神經(jīng)網(wǎng)絡建立物流中心出貨預測模式研討doc(編輯修改稿)
2025-08-14 12:59 本頁面
【文章內(nèi)容簡介】 0, 0, 0)表示星期一，(0, 1, 0, 0, 0, 0, 0)表示星期二，其余依此類推。類神經(jīng)網(wǎng)絡架構(gòu)設定本文采用倒傳遞類神經(jīng)網(wǎng)絡建構(gòu)預測模式，而一適宜的網(wǎng)絡架構(gòu)將有助于網(wǎng)絡的學習與測試，且可在訓練過程中快速達到收斂，并產(chǎn)生較小的測試范例誤差，網(wǎng)絡架構(gòu)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)絡參數(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)絡過渡復雜，造成能量函數(shù)的局部最小值，而使網(wǎng)絡無法收斂。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)絡參數(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)絡各項參數(shù)匯整表設定項目使用方法或建議值網(wǎng)絡模式倒傳遞網(wǎng)絡轉(zhuǎn)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)訓練與測試范例比例的決定本小節(jié)將提出一套范例選擇的程序，此程序可根據(jù)訓練與測試范例的比例，從既有范例中系統(tǒng)性地選擇訓練范例集與測試范例集，若要從N個范例中抽出個訓練范例與個測試范例。若測試范例所占的比例為d，則 (5)測試范例所占的比例最多為一半，但不愿讓其比例過小，因此限定。為了平均地從所有范例中抽出測試范例，茲將所有范例N分成c個子范例，因此每個子范例數(shù)為，且為整數(shù)。在每個子范例中本文取前個為訓練范例，后個為測試范例，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個范例用以決定訓練范例與測試范例，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 訓練范例與測試范例分配情形N=280dcN/c1/21/41/51/71/81/102140703528201447035141075562814877401010854102814741402102242402452521407056403528說明：灰色空格內(nèi)之數(shù)字表示每個子范例中后個測試范例數(shù)網(wǎng)絡的學習與測試在將訓練范例輸入網(wǎng)絡進行學習之前，除需設定各項參數(shù)外，亦需決定學習次數(shù)以確定網(wǎng)絡何時學習完畢，同時需要決定網(wǎng)絡收斂準則以確定網(wǎng)絡是否收斂而可加以使用。本文在網(wǎng)絡學習階段以記錄RMS的方法了解網(wǎng)絡的收斂情形，由于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)絡學習的良窳，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，且采用批次學習量等于10的批次學習。預測績效的計算與比較本程序的最后一個步驟是選擇MAPE與MAE為預測績效準則，并以測試范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，且容易了解其含意。當各種組合的預測結(jié)果計算出來之后，即進行其之間的比較，以找出最適的參數(shù)與訓練/測試范例組合。實例驗證為證實本文所建構(gòu)之預測模式之有效性，茲利用Works Professional II Plus(1995)軟件建構(gòu)類神經(jīng)網(wǎng)絡之預測模式，并以某物流中心兩種商品之實際出貨數(shù)據(jù)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，分別為餅干類零食商品(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(jié)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，了解其影響程度。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
電大資料相關推薦
鄂ICP備17016276號-1