臺灣博碩士論文加值系統

隨著經濟成長以及工資和物價的上漲，通膨的壓力造成產銷成本增加，除此之外，台灣在加入WTO之後，所面對貿易自由化的趨勢，必須與全球競爭，而使得以小農經濟為主的台灣面臨重大挑戰，因此能夠取得正確及有用的資訊，並掌握市場供需的變動，才足以因應市場的變化。
本研究以台灣民眾日常生活常食用的甘藍作為例子，在農產生成過程中充滿著不確定性的情況下，將生產成本、進出口貿易、產地物價、交易量、氣候等資訊作為可能影響之變數，並利用資料採礦的技術建立CRISP-DM流程，包含迴歸分析、時間序列、類神經網路、SVR、隨機森林、MARS等預測方法找出最佳之農業價量預測模型，在交易量以MARS為最佳模型；在平均價以SVR為最佳模型，研究結果期望能協助相關單位快速取得詳細的產銷預警制度，提早擬定因應措施，達到提升農業資訊力、農產穩定等目的。

As the increase of the economy, wages and consumer price, the pressure of Inflation causes production and marketing cost to increase. In addition, after joined the WTO, Taiwan faced the trend of trade liberalization, and had to compete against the whole world, this situation lead Taiwan to be confronted with a significant challenges. Therefore, to get correct and useful information, and grasp the changes of market supply and demand are able to react the changes in market.
This study took cabbage for example, under the situation that full of uncertainty in the process of agricultural produce, regarded import and export trade, origin price, trading volume, and climate information as influence variables, and used data mining techniques to establish CRISP-DM process included regression analysis, time series, neural network, SVR and Random Forests and MARS prediction methods to find out the best agricultural forecasting model of crop price and yield. The results showed that MARS is the best model in Yield and SVR is the best model in price. This study expect the results can assist the related governmental units to obtain detailed price and yield early warning system quickly, and make countermeasure in advance, to improve the ability of agricultural information and production stability.

目錄
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 1
第三節 研究流程 2
第貳章 文獻探討 4
第一節 農產品價格或產量預測 4
第二節 資料採礦CRISP-DM建模流程 5
第三節 相關預測方法 8
第參章 研究方法 14
第一節 農產品價量預測標準作業流程 14
第二節 迴歸分析 17
第三節 時間序列 20
第四節 類神經網路 23
第五節 隨機森林 25
第六節 支援向量迴歸 26
第七節 R軟體 29
第八節 模型評估 31
第肆章 實證分析 32
第一節 資料準備 32
第二節 模型建置與評估 38
第伍章 結論與建議 46
第一節 結論 46
第二節 研究建議 48
參考文獻 49

中文部分
王策玄(2002)。水果需求及消費型態分析。國立中興大學行銷學系碩士論文。
王裕民(2010)。應用多變數迴歸與類神經網路模擬機場能見度。屏東科技大學土木工程系所碩士論文。
王瑞芳(2009)。泌尿系統醫療照護相關感染之時間序列分析。臺灣大學流行病學研究所碩士論文。
朱芫慧(2008)。利用MARS法進行即時河川水位預測之研究。輔仁大學應用統計學研究所碩士論文。
何宜鍵(1997)。上市公司股價報酬率及波動性之預測-類神經網路及多元迴歸模型之配適性研究。國立中正大學企業管理學系碩士論文。
李惠妍(2003)。類神經網路與迴歸模式在台股指數期貨預測之研究。國立成功大學企業管理學系(EMBA)專班碩士論文
李曉隆(2002)。出租公寓之租金價格預測-複迴歸分析與類神經網路的比較。國立台灣科技大學企業管理系碩士論文。
林佩蓉(2002)。蔬菜批發價格漲跌幅預測之研究─線性與非線性模式之比較。國立中興大學行銷學系碩士論文。
林宸翊(2009)。應用於行為評等之Random forests及其變數選擇。輔仁大學應用統計所碩士論文。
林真真(2007)。統計分析與應用手冊-使用R軟體。文魁圖書。
林德祥(2010)。應用模糊時間序列與倒傳遞類神經網路預測台灣加權股票指數趨勢。國立交通大學工業工程與管理學系碩士論文。
邱思涵(2010)。應用時間序列模型分析外國旅客來台觀光人數。中國文化大學經濟學系碩士論文。
唐淑娟(2001)。台灣地區鳳梨零售價格預測之研究─灰預測、類神經網路與預測組合之應用。屏東科技大學農企業管理研究所碩士論文。
徐培哲(2007)。應用迴歸分析、卡門濾波及類神經網路於道路工程標價預測之研究。逢甲大學土木工程所碩士論文。
張聖宏(2011)。應用類神經網路建立股票型基金市場績效預測模型-以整合技術指標與門檻值設定之分析為例。國立交通大學管理學院資訊管理學程碩士論文。
梁育靜(2009)。美元對新台幣匯率預測之研究-迴歸分析及時間序列分析。東吳大學經濟學系碩士論文。
許弘毅(2010)。影響急診收入及就醫人次數之探討--時間序列分析。高雄醫學大學醫務管理學研究所碩士在職專班碩士論文。
連偉志(2010)。台灣股價指數時間序列之研究。國立交通大學管理學院碩士在職專班財務金融組碩士論文。
郭佩香(2009)。利用Random Forest與高速公路ETC資料進行旅行時間預測之研究─以泰山收費站到楊梅收費站之間為例。輔仁大學應用統計學研究所碩士論文。
郭亭君(2010)。以模糊時間序列模式預測日本來台旅遊人數。淡江大學管理科學研究所碩士班碩士論文。
陳寬裕(2006)。結合遺傳演算法與支援向量回歸於台灣股票加權指數之預測。計量管理期刊，3(1)，1-18
陳靜怡(2003)。整合類神經網路與多元適應性迴歸於失業率預測。輔仁大學管理學研究所碩士班論文。
彭克仲、陳貞伶、謝麗芳、嚴明(1998)。應用類神經網路於甘藍菜價格預測之分析。臺灣經濟，11月，263卷，35-50。
曾麗華(1995)。以時間數列探討台灣地區之蔬菜價格結構。成功大學統計研究所碩士論文。
戢桂如、蔡瓊娥、周世玉(1997)。甘藍菜價格預警系統之建立--以ARiMA模式為預測基礎。臺灣經濟，6月，246卷，17-26。
葉敬軒(2001)。台灣主要水果之價格分析─非線性模型之應用。中興大學農產運銷研究所碩士論文。
鄭永福(2000)。台灣地區主要蔬菜價格之時間數列分析。成功大學統計所碩士論文。
蘇志倫(1999)。台灣主要水果市場之動態分析。中興大學農產運銷研究所碩士論文。
英文部分
Bergerson, K. & Wunsch, D. C. (1991), A Commodity Trading Model Based on a Neural Network-expert System Hybrid ,IJCNN-91,I, 289-293.
Berrry, M. J. A. & Linoff, G.,(1997). Data Mining Techniques: For Marketing Sale and Customer Support. Wiley Computer.
Box, G. and Jenkins, G. (1970). Time Series Analysis: Forecasting and Control,Holden-Day, San Francisco.
Breiman L.(2001), Random forests Machine Learning, 45(1), 5-32.
Cabena, P., Hadjinian, P. O. , Stadler, R., Verhees, J. & A. Zanasi, (1997). Discovering Data Mining from Concept to Implementation. New Jersey, Prentice Hall.
Cherkassky, V. & Y. Ma(2004).Practical selection of SVM parameters and noise estimation for SVM regression, Neural Network, 17,113-126.
Chiang, W.C., Urban, T. L. & Baldridge, G.W.(1995), A Neural Network Approach to Mutual Fund Net Aasset Value Forecasting ,Omega, Int. J. Mgmt. Sci. 24(2), 205-210.
Choi, D. H., Ahn, B. S. , & Kim, S.H. (2005). Prioritization of association rules in data mining: Multiple criteria decision approach. Expert Systems With Applications, 29(4),867-878.
Craven, P., Wahba, G.(1979).Smoothing Noisy Data with Spline Functions. Estimatimg the Correct Degree of Smoothing by the Method of Generalized Cross-validation,Numberische Mathematik,31,317-403.
Fayyad, M. U. (1996),Data Mining and knowledge Discovery: Making Sense Out of Data,IEEE Expet, 11(5) ,20-25.
Friedman,J. H. (1991).Multivariate Adaptive Regression Splines(with discussion). Annals of Statistics,19,1-141.
Griffin, W. L., Fisher, N. I., Friedman, J. H.,& Ryan, C.G. (1997).Statistical Techniques for the Classification of Chromites in Diamond Exploration Samples, Journal of Geochemical Exploration,59,223-249.
Gunn, S. R. (1998).Support vector machines for classification and regression, Technical Report, Dept of Electronics and Computer Science, University of Southampton
Ho, T. K. (1998). The random subspace method for constructing decision forests, IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(8) , 832-844
Hsu, C. W., C. C. Lin, & C. J. Lin(2003).A practical guide to support classification, Available from:http://www.csie.ntu.edu.tw/~cjlin/papers/guide.pdf.
Huang, C. L., & Tsai, C.Y. (2009). Ahybrid SOFM-SVR with a filter-based feature selection for stock market forecasting.Expert Systems with Applications,36(2),1529-1539.
Jan G. Gooijer, Bonnie K. Ray, Krager, H.(1998). Forecasting Exchange Rates Using TSTIME, Journal of International Money and Finance, 17(3),513-534.
Lapedes, A., & Farber, R. (1987). Nonlinear Signal Processing Using Neural Networks: Prediction and System Modeling,Los Alamos National Laboratory, Technical Report, LA-UR-87-2662.
Lewis,P. A. W.,& Steveans, J. G. (1991).Nonlinear Modeling of Time Series Using Multivariate Adaptive Regression Splines(MARS),The Journal of the American Statistical Association, 86,864-877.
Liong, S. Y., & C. Sivapragasam .(2002). Flood Stage Forecasting with Support Vector Machines. Journal of the American Water Resources Association,38(1), 173–186.
R. Fletcher, T. Johnson, (1997).On the stability of null-space methods for KKT systems,SIAM J. Matrix Anal. Appl., 18, 938–958.
Tay, F. E. H. & L. Cao, (2001).Application of support vector machines in financial time series forecasting, Omega, 29, 309-317.
U. A. Kumar(2005). Comparison of neural networks and regression analysis: a new insight.Computers Operations Research,21(3),249-263
Vapnik, V. N.(1995),The Nature of the Statistical Learning Theory. New York: Springer.
Vapnik, V. N., S. Golowich, and A. Smola (1997). Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. In: Neural Information Processing Systems, M. Mozer, M. Jordan, and T. Petsche, eds., MIT Press, Cambridge, MA, 169-184.
Wiener, N. (1958). Nonlinear Problems in Random Theory, M.I.T. Press, Cambring, Mass.
Zhang, G., Patuwo, B. E,. & Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of art. International Journal of Forecasting,14(1),35-62.