神經(jīng)網(wǎng)絡(luò)建立物流中心出貨預(yù)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(luò)架構(gòu)設(shè)定本文采用倒傳遞類神經(jīng)網(wǎng)絡(luò)建構(gòu)預(yù)測模式，而一適宜的網(wǎng)絡(luò)架構(gòu)將有助于網(wǎng)絡(luò)的學(xué)習(xí)與測試，且可在訓(xùn)練過程中快速達(dá)到收斂，并產(chǎn)生較小的測試范例誤差，網(wǎng)絡(luò)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(dāng)?shù)木W(wǎng)絡(luò)參數(shù)等。有關(guān)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(yīng)輸入單元間之交互作用，會(huì)有較大之誤差。而一、二層隱藏層以足以反應(yīng)其交互作用，更多的隱藏層反而使網(wǎng)絡(luò)過渡復(fù)雜，造成能量函數(shù)的局部最小值，而使網(wǎng)絡(luò)無法收斂。因此，文獻(xiàn)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(luò)參數(shù)方面，需訂定學(xué)習(xí)速率、慣性因子、學(xué)習(xí)速率遞減間隔、學(xué)習(xí)速率遞減比例等，另外學(xué)習(xí)法則與學(xué)習(xí)批次量亦會(huì)影響到預(yù)測效果，需加以考慮。本文所用的設(shè)定值如表3所示。表3類神經(jīng)網(wǎng)絡(luò)各項(xiàng)參數(shù)匯整表設(shè)定項(xiàng)目使用方法或建議值網(wǎng)絡(luò)模式倒傳遞網(wǎng)絡(luò)轉(zhuǎn)換函數(shù)雙彎曲函數(shù)學(xué)習(xí)速率(隱藏層)(輸出層)學(xué)習(xí)速率遞減比率慣性因子學(xué)習(xí)方式批次學(xué)習(xí)學(xué)習(xí)法則通用差距法則隱藏層處理單元數(shù)訓(xùn)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(xùn)練與測試范例的比例，從既有范例中系統(tǒng)性地選擇訓(xùn)練范例集與測試范例集，若要從N個(gè)范例中抽出個(gè)訓(xùn)練范例與個(gè)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(gè)子范例，因此每個(gè)子范例數(shù)為，且為整數(shù)。在每個(gè)子范例中本文取前個(gè)為訓(xùn)練范例，后個(gè)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(yùn)算，若有280個(gè)范例用以決定訓(xùn)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(dāng)?shù)恼麛?shù)，其配置的情形如表4所示。表4 訓(xùn)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?dāng)?shù)字表示每個(gè)子范例中后個(gè)測試范例數(shù)網(wǎng)絡(luò)的學(xué)習(xí)與測試在將訓(xùn)練范例輸入網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)之前，除需設(shè)定各項(xiàng)參數(shù)外，亦需決定學(xué)習(xí)次數(shù)以確定網(wǎng)絡(luò)何時(shí)學(xué)習(xí)完畢，同時(shí)需要決定網(wǎng)絡(luò)收斂準(zhǔn)則以確定網(wǎng)絡(luò)是否收斂而可加以使用。本文在網(wǎng)絡(luò)學(xué)習(xí)階段以記錄RMS的方法了解網(wǎng)絡(luò)的收斂情形，由于本預(yù)測模式所使用的輸出層只有一個(gè)處理單元，根據(jù)式的法則，即可視為收斂情況良好。學(xué)習(xí)次數(shù)的多寡會(huì)影響網(wǎng)絡(luò)學(xué)習(xí)的良窳，一般而言次數(shù)愈多學(xué)習(xí)效果愈佳，但太多的學(xué)習(xí)亦會(huì)導(dǎo)致過度學(xué)習(xí)的現(xiàn)象，本文所設(shè)定的學(xué)習(xí)次數(shù)為50000次，且采用批次學(xué)習(xí)量等于10的批次學(xué)習(xí)。預(yù)測績效的計(jì)算與比較本程序的最后一個(gè)步驟是選擇MAPE與MAE為預(yù)測績效準(zhǔn)則，并以測試范例的輸出值計(jì)算預(yù)測績效，選擇MAPE與MAE做為預(yù)測績效準(zhǔn)則主要是其常被引用，且容易了解其含意。當(dāng)各種組合的預(yù)測結(jié)果計(jì)算出來之后，即進(jìn)行其之間的比較，以找出最適的參數(shù)與訓(xùn)練/測試范例組合。實(shí)例驗(yàn)證為證實(shí)本文所建構(gòu)之預(yù)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(luò)之預(yù)測模式，并以某物流中心兩種商品之實(shí)際出貨數(shù)據(jù)進(jìn)行預(yù)測，此兩種商品是經(jīng)由物流中心人員問卷調(diào)查所認(rèn)為的重要品項(xiàng)，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(yù)測模式的實(shí)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(shí)務(wù)經(jīng)驗(yàn)與專業(yè)知識(shí)針對(duì)這兩項(xiàng)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(yù)測結(jié)果，可將出貨數(shù)量與可能影響因素進(jìn)行統(tǒng)計(jì)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(jī)率對(duì)當(dāng)期的出貨量進(jìn)行相關(guān)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(duì)出貨量的影響程度。經(jīng)由檢定，影響此兩項(xiàng)商品的預(yù)測變
電大資料相關(guān)推薦
鄂ICP備17016276號(hào)-1