以類神經(jīng)網(wǎng)路建立物流中心出貨預(yù)測模式doc(參考版)
2025-07-20 16:42本頁面
【正文】 2nd revised Oct. 2004。(Received Mar. 2004。 Management Systems、商業(yè)現(xiàn)代化學(xué)刊、品質(zhì)學(xué)報、正修學(xué)報等期刊，為本論文之通訊作者。參考文獻Bowersox, D. J. and Closs, D. J. (1996), Logistical Management: The Integrated Supply Chain Process, McGrawHill, International Editions.Hua, G. B. (1996), Residential Construction Demand Forecasting Using Economic Indicators: A Comparative Study of Artificial Neural Networks and Multiple Regression, Construction of Management amp。茲將本研究所獲致的研究結(jié)論彙整如下：，可將所有攸關(guān)變數(shù)轉(zhuǎn)換成類神經(jīng)網(wǎng)路所需的輸入資料。而天空狀況的影響程度將以網(wǎng)路A12測試，範例比例參數(shù)仍採用d=c=5，%，%，在相同的範例比例參數(shù)下可證明將天空狀況因素納入預(yù)測模式中將可增進預(yù)測精度。將同樣的比例參數(shù)運用在A商品的例子中(網(wǎng)路A11)，可看出使用相同的參數(shù)亦可得到不錯之績效。預(yù)測結(jié)果分析與討論根據(jù)表4的配置情形進行網(wǎng)路的學(xué)習(xí)並收集網(wǎng)路B1的RMS，可判斷不論使用何種比例結(jié)構(gòu)均可達良好收斂。本文並先採用A11與B1的網(wǎng)路結(jié)構(gòu)進行學(xué)習(xí)，在學(xué)習(xí)過程中並蒐集輸出層的RMS，以判斷網(wǎng)路的收斂程度。表6 各類商品網(wǎng)路架構(gòu)網(wǎng)路架構(gòu)(網(wǎng)路代號)商品A1791(A11)23121(A12)*1741(A21)2351(A22)*B741(B1)731(B2)說明：* 表示加入天空狀況變數(shù)本文選取1997年1月到1997年11月間的出貨資料進行類神經(jīng)網(wǎng)路的學(xué)習(xí)與測試，兩項商品皆有280筆資料。根據(jù)各類變數(shù)轉(zhuǎn)換後的資料數(shù)目，每種商品的輸入變數(shù)如表5所示。經(jīng)由檢定，影響此兩項商品的預(yù)測變數(shù)如表5所示，但由於天空狀況的影響程度不易檢定，可先不考慮其影響的前提下執(zhí)行預(yù)測，再比較加入天空狀況因素的情形下其間的差異。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(guān)分析，瞭解其影響程度。茲將此預(yù)測模式的實作程序說明如下。當各種組合的預(yù)測結(jié)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(xùn)練/測試範例組合。學(xué)習(xí)次數(shù)的多寡會影響網(wǎng)路學(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，且採用批次學(xué)習(xí)量等於10的批次學(xué)習(xí)。表4 訓(xùn)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(xué)習(xí)與測試在將訓(xùn)練範例輸入網(wǎng)路進行學(xué)習(xí)之前，除需設(shè)定各項參數(shù)外，亦需決定學(xué)習(xí)次數(shù)以確定網(wǎng)路何時學(xué)習(xí)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。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)。表3類神經(jīng)網(wǎng)路各項參數(shù)彙整表設(shè)定項目使用方法或建議值網(wǎng)路模式倒傳遞網(wǎng)路轉(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(xùn)練與測試範例的比例，從既有範例中系統(tǒng)性地選擇訓(xùn)練範例集與測試範例集，若要從N個範例中抽出個訓(xùn)練範例與個測試範例。 (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(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
研究報告相關(guān)推薦
鄂ICP備17016276號-1