以類神經(jīng)網(wǎng)路建立物流中心出貨預測模式doc(編輯修改稿)
2024-08-13 16:42 本頁面
【文章內(nèi)容簡介】 1, 0, 0, 0, 0, 0)表示星期二，其餘依此類推。類神經(jīng)網(wǎng)路架構設定本文採用倒傳遞類神經(jīng)網(wǎng)路建構預測模式，而一適宜的網(wǎng)路架構將有助於網(wǎng)路的學習與測試，且可在訓練過程中快速達到收斂，並產(chǎn)生較小的測試範例誤差，網(wǎng)路架構的決定包含隱藏層層數(shù)、隱藏層處理單元數(shù)、以及適當?shù)木W(wǎng)路參數(shù)等。有關隱藏層的數(shù)目為一層到兩層有較佳的收斂效果，沒有隱藏層不能反應輸入單元間之交互作用，會有較大之誤差。而一、二層隱藏層以足以反應其交互作用，更多的隱藏層反而使網(wǎng)路過渡複雜，造成能量函數(shù)的局部最小值，而使網(wǎng)路無法收斂。因此，文獻建議以一層隱藏層即可解決一般問題(Villers and Barnard, 1992)。隱藏層單元數(shù)訂定可參考式(3)與式(4)。 (3) (4)其中 為隱藏層處理單元數(shù) 為輸入層處理單元數(shù) 為輸出層處理單元數(shù)在網(wǎng)路參數(shù)方面，需訂定學習速率、慣性因子、學習速率遞減間隔、學習速率遞減比例等，另外學習法則與學習批次量亦會影響到預測效果，需加以考慮。本文所用的設定值如表3所示。表3類神經(jīng)網(wǎng)路各項參數(shù)彙整表設定項目使用方法或建議值網(wǎng)路模式倒傳遞網(wǎng)路轉換函數(shù)雙彎曲函數(shù)學習速率(隱藏層)(輸出層)學習速率遞減比率慣性因子學習方式批次學習學習法則通用差距法則隱藏層處理單元數(shù)訓練與測試範例比例的決定本小節(jié)將提出一套範例選擇的程序，此程序可根據(jù)訓練與測試範例的比例，從既有範例中系統(tǒng)性地選擇訓練範例集與測試範例集，若要從N個範例中抽出個訓練範例與個測試範例。若測試範例所佔的比例為d，則 (5)測試範例所佔的比例最多為一半，但不願讓其比例過小，因此限定。為了平均地從所有範例中抽出測試範例，茲將所有範例N分成c個子範例，因此每個子範例數(shù)為，且為整數(shù)。在每個子範例中本文取前個為訓練範例，後個為測試範例，因此 (6) 為整數(shù) (7) 為整數(shù) (8)在此舉一釋例說明此程序的運算，若有280個範例用以決定訓練範例與測試範例，則d可選擇1/2到1/10等多種情況，c亦可配合d選擇適當?shù)恼麛?shù)，其配置的情形如表4所示。表4 訓練範例與測試範例分配情形N=280dcN/c1/21/41/51/71/81/102140703528201447035141075562814877401010854102814741402102242402452521407056403528說明：灰色空格內(nèi)之數(shù)字表示每個子範例中後個測試範例數(shù)網(wǎng)路的學習與測試在將訓練範例輸入網(wǎng)路進行學習之前，除需設定各項參數(shù)外，亦需決定學習次數(shù)以確定網(wǎng)路何時學習完畢，同時需要決定網(wǎng)路收斂準則以確定網(wǎng)路是否收斂而可加以使用。本文在網(wǎng)路學習階段以記錄RMS的方法瞭解網(wǎng)路的收斂情形，由於本預測模式所使用的輸出層只有一個處理單元，根據(jù)式的法則，即可視為收斂情況良好。學習次數(shù)的多寡會影響網(wǎng)路學習的良窳，一般而言次數(shù)愈多學習效果愈佳，但太多的學習亦會導致過度學習的現(xiàn)象，本文所設定的學習次數(shù)為50000次，且採用批次學習量等於10的批次學習。預測績效的計算與比較本程序的最後一個步驟是選擇MAPE與MAE為預測績效準則，並以測試範例的輸出值計算預測績效，選擇MAPE與MAE做為預測績效準則主要是其常被引用，且容易瞭解其含意。當各種組合的預測結果計算出來之後，即進行其之間的比較，以找出最適的參數(shù)與訓練/測試範例組合。實例驗證為證實本文所建構之預測模式之有效性，茲利用Works Professional II Plus(1995)軟體建構類神經(jīng)網(wǎng)路之預測模式，並以某物流中心兩種商品之實際出貨資料進行預測，此兩種商品是經(jīng)由物流中心人員問卷調(diào)查所認為的重要品項，分別為餅乾類零食商品(簡稱A商品)與茶飲料商品(簡稱B商品)。茲將此預測模式的實作程序說明如下。此A商品與B商品的皆為2天，而此物流中心之為1天，經(jīng)由物流中心人員依其實務經(jīng)驗與專業(yè)知識針對這兩項商品提供可能影響因素為氣溫、降雨情形、天氣狀況、星期別以及前幾期之出貨情形。為求更精確的預測結果，可將出貨數(shù)量與可能影響因素進行統(tǒng)計分析，以篩選出更確切的影響因素，例如可將前幾期的出貨量、氣溫或降雨機率對當期的出貨量進行相關分析，瞭解其影響程度。而變異數(shù)分析則可檢定不同星期別對出貨量的影響程度。經(jīng)由檢定，影響此兩項商品的預測變數(shù)如表5所示，但由於天空
研究報告相關推薦
鄂ICP備17016276號-1