臺灣博碩士論文加值系統

銷售預測對各個產業中的企業都是相當重要的議題。但由於銷售數值資料很容易受如政府政策、景氣循環…等眾多因素影響，使得其具有雜訊、非穩態等性質。其中雜訊會使得建構之時間序列預測模型產生過度配適或配適不足的問題；而非穩態的特性會使得時間序列的統計分析分配會隨著時間變化而改變，增加預測模式建立之困難度。
銷售預測一直是作業決策之重要議題之一，但由於銷售預測之時間序列訊號具有雜訊、非平穩(Non-stationary)及非線性(Non-linear)等性質，使得銷售預測成為學術研究與企業實務關注的重要議題。本文研究主要提出一混合希爾伯特-黃轉換(Hilbert-Huang Transform, HHT)與倒傳遞類神經網路(Back-propagation Network, BPN)、支援向量迴歸(Support Vector Regression, SVR)之兩階段預測模式程序，首先將具有非平穩且非線性的時間序列訊號經由HHT中的經驗模態分解(Empirical Mode Decomposition, EMD)方法分解成數個本質模態函數(Intrinsic Mode Functions, IMFs)，得到平穩序列訊號後之IMFs，再使用BPN、SVR以平穩序列訊號後之IMFs建構預測模式，期望可以使BPN、SVR在建構時不受非平穩性質影響，進而提升預測結果的準確率。為了驗證所提方法之有效性，以國內六大產業(顯示器面板製造業、發光兩極體製造業、石油化學工業、鋼鐵基本工業、半導體業、資訊電子業)進行實證研究，並與單一BPN、SVR模式、自我回歸整合移動平均模式（Auto regressive Integrated Moving Average Models，ARIMA）模型及兩種訊號處理技術(小波分析、獨立成份分析)之預測結果進行比較。實驗結果顯示，所提之方法在多項預測誤差的表現上均較其他模型為佳。

Sales prediction is an important issue for most enterprise in every industry. However, in the work of sales forecasting, the data of sales are usually affected by government’s policy, business cycle … etc. which make sales data include noises and instabilities. The noise of data will make time series model over fitting or under fitting and the instability will make it hard to construct a predicting model.
For overcome the problem as above. This study uses the approaches of Hilbert-Huang transform (HHT), back-propagation neural network (BPN) and support vector regression (SVR). First, we use “Empirical Mode Decomposition” method of HHT to transform non-stationary and non-linear times series information into several “Intrinsic Mode Functions (IMFs)”. Second, we import IMFS by using BPN and SVR method to construct predicting model in order to reduce noise and instability. Finally, we use the sales data of six industries in Taiwan to test and verify the effectiveness of our method by compare with the data which are not transformed by HHT.
Additionally, we also compare our method with Auto regressive Integrated Moving Average Models (ARIMA), Wavelet analysis and Independent Component Analysis. The results shows that our method is better than other model on predict errors.

目錄 IV
圖目錄 VI
表目錄 VIII
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 3
第三節 研究範圍和限制 3
第四節 研究內容與流程 4
第二章 文獻探討 6
第一節 傳統預測方法 6
第二節 希爾伯特-黃轉換 12
第三節 類神經網路 14
第四節 支援向量迴歸 21
第五節 小波分析與獨立成分分析 25
第三章　研究方法 27
第一節 希爾伯特-黃轉換 27
第二節 倒傳遞類神經網路 29
第三節 支援向量迴歸 31
第四節 結合HHT與BPN預測模式之建構 34
第五節 結合HHT與SVR預測模式之建構 34
第四章 實證結果 36
第一節 實證資料蒐集 36
第二節 績效評估指標 37
第三節 實證模式建構 38
一、希爾伯特黃轉換(HHT) 38
二、ARIMA模型 47
三、混合HHT與BPN預測模式與單一BPN模型之比較 61
四、混合HHT與SVR預測模式與單一SVR模型之比較 69
第四節 實證結果分析 83
第五節 HHT與其他訊號技術處理技術之比較 85
第五章 結論與建議 89
第一節 結論 89
第二節 未來研究建議 90
參考文獻 91
中文文獻 91
英文文獻 95

中文文獻
1.于宗先，經濟預測，大中國出版社，民國六十一年。
2.仇士元(2002)，加總模型的預測效果-以台灣地區汽車銷售量資料為例，私立長庚大學企業管理研究所碩士論文。
3.王升錦(2003)，鯉魚潭水庫大壩受震反應分析，國立中央大學土木工程研究所碩士論文。
4.王富恩(2002)，長鞭效應在不同需求型態下關鍵影響因素之探討，國防管理學院後勤管理研究所碩士論文。
5.吳政憲(2001)，希爾伯特阻尼譜於高樓損傷評估之應用，國立中央大學土木工程研究所碩士論文。
6.吳哲榮(2008)，結合灰色理論與經驗模態分解法於固定路線車輛旅行時間之預測，國立中央大學土木工程研究所碩士論文。
7.呂孟學(2000)，應用類神經網路於即時停車需求預測之研究，國立中央大學土木工程研究所碩士論文。
8.李欣霈(2006)，類神經網路於真空成型產業銷售預測之應用-以個案公司為例，私立輔仁大學國際創業與經營管理學程碩士在職專班碩士論文。
9.李友錚(2003)。作業管理：創造競爭優勢。台北市：前程企業管理有限公司。
10.周湘蘭(2002)，類神經網路在多重產品需求預測上之應用，私立元智大學工業工程與管理學系碩士論文。
11.林其鴻(2005)，資料探勘於財務時間序列預測之建構-以日經225指數及台灣加權指數為例，私立輔仁大學金融研究所碩士論文。
12.林隆儀、羅文坤、鄭英傑，新產品行銷策略，超越企管顧問股份有限公司，民國八十年八月五版。
13.林漢洲(2008), 財務時間序列預測混合模型之研究，國立宜蘭大學經營管理研究所碩士班碩士論文。
14.邱穎聖(2002)，通用回歸神經網路在中長期需求模式上之建構與探討—以電腦零組件為例，私立元智大學工業工程與管理學系碩士論文。
15.金益強(2008)，應用灰色理論與類神經網路組合模式於計畫備料需求預測之研究，國立國防大學兵器系統工程碩士班碩士論文。
16.洪國智(2005)，建構加權演化式模糊類神經網路於PCB生產預測之研究，私立元智大學工業工程與管理學系碩士論文。
17.夏迺華(2005)，汽車代理商售後服務零件存貨管理之研究，私立中原大學企業管理研究所碩士論文。
18.徐品勝(2007)，倒傳遞類神經網路在銷售預測之應用以TFT-LCD產業為例，私立元智大學工業工程與管理學系碩士論文。
19.張瑤峰(2001)，類神經網路在銷售預測應用之探討，私立元智大學工業工程研究所碩士論文。
20.梁佩芬(2005)，股票與不動產市場泡沫現象之研究，國立台灣大學土木工程學研究所碩士論文。
21.莊秉欣(2008)，台灣液晶顯示器面板產業需求預測模式之研究，私立東海大學工業工程與經營資訊學系碩士論文。
22.許哲強（2002），台灣區域電力負載預測分析系統之建立與應用研究，國立成功大學資源工程學系碩博士班博士論文。
23.郭秀敏(2003)，模糊倒傳遞網路於印刷電路板生產預測之應用，私立元智大學工業工程與管理學系碩士論文。
24.許書瑤(2007)，結合粒子群最佳化演算法與支援向量迴歸於財務時間序列預測模式之建構-以日經225指數及台灣加權指數為例，私立輔仁大學管理學研究所碩士論文。
25.陳美芬(2003)，以希伯特黃轉換與快速傅立葉轉換於人工髖關節鬆脫之研究，私立中原大學醫學工程研究所碩士論文。
26.陳崗熒（2001），以HHT時頻分析法剖析赤道區電離層F層電漿空腔結構，國立中央大學太空科學研究所碩士論文。
27.陳雅雯(2003)，「支援向量機於預測台灣股市股價漲跌之實證研究」，南華大學資訊管理研究所碩士論文。
28.陳學群(2006)，應用獨立成份分析、支援向量迴歸及類神經網路於財務時間序列預測模式之建構，私立輔仁大學應用統計學研究所碩士論文。
29.湯健文(2003)，類神經網路於因果關係模型與時間數列模型之應用，中華大學土木工程學系碩士班碩士論文。
30.黃廷立(2008)，HHT於斜張橋振動頻譜之研究，私立中原大學土木工程研究所碩士論文。
31.黃郁仁（2004），整合案例式推理與類神經網路於新產品銷售預測-以圖書產品為例，私立元智大學工業工程與管理學系碩士論文。
32.黃庭鍾(2002)，企業因應長鞭效應之存貨政策研究-以我國主機板製造業廠商為例，國立東華大學企業管理學系碩士論文。
33.楊東翰(2004)，整合基因演算法及類神經網路於印刷電路板生產預測之研究，私立元智大學工業工程與管理學系碩士論文。
34.葉怡成，「類神經網路模式應用與實作」，儒林圖書有限公司，八版，台北，2003年。
35.劉克一(2000)，以遺傳演算法演化類神經網路在股價預測上的應用，私立真理大學管理科學研究所碩士論文。
36.劉翔瑜(2006)，倒傳遞類神經網路、支援向量迴歸於日經225現貨指數之預測及交易策略之研究，私立輔仁大學金融研究所碩士論文。
37.劉瑞鑫(2003)，時間序列與人工智慧方法在台股指數報酬率預測之績效比較，朝陽科技大學財務金融系碩士班碩士論文。
38.蔡宗穎(2008)，以小波為基礎之智慧型雜訊消除，國立東華大學電機工程學系碩士論文。
39.蔡茹鈴(2008)，小波轉換與HHT轉換法在金融股價預測之應用，私立逢甲大學應用數學所碩士論文。
40.鄭俊鴻(2008)，希爾伯特-黃轉換為基礎之適應性決策雜訊濾除，國立東華大學電機工程學系碩士論文。
41.盧靜怡(2001)，企業經營績效排名之預測—灰色關聯分析與類神經網路之應用，國立台灣科技大學資訊管理學系碩士論文。
42.羅慕君(2004)，短期訂單預測模型之研究-PDA產業為例，私立中原大學資訊管理研究所碩士論文。

英文文獻
1.B. Gates(1999), The road ahead, Prentice Hall.
2.Chow, T. W. S. and C. T. Leung(1996), “Nonlinear autoregressive integrated neural network model for short-term load forecasting,” IEE Proceeding Online no.19960600, pp500-506.
3.D. L. Donoho and M. I. Johnstone(2000), “Adapting to unknown smoothness via wavelet shrinkage,” Journal of the American Statistical Association, vol. 90,issue: 432, pp.1200-S. G. Chang and B. Yu, “Adaptive wavelet thresholding for image denoising and compression,” IEEE Trans. on Image Processing, vol. 9, issue: 9, pp.1532-1546,(Dec 24).
4.D. L. Donoho and M. I. Johnstone(1994), “Ideal spatial adaptation via wavelet shrinkage,” Biometrika, vol. 81, pp. 425-455.
5.K. Khaldi, A. O. Boudraa, A. Bouchikhi, M. T. H. Alouane, and E. H. S. Diop(2008), “Speech signal noise reduction by EMD,” in Proc. International Symposium on Communications, Control and Signal Processing, pp. 1155-1158.
6.Kim, K. (2003), “Financial Time Series Forecasting Using Support Vector Machines,” Neurocomputing, Vol. 20, pp. 307-319.
7.Kimoto, T. and K. Asakawa(1990), “Stock market prediction system with modular neural network,” IEEE International Joint Conference on Neural Network, pp1-6.
8.Kuo, R. J. (2001), “A Sales Forecasting System Based on Fuzzy Neural Network with Initial Weights Generated by Genetic Algorithm,” European Journal of Operational Research 129, pp.496-517.
9.L. Birge and P. Massart(1997), “From model selection to adaptive estimation,” in Festschrift for Lucien Le Cam: Research Papers in Probability and Statistics,Springer, pp. 55-88.
10.Law, R., and N. Au(1999), “A neural network model to forecast Japanese demand for travel to Hong Kong,” Tourism Management, Vol. 20, pp.89-97.
11.Luxh?嶴, J. T., J. O. Riis, and B. Stensballe(1996), “A hybrid econometric –neural network modeling approach for sales forecasting”, Int. J. Production Economics 43,pp.175-192.
12.M. A. Gs. Navarro and G. E. Flores-Verdad(2006), “Continuous time denoising system using an analog implementation of the wavelet transform,” in Proc. 6thInternational Caribbean Conf. Devices, Circuits and Systems, pp. 121-124.
13.O. Rioul and M. Vetterli(1991), “Wavelet and signal processing,” IEEE Signal Processing Magazine, vol. 8, issue: 4, pp. 14-38.
14.Tang, Z., Almeida, C. D., & Fishwick, P. A. (1991). Times series forecasting using neural networks vs. Box-Jenkins methodology. Simulation, 57(5), pp.303-310.
15.Tawfiq, A. S. & E. A. Ibrahim(1999), “Artificial neural networks as applied to long-term demand forecasting,” Artificial Intelligence in Engineering, Vol. 13, pp.189-197.
16.Tay, F. E. H. and Cao, L. J. (2001), “Application of Support Vector Machines in Financial Time Series Forecasting,” Omega, Vol. 29, pp.309-317.
17.Thiesing, F. M., U. Middelberg, and O. Vornberger(1995), “A neural network approach for predicting the sale of articles in supermarkets,” Third European Congress on Intelligent Techniques and Soft Computing, pp.28-31.
18.Trafalis, T. B. and Ince, H. (2000), “Support Vector Machine for Regression and Applications to Financial Forecasting,” Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks, Italy, Vol. 6, pp. 348-353.
19.Vapnik, V. N. (1997), “Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing,” Advances in Neural Information Processing Systems, Vol. 9, pp. 281-287.
20.Vapnik, V. N. (2002), “The Nature of Statistical Learning Theory (2 ed.),”New York: Springer Processing Systems 9, pp. 281-287.
21.Vellido, A., Lisboa, P. J. G., & Vaughan, J. (1999). Neural networks in business: A survey of applications 1992-1998. Expert Systems with Applications, 17, 51-70. Artificial neural network23. Yama, B. R., & Lineberry, G. T. (1999). application for a predictive task in mining. Mining Engineering, 51(2), 59-64.