論……………………………………………………………………… 1
1.1 研究背景與動機………………………………………………………… 1
1.2 論文架構………………………………………………………………… 2
第二章 影響行動電話用戶數因子……………………………………………… 3
2.1 用戶數定義……………………………………………………………… 4
2.2 普及率定義……………………………………………………………… 5
2.3 影響行動電話用戶數因子……………………………………………… 5
第三章 倒傳遞類神經網路介紹………………………………………………… 6
3.1 倒傳遞類神經網路架構………………………………………………… 6
3.1.1 人工神經元……………………………………………………………… 8
3.2.0 倒傳遞類神經網路演算法……………………………………………… 11
3.2.1　訓練過程………………………………………………………………… 19
3.2.2 預測過程………………………………………………………………… 20
3.2.3 過度訓練及交叉驗證法的關係與做法………………………………… 21
3.2.4 類神經網路輸入資料的正規化………………………………………… 21
第四章 應用倒傳遞類神經網路於台灣行動電話銷售量預測之實作方法…… 22
4.1 預測模型建置…………………………………………………………… 23
4.1.1 資料正歸化……………………………………………………………… 23
4.1.2 模型建置與參數說明…………………………………………………… 24
4.1.3 網路預測………………………………………………………………… 31
第五章 實驗結果與分析………………………………………………………… 33
5.1 學習速率對網路訓練的影響…………………………………………… 41
5.2 隱藏層處理單元個數對網路訓練的影響……………………………… 42
5.3 輸入層處理單元個數對網路訓練的影響……………………………… 44
5.4 隱藏層對網路訓練的影響……………………………………………… 45
第六章 結論……………………………………………………………………… 46
參考文獻 …………………………………………………………………………… 47
Extended Abstract………………………………………………………………… 51

[1]劉俊杰等編著，2005，“類神經網路應用於反彈值推估混凝土抗壓強度可行性研究”台灣公路工程，32卷，5期。
[2]郭炳煌，2002，“以統計方法與類神經網路模式預估工程直接成本之研究”， 國立高雄第一科技大學營建工程系碩士論文。
[3]葉懷仁，2003，“類神經網路應用於引擎聲訊之辨識”，國立中山大學物理研究所碩士論文。
[4]李信昱，2009，“利用類神經網路預測組織型客戶退貨數量之研究”，國立成功大學工業與資訊管理學系碩士論文。
[5]李天傑，2016，“以倒傳遞類神經網路演算法預測電力消費量-以台灣地區為例”，國立中正大學通訊資訊數位學習碩士論文。
[6]胡永國，2002，“應用類神經網路推估地下水位洩降所致地層沉陷之研究”，國立屏東科技大學土木工程系碩士論文。
[7]葉怡程，“應用類神經網路”，儒林圖書，台北，台灣，1997。
[8]政大統計所，“無線電通信業務市場結構分析暨潛在需求預測”，電信總局營業處專案計畫，台灣，1989。
[9] Iebeling K. and Milton S.B., 1995, “ Forecasting futures trading volume using neural network”, Journal of Futures Markets,pp. 953-970.
[10]Najeb M., 2014,“Predicting Direction of Stock Prices Index Movement Using Artificial Neural Networks: The Case of Libyan Financial Market”, British Journal of Economics, Management & Trade Vol. 4, pp.597-619.
[11] Dalina Johari, Titik Khawa Abdul Rahman, Ismail Musirin, 2007,“Artificial Neural Network Based Technique for Lightning Prediction” , Student Conference on Research and Development
[12] Nan Gu, Dingsheng Wan, 2010, “Trend analysis of extreme rainfall based on BP neural network”, Sixth International Conference on Natural Computation,
[13] Maja Muftic Dedovic, Samir Avdakovic, Irfan Turkovic, Nedis Dautbasic, Tatjana Konjic, 2016, “Forecasting PM10 concentrations using neural networks and system for improving air quality”, XI International Symposium on Telecommunications,
[14] J. Skrzypski, E. Jach-Szakiel, W. Kaminski, 2008, “Neural Models for Prediction of Maximum Daily Particulate Matter PM10 Concentration in the Air in Big Cities as Ecological Safety Management Tools”, 19th International Conference on Systems Engineering,
[15]鐘啟聞，2002，“應用類神經網路與自然頻率於結構物之損壞預測”，國立成功大學船舶機械工程系碩士論文。
[16]謝朋昇，2007，“應用類神經網路於國產汽車銷售預測之研究”，私立大葉大學工業工程與科技管理學系碩士論文。
[17]侯岑諭，2014，“應用類神經網路於存貨需求預測-以A公司為例”，私立華梵大學工業工程與經營資訊學系碩士論文。
[18] Zheng Li, Renwang Li, Zhaohui Shang, Haiyan Wang, Xiulan Chen, Canlin Mo, 2012, “Application of BP neural network to sale Forecast for H company”, Proceedings of the 2012 IEEE 16th International Conference on Computer Supported Cooperative Work in Design
[19] Abdul Sahli Fakharudin, Mohd Azwan Mohamad, Mohd Usaid Johan, 2009, “Newspaper Vendor Sales Prediction Using Artificial Neural Networks”, International Conference on Education Technology and Computer
[20]Rumelhart D. E. and McClelland J. L., 1986, “Parallel Distributed Processing: Explorations in the Microstructure of Cognition.”, Vol. 1.Cambridge,MA:MIT Press.
[21] Abrahart R. J, See L. and Kneale P. E., 1998, “New Tools for Neurohydrologists: Using network pruning and Model Breeding Algorithms to Discover Optimum Inputs and Architectures.”, Proceedings of the Third International Conference on GeoComputation,
[22] Kwok T. Y., Yeung D. Y., 1997, “Constructive Alogorithms for Structure Learning in Feedforward Neural Networks for Regression Problems”, IEEE Transactions on Neural Networks, 3: 630-645.
[23]Aristidis Tsiolikas, et al., 2017, “Optimization of neural network
parameters using Taguchi Robust Design: Application in plasma arc cutting process”, 2017 Fourth International Conference on Mathematics and Computers in Sciences and in Industry,
[24]Svetlana S. Petrova, Alexander D. Solov'ev., 1997, “The Origin of the Method of Steepest Descent”, Historia Mathematica, 24(4):361-375.
[25]國立虎尾科技大學微積分教學研究會，2015，“微積分”，新北市:新文京開發。
[26] S. Lawrence, C.L. Giles, 2000, “Overfitting and neural networks:conjugate gradient and backpropagation”, Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks.,
[27] T.Q. Huynh, R. Setiono, 2005, “Effective neural network pruning using cross-validation”, IEEE International Joint Conference on Neural Networks,
[28] J. Sola, J. Sevilla, 1997, “Importance of input data normalization for the application of neural networks to complex industrial problems”, IEEE Transactions on Nuclear Science,
[29]Demuth, H., and M. Beale, 2001, “Neural Network Toolbox: For Use with MATLAB. 4th ed.”, The MathWorks, 844 pp.
[30]Chester D., 1990, “Why Two Hidden Layers are better then one.”,IEEE International Joint Conference on Neural Networks. ,8(1):43-53.
[31]Hush D.R. and Horne B. G., 1993, “Progress in Supervised Neural Networks: What’s New Since lippmann.”,IEEE Signal Processing Magazine. ,10:8-39.
[32]Kurkova V., 1992, “Kolmogorov’s Theorem and Multilayer Neural
Networks.”,Neural Networks. ,5:501-506.
[33] Zurada J. M., 1992, “Introduction to Artificial Neural Systems.”, St. Paul, MN:West Publishing.
[34]J. Sola , J. Sevilla, 1997, “Importance of Input Data Normalization for the Application of Neural Networks to Complex Industrial Problems.”, IEEE TRANSACTIONS ON NUCLEAR SCIENCE, VOL. 44, NO. 3.
[35]有效用戶數定義，2018，摘自
https://www.ncc.gov.tw/chinese/news_detail.aspx?site_content_sn=2021&cate=0&keyword=&is_history=0&pages=0&sn_f=15275
[36]蔡文楊，1999，“電信民營化對行動電話需求之研究”，國立成功大學企業管理學系碩士論文。
[37]紀翔之，2000，“台灣地區行動電話需求預測與普及率之究”，國立成功大學企業管理學系碩士論文。
[38]黃信源，2003，“台灣地區行動電話需求預測模式之建構與評估--時間序列之應用”，國立臺北大學企業管理學系碩士論文。
[39]陳威志，2011，“應用灰色理論於台灣行動電話銷售量之預測”，私立義守大學工業工程與管理學系碩士論文。
[40]國家通訊委員會通訊傳播市場報告，2017，摘自https://www.ncc.gov.tw/chinese/files/18061/5023_39296_180613_1.pdf
[41]羅華強，“類神經網路-MATLAB的應用”，高立圖書，台北，台灣，2005。
[42]中華民國國家通訊傳播委員會之手機用戶數月統計資料，2017，摘自https://www.ncc.gov.tw/chinese/news.aspx?site_content_sn=4051&is_history=0
[43]中華民國統計資訊網之就業人口數月統計資料，2017，摘自https://www.stat.gov.tw/mp.asp?mp=4
[44]內政部之戶籍登記人口數月統計資料，2017，摘自https://www.ris.gov.tw/346