臺灣博碩士論文加值系統

預測是對未來發生事情或情況的預言，由於未來事件的不確定，但卻必須為未來而做準備，故預測是相當重要的工作。對批發業而言，若零售商可以準確地預測每週的銷售，就能確實掌握到預測存貨；若製造商預測得到零售業者的訂單，就能做到準確的物流配送與完善的生產規劃。大部分的零售商及製造商已擁有銷售上的歷史資料，故如何利用這些資料，盼以較佳的需求預測模式帶給批發業更準確的資訊及降低誤差，提供備料及生產規劃的依據，降低不必要之成本支出。
本研究之目的，在利用不同的預測模式，包括傳統統計分析法(傳統分析方法)與倒傳遞類神經網路(非傳統分析法)，檢視對企業(批發業、農畜水產業、燃料業、藥類化妝品業及鐘錶眼鏡業)存貨的影響，以找出在不同環境下的適用模式。以趨勢因素與季節因素為影響預測值之變數，並以85年第一季至92年第三季之產業存貨額資料作為範例，以此兩類分析工具，對所設定之參數加以衡量，評估其相互之間的相關性。再採用追蹤信號及管制圖了解以上預測方法的精確度，以確定不同方法的適用性，俾利存貨實務預測之選擇。
由於預測工作之必要性，分析者在面對大量資料時，往往不知如何選擇，而本研究透過對於國內不同行業存貨資料之檢視，比較不同方法的優缺點，並歸納一些規則，以利選擇，合適的預測方法，將可有效節約分析者的時間花費。

Forecast is the statement of what is expected to happen in the future. Forecasting is a vital activity for the organizations because managers need to make preparations for great uncertainties of the future. If wholesalers can accurately anticipate the demand for each week, they can manage inventory effectively; the manufacturer who can correctly forecast the retailer’s order can develop a meaningful logistical and production plan. Most of retailers and the manufacturers possess considerable historical sales data, taking advantage of these data, we expect to develop a new forecasting technique so as to provide managers more accurate information to reduce potential inaccuracy. Base on the forecasts, managers can plan accordingly and cut down manufactory cost further.
The purposes of this study is to investigate the influence of inventory under different forecast techniques, including both traditional statistics analytic methods (traditional analysis method) and neural network models (non-traditional analytic method) in order to figure out the most suitable models in different situations. Taking inventories of industries form the first quarter in 1996 to the third quarter in 2003 as example, and tendencies and season factors as explanatory variables, we estimate correlations among variables. Furthermore, we evaluate accuracy for each model by control chart and tracking signal techniques in order to determine the most suitable model under different scenarios so that we may apply these models in practice.
Forecasts are the basis for many decisions. Analysts always face difficulties with choosing meaningful data when they preparing for forecasts. Using historical inventory data as example, our research provides insights into each forecasting techniques and generalize some regularities from comparison between traditional statistics analytic methods and neural network models so that they can find a suitable technique accordingly, and improve forecasting quality.

目錄
第一章 緒 論 1
1.1 研究動機 1
1.2 研究背景 1
1.3 研究目的與方法 2
1.3.1 研究目的 2
1.3.2 研究方法 3
1.4 研究架構 3
第二章 文獻探討 5
2.1 預測 5
2.1.1 預測特徵 5
2.1.2 預測條件 6
2.1.3 預測步驟 7
2.1.4 預測結果之衡量 7
2.2 統計預測方法 8
2.2.1 定性分析法 8
2.2.2 定量分析法 9
2.2.3 關聯性預測 12
2.3.4. ARIMA 13
2.3 類神經網路 14
2.3.1 類神經網路簡介 14
2.3.2 類神經網路預測之研究 14
2.3.3 倒傳遞類神經網路 16
2.4 預測誤差之衡量 16
2.4.1 追蹤信號 17
2.4.2 管制圖 17
2.5 預測模式選用與決策支援 18
2.6 本章小結 21
第三章 以統計預測方法預測存貨 22
3.1 模式導入 22
3.1.1 迴歸分析法 22
3.2 統計預測方法應用於存貨預測問題 23
3.2.1 資料來源 23
3.2.2 分析平台 24
3.3 分析結果 24
3.3.1 批發業 24
3.3.2 農畜水產業 26
3.3.3 燃料業 27
3.3.4 藥類化妝品業 29
3.2.5 鐘錶眼鏡業 31
3.4 本章小結 32
第四章 以類神經網路預測存貨 34
4.1 以MATLAB建構類神經模式 34
4.1.1 隱藏層神經元數 34
4.2 類神經網路應用於存貨預測實際問題 35
4.2.1 .MATLAB的網路運作 35
4.2.2實驗設計 35
4.2.3 分析實例 37
4.3 本章小結 42
第五章 比較分析與控制預測 43
5.1 結果比較 43
5.2 預測控制 45
5.2.1 指數平滑法 45
5.2.2 迴歸分析法 47
5.2.3 類神經網路 50
5.2.4 各預測模式之比較結果 52
5.3 模式選用與決策支援 53
5.4 統計方法與類神經網路之比較 54
5.5 類神經網路之優缺點比較 55
5.6 本章小結 56
第六章 結論與建議 57
6.1 結論 57
6.2 建議 58
參考文獻 59
中文部分 59
英文部分 61
附錄A 類神經網路相關附錄 63
A.1 類神經網路架構 63
A.2 人工類神經元模型 65
A.3 類神經網路分類 67
A.4 倒傳遞類神經網路 69
A.5 .MATLAB 的網路運作 71
附錄B 時間分解法簡介 73
附錄C 存貨實例數據(百萬元) 74
附錄D .SAS與MATLAB程式碼 75

1.方上鵬 (民88)，自有品牌商品需求預測模式。碩士論文，工業工程學系，東海大學，台中市。
2.王文中(民90)，統計學與EXCEL資料分析之實習應用。華碩文化，384-409頁，台北。
3.古強 (民85)，貝氏神經網路的建構及其在可靠度工程上的應用。碩士論文，工業工程研究所，元智大學，桃園。
4.李振民 (民89)，以類神經網路為基礎之預測系統之研究。碩士論文，土木工程研究所，中華大學，台北。
5.李威德 (民92)，類神經網路於台股指數價格預測及交易策略之應用。碩士論文，金融研究所，輔仁大學，台北。
6.李慶章 (民91) ，即時決策支援系統模式選擇之研究。博士論文，資訊管理研究所，中山大學，高雄。
7.吳宗正、溫敏杰、侯惠月 (民90)，神經網路及統計方法在台股指數期貨預測研究之比較。成功大學學報，第三十六卷，人文社會篇，台南。
8.林振松 (民90)，應用類神經網路於啤酒之銷售預測。碩士論文，工業工程與管理研究所，雲林科技大學，雲林。
9.林逸塵 (民91)，類神經網路應用於空氣品質預測之研究。碩士論文，環境工程研究所，中山大學，高雄。
10.林聰明與吳水丕 (民70)，指數平滑法之選擇與應用。華泰書局，台北。
11.周湘蘭 (民91)，類神經網路在多重產品需求預測上之應用。碩士論文，工業工程與管理研究所，元智大學，桃園。
12.施東河、林建良、蘇存繒 (民84)，台灣地區失業率之預測：類神經網路之應用。國立雲林技術學院院報，第4卷，97~103頁，雲林。
13.翁順哲 (民92)，類神經網路在自有品牌商品需求預測之應用-以生產生物科技(股)公司為例。碩士論文，經營管理研究所，長榮大學，台南。
14.陳建安 (民89)，整合類神經網路與遺傳演算法為輔之模糊神經網路於智慧型訂單選取之應用。碩士論文，生產系統工程與管理研究所，台北科技大學，台北。
15.張經緯 (民82)，SAS精華。松崗電腦，台北。
16.郭晉杰 (民88)，全擴散及類神經網路產品生命週期模式。碩士論文，工業工程學系，東海大學，台中。
17.葉怡成 (民90)，類神經網路模式應用與實作。儒林出版社，台北。
18.葉怡成 (民90)，應用類神經網路。儒林出版社，台北。
19.焦李成 (民82)，神經網路系統理論。儒林出版社，台北。
20.楊政寧 (民92)，台灣電子製造業與傳統產業推行VMI管理機制之異同比較與分析研究-以晶圓代工業與汽車業為例。碩士論文，管理科學學程碩士班，交通大學，新竹。
21.楊雅媛 (民91)，迴歸分析與類神經網路預測能力之比較。碩士論文，統計研究所，政治大學，台北。
22.彭紹英、唐麗英 (民91)，SAS 123，儒林出版社，台北。
23.經濟部統計處，中華民國•臺灣地區商業動態統計月報 : 批發業、零售業、國際貿易業及餐飲業，經濟部統計處，民國85年1月~92年9月，台北。
24.潘曉葦 (民88)，需求預測模式之建立。碩士論文，資訊管理所，台灣科技大學，台北。
26.簡銘賢 (民91)，空調儲冰系統節能運轉模式與電腦控制程式之研究。碩士論文，冷凍空調工程系，台灣科技大學，台北。
27.鍾惠民、吳壽山、周賓凰、范懷文 (民91) ，財金計量。雙葉書局，台北。
1.Adm, E. E. (1981), An empirical evaluation of individual item forecasting models. Decision Sciences, 4(4). pp. 708-715.
2.Brockwell, P.J. and R.A. Davis (1996), Introduction to Time Series and Forecasting. Springer Texts in Statistics, N.Y.
3.Caliusco M. L. et al. (1998), Decision support systems generator for industrial companies. Computers ind., 35(1-2), pp.315-318.
4.Chamber, J. C., S. K. Mullick, and D. D. Smith (1971), How to choose the right forecasting technique. Harvard Business Review, 49, pp. 45-74.
5.Chan, C. K., Brian G., Kingsman, and H.Wong (1999), The value of combining forecasts inventory management --- a case study in banking. European Journal of Operational Research, 117, pp.199-210.
6.Demuth, H. and M. Beale (2000), Neural Network Toolbox. The MathWorks Inc., N.Y.
7.Fogarty, D W., J. H. Blackstone and T. R. Hoffmann (1991), Production and Inventory Management. South-Western, Cincinnati, Ohio.
8.Fredric, M.H. and I. Kostanic (2001), Principles of Neurocomputing for Science and Engineering. McGraw-Hill, N.Y.
9.Hanke, J. E. and A. G. Reitsch (1995), Business Forecasting , Prentice-Hall, London.
10.Hill, T., M. O’Connor and W. Remus (1996), Neural network models for time series forecasts, Management Science, 42, pp. 1082-1092.
11.Gardner, E.S. (1985), Exponential Smoothing: The state of the art, Journal of Forecasting, 4, pp. 1-28.
12.Gardner, E.S. and D. G. Dannenbring (1980), Forecasting with exponential smoothing: some guildlines for model selection. Decision Sciences, 11(2), pp.370-383.
13.Krajewski, L.J. and L.P. Ritzman (1996), Operations management. Addison-Wesley, N.Y.
14.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(3), pp.496-517.
15.Kuo, R.J. and K.C. Xue (1998), An intelligent sales forecasting system through integration of artificial neural network and fuzzy neural network. Computers in Industry, 37(1), pp.1-15.
16.Kuo, R.J. and K.C. Xue (1999), Fuzzy neural networks with application to sales forecasting. Fuzzy Sets and Systems, 108(2), pp.123-142
17.Kuo, R.J., P. Wu and C.P. Wang (2002), An intelligent sales forecasting system through integration of artificial neural networks and fuzzy neural networks with fuzzy weight elimination. Neural Networks, 15(7), pp.909-925.
18.Levi, D.S., P. Kaminsky, and E.S. Levi (2000), Designing and Managing the Supply Chain, McGraw-Hill, N.Y.
19.Lippmann, R.P. (1989), Pattern classification using neural networks, IEEE Communications Magazine, pp. 47-63.
20.Stevenson, W.J. (2002), Operations Management. McGraw-Hill, Boston.
21.Thall, N. (1992), Neural Forecasts: A retail sales booster. Discount Merchandiser. 32(10), pp.41-42.
22.Venkatachalam A. R.and E. S. Jeffrey (1999), An intelligent model selection and forecasting system. Journal of Forecasting, 18, pp.167-180.
23.Venugopal,V. and W. Baets (1994), Neural networks and statistical techniques in marketing research：a conceptual comparison. Marketing Intelligence &Planning, 12(7) 30-38.