臺灣博碩士論文加值系統

隨著科技的進步，儲存資料變得非常容易，迎接了大數據時代的來臨。餐飲業者的營運模式也隨之改變，而還未搭上數據潮流的餐飲業者們也想開始做些改變，以增加競爭力。首先是改善舊有的進貨模式，希望利用歷史銷售量紀錄來發展新的進貨模式，將進貨模式標準流程化，減少因舊有進貨模式所造成的材料浪費進而降低進貨與庫存成本。
本研究中的業者以往皆利用自身經驗來進貨，但為了避免存貨不足而多購入的食材，長久下來已造成不少浪費，對於此情況，業者極欲改善，而在瞭解產業需求後，本研究利用倒傳遞類神經網路建立預測模式對未來銷售量做預測，並經運算轉換為進貨預測數據以供業者作為智慧系統輔助參考，利用該進貨預測模式降低因缺貨或存貨過剩所造成的成本增加並對庫存做紀錄以確保存貨之監控。
本研究結果指出該預測模式之評估表現良好，預測結果亦達到業者要求的兩個誤差單位以內，故表示此預測模式足以在該業者餐廳中推行，除了降低成本之外，進貨工作還可交由新進員工執行，而經營階層即可回到管理層面，對整個餐廳的未來競爭力是相當有助益的。

With advances in technology, the age of big data is coming thanks to data storage has become easily accessible. For more competitive in its market, people in business want to improve their management model by big data. The first step is to improve the purchase model, utilizing the sales history to develop a new one and standardize it. Therefore, it can reduce the waste of ingredient and the cost of purchase and inventory.
This study will build a forecast model by Back Propagation Neural Network (BPNN) to forecast the future sales, and then transformed to future purchase data as the expert system to support the venders, further, to control and reduce the cost of purchase and inventory.
The result indicated that the evaluation of the forecast model is performing well, the result of the forecast also meets vendors requirements which was the deviation must under 2 purchase units. Therefore, this model is able to implement in the vendors’ restaurant. In addition to reduce the cost, the novice is able to handle the purchasing jobs so that the management does not have to do it. It is really helpful to the restaurant for raising overall competitiveness.

中文摘要 I
英文摘要 II
目錄 III
表目錄 V
圖目錄 VI
第一章、緒論 1
1.1研究背景 1
1.2研究動機 1
1.3研究目的 2
1.4研究範圍與限制 3
1.5研究步驟與流程 3
第二章、文獻探討 5
2.1類神經網路相關文獻 5
2.2倒傳遞類神經網路相關文獻 6
2.3銷售預測相關文獻 7
2.4氣溫及相對濕度定義介紹 10
第三章、研究方法 12
3.1類神經網路之基本介紹 12
3.2倒傳遞類神經網路之介紹 17
3.3 研究架構 19
第四章、預測模式設計 23
4.1 設計流程 23
4.2進貨預測之倒傳遞類神經模式設定 29
4.3 實驗結果與驗證 31
第五章、結論與未來建議 44
5.1結論 44
5.2未來建議 45
中文參考文獻 46
英文參考文獻 48

中文參考文獻
[1]大氣研究資料庫，https://dbar.ttfri.narl.org.tw/，查詢日期2015/06/20。
[2]中央氣象局，http://www.cwb.gov.tw/V7/sitemap.htm，查詢日期2015/06/20。
[3]天下雜誌，http://www.cw.com.tw/article/article.action?id=5012654#，作者：許躍儒，2011-05-02天下雜誌464期。
[4]行政院主計處，http://www.dgbas.gov.tw/ct_view.asp?xItem=14437&ctNode=3374，查詢日期2015/06/20。
[5]交通部中央氣象局，http://www.cwb.gov.tw/V7/sitemap.htm，查詢日期2015/01/13。
[6]TTR台灣趨勢研究網，http://www.twtrend.com/share_cont.php?id=42，查詢日期2015/06/20。
[7]張斐張、張麗秋，2006，類神經網路，東華書局股份有限公司
[8]廖述賢、溫志皓，2009，資料採礦與商業智慧，雙葉書廊有限公司。
[9]葉怡成，1997，應用類神經網路，儒林出版社。
[10]羅華強，2005，類神經網路-MATLAB的應用，高利書局圖書有限公司。
[11]林慧達，2006，設計便利商店冷藏飲品銷售預測系統，僑光技術學院管理研究所，碩士論文。
[12]陳功興，2006，便利商店鮮食商品銷售預測模式之研究—探討類神經網路與平假日移動平均法的比較，國立高雄第一科技大學行銷與流通管理所，碩士論文。
[13]陳彥琴，2005，應用灰色理論預測新上市之生技保健食品銷售量，國立成功大學工業與資訊管理學系碩士在職專班，碩士論文。
[14]黃宏斌，2001，高雄港轉口貨櫃運量預測之研究-以類神經網路為預測模式，國立海洋大學航運管理研究所，碩士論文。
[15]楊明德，2012，銷售預測之研究-以T公司花蓮營業處為例，國立東華大學高階經營管理碩士在職專班，碩士論文。
[16]歐宗殷，2010，資料探勘為基礎之零售業銷售預測模式以連鎖超商鮮食商品為例，國立清華大學工業工程與管理研究所，博士論文
[17]鄭宇祈，2013，類神經網路之視窗化程式開發於颱風降雨量預測，國立高雄海洋科技大學海事資訊科技研究所，碩士論文。
[18]盧從智，2013，應用類神經網路於生產排程之搬運時間預測，國立成功大學航空太空工程研究所，碩士論文。
[19]蕭伶樺，2014，巨量分析應用於供應鏈零售端方法之研究，國立勤益科技大學工業工程與管理系，碩士論文。
[20]蘇承華，2004，應用資料探勘技術於促銷成果之研究-以連鎖速食業為例，銘傳大學資訊管理學系碩士在職專班，碩士論文。

英文參考文獻
[1]Au,K. F., Choi,T. M., and Yu, Y., 2008, “Fashion retail forecasting by evolutionary neural networks”, Int. J. Production Economics 114,P.P. 615–630.
[2]Chen, C. Y., Lee, W. I., Kuo, H. M., Chen,C. W., and Chen, K. H., 2010, “The study of a forecasting sales model for fresh food”, Expert Systems with Applications 37,Pages7696–7702.
[3]Doganis,P.,Alexandridis, A., Patrinos, P.,and Sarimveis, H., 2006, “Time series sales forecasting for short shelf-life food productsbased on artificial neural networks and evolutionary computing”, Journal of Food Engineering 75, P.P. 196–204.
[4]Du, W., Leunga, S.Y.S., and Kwong, C.K., 2015, “A multiobjective optimization-based neural network model for short-term replenishment forecasting in fashion industry”, Neurocomputing Volume 151, Part 1, 3, P.P. 342 - 353.
[5]Mansur, A., and Kuncoro, T., 2012, “Product Inventory Predictions at Small Medium Enterprise Using Market Basket Analysis Approach - Neural Networks”, Procedia Economics and Finance 4, P.P. 312 – 320.
[6]Wilson, I. D., Paris, S. D., and Ware, J.A., Jenkins, D. H., 2002, “Residential property price time series forecasting with neural networks”, Knowledge-Based Systems, Volume 15, Issues 5–6, P.P. 335 - 341.