台灣每年的颱風暴雨之雨量強度高且總雨量十分驚人，往往造成下游洪水氾濫，損失難以估計，因此對於集水區降雨逕流模擬則是大家注意的課題。以往研究時常常使用時間序列模式進行預測。但由於時間序列對於資料預測上常產生一階時刻延遲（one time lag），因此造成模式對於預測最高水位到達時刻產生誤差。故此本研究嘗試加入調適性網路模糊推論系統(Adaptive-Network Based Fuzzy Inference system；ANFIS)針對時間序列在水文資料預測上進行修正。研究中ANFIS將利用雨量跟水位資料進行建模，由雨量序列資料提前推估水位變化趨勢，以修正時間序列一階時刻延遲問題；期望藉由此流程改善時間序列對於最高水位到達時刻所產生的誤差。研究亦同時立建一組ANFIS模式，探討利用雨量對水位進行推估可行性。由研究結果得知，ANFIS直接藉雨量模擬水位的準確性不佳，但可藉由雨量變化趨勢取得水位變化趨勢，修正時間序列對最高水位到達時刻的誤差，可得到較準確與穩健的結果。

The rainfall intensity of annual typhoon is high in Taiwan. It often result in the downstream flooding and losses of economics. Thus, simulation model of rainfall-runoff is an very important subject . In past research, time series model often forecast water level . But time series often have an influence on one time lag for forecasting of data.When reach to peak water level ,the error occurs in the model simulation. So this research combines with Adaptive-Network Based Fuzzy Inference System（ANFIS）to revise time series model. In ANFIS, it will utilize rainfall and water level to set up the model. Estimated the water level trends by the rainfall. To revise one time lag of time series . Expect to improve the error of time series with this method. In addition set up one group ANFIS model. The model utilizes rainfall to estimate water level . According to the result, it is not well that ANFIS simulate water level with rainfall but it can obtain water level trends with rainfall trends . To revise the error of time series about reach to peak water level and it can obtain accurate and steady result.

頁次
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 研究動機與目的 1
1.2 文獻回顧 2
1.2.1 時間序列 2
1.2.2 調適性網路模糊推論系統 4
1.3 研究方法 6
1.4 論文架構 7
第二章 理論分析 9
2.1 時間序列 9
2.2調適性網路模糊推論系統 15
2.3 退水曲線 20
第三章 模式應用 21
3.1 研究區域概述 21
3.2 研究資料處理 22
3.3 ANFIS水位預測模式架構 25
3.4 時間序列分析之建構 28
3.5 ANFIS誤差修正模式架構 32
3.6 模式評鑑標準 36
第四章 結果與討論 39
4.1 ANFIS水位預測模式 39
4.1.1 ANFIS水位預測模式檢定結果 39
4.1.2 ANFIS水位預測模式驗證結果 47
4.2 時間序列 52
4.2.1時間序列最佳模式選取 52
4.2.2時間序列檢定結果 52
4.2.3時間序列驗證結果 60
4.3 ANFIS誤差修正模式 65
4.3.1 ANFIS誤差修正模式檢定結果 65
4.3.2 ANFIS誤差修正模式驗證結果 71
4.3.3 ANFIS誤差修正模式檢定結果(模式二) 76
4.3.4 ANFIS誤差修正模式驗證結果(模式二) 81
4.4 综合比較 85
第五章 結論與建議 87
5.1 結論 87
5.2 建議 88
參考文獻 89

1.王如意、莊文南（1993），微分水文模式之研究與應用，農業工程學報，第三十九卷第三期，第67-86頁。
2.王偉群（2001），「烏溪旬流量預測模式」，逢甲大學土木及水利研究所碩士論文。
3.王靖宜(1999)，「應用模糊自迴歸模式於洪流量之預測」，逢甲大學土木及水利研究所碩士論文。
4. 方唯鈞（2006）「應用遺傳規劃模式於洪流量預測」，私立逢甲大學土木及水利工程研究所碩士論文。
5.朱益辰(1998)，「模糊時序分析於河川洪流推估之應用」，逢甲大學土木及水利研究所碩士論文。
6.林茂文(1992)，「時間數列分析與預測」，華泰書局，第1-373頁。
7.梁晉銘、張斐章、陳彥璋（2000），「預分類行類神經-模糊推論模式於水文系統之研究」第十一屆水利工程研討會論文集。
8.梁晉銘（2002），「複合型類神經網路建構集水區水文模式之研究」，國立臺灣大學生物環境系統工程學研究所博士論文。
9.張良正、楊朝仲、陳昶憲(1998)，「模糊理論在洪流預測之應用」，第九屆水利工程研討會，P.P. I95-I104。
10.張斐章、胡湘帆、黃源義（1997），「應用模糊類神經網路於流量推估之研究」，八十六年度農業工程研討會論文集，第37-43頁。
12.黃尹龍(2001)，「類神經網路架構颱洪流量預測模式」，私立逢甲大學土木及水利工程研究所碩士論文。
13.黃泰孚（1999），「以移動窗及片段線性迴歸的分析架構建立Takagi-Sugeno模糊系統建模」，國立台灣科技大學電機工程研究所碩士論文。
14.陳昶憲、康村啟、林榮坤(1994)，「八掌溪流域洪流量預測」，八十三年度農業工程研討會，第429-441頁，高雄。
15.陳昶憲、黃偉民、朱益辰(1997)，「烏溪流域洪流時序分析」，臺灣水利季刊，第四十五卷，第三期，第72-82頁。
16.陳昶憲、楊朝仲(1998)，「時序類神經集水區洪水預報模式」，臺灣水利季刊，第四十卷，第一期，第84-98頁。
17.陳昶憲、劉錦蕙、王偉群（2000），旬流量離群值時間序列分析，中華水土保持學報，第三十一卷，第四期，第279-289頁。
18.陳昶憲、劉錦蕙、陳偉佑、楊美美（2003），時序與灰色時流量預測模式效能比較，台灣水利，第五十一卷，第四期，第68-78頁。
19.陳昶憲、鍾侑達、方唯鈞、劉錦蕙（2005）「結合類神經之模糊推理邏輯建置－以日流量預測模式為例」，台灣水利季刊，五十三卷，第三期。
20.陳建宏(1998)，「雨量因子在水庫洪流量預報之影響研究」，私立逢甲大學土木及水利工程研究所碩士論文。
21.郭振泰、朱文生、徐年盛、陳昶憲、林永禎、孫永信(1991)，「淡水河流域水庫系統即時優選操作模式之發展與應用(三)：小時模式之研究」，經濟部水資源統一規劃委員會，80水科技八(二)3(10)-014第078號，台北。
22.游保杉、曾財益、楊道昌、蔡長泰(1994)，「八掌溪即時河川流量預報模式之初步研究」，台灣水利季刊，第四十二卷，第三期，第64-78頁。
23.虞國興、林慶杰、張昆明（1993），「時間序列特異值之偵測研究」，臺灣水利，第四十一卷，第四期，第25-39頁。
24.虞國興、金士凱(1999)，「水文短序列模式判定與預測之研究」，農業工程學報，第四十五卷，第一期，第13-23頁。
25.楊宗文（2000），「適應性類神經模糊推論系統在舒適度模型上的應用」國立臺灣大學電機工程學研究所碩士論文。
26.楊美美（2004），「旬流量預測模式之分析與評比－以高屏溪為例」，逢甲大學土木及水利研究所碩士論文。
27. 劉錦蕙(2000)，「乾、溼季時間序列分析」，逢甲大學土木及水利研究所碩士論文。
28.劉敏梧（2004），「枯旱期水庫入流量預測模式之研究」，中興大學土木工程學系研究所碩士論文。
29.蔡安源（2001），流量預測模式之研究、國立海洋大學河海工程學系碩士論文。
30.蔡國慶(1999)，「模糊類神經網路應用在集水區出流量之預測」，私立逢甲大學土木及水利工程研究所碩士論文。
31. Akaike, H. (1973a), "Information theory and an extension of maximum likelihood principle",Proc. 2ed International Symposium on Information Theory,(Eds. B. N. Petrov and F. Csaki) pp. 267-281,Akademiai Kiado, Budapest.
32. Akaike, H. (1973a), "Maximum likelihood identification of Gaussian auto-regressive moving average models", Biometrika,60, pp. 255-266
33. Ashu Jain *, Avadhnam Madhav Kumar (2006) “Hybrid neural network models for hydrologic time series forecasting”
34.Box, G. E. and Jenking, G. M. (1976), "Time Series Analysis: Forecasting and Control", Revised, San Francisco: Holden Day.
35.Chen, Cathy W. S. and Jack Lee, (1995), "Bayesian Inference of Threshold Autoregressive Models", Journal of Time Series Analysis, Vol. 16, No. 5, pp. 483-492.
36.Derya Sumer1; Javier Gonzalez2; and Kevin Lansey3 (2007) “Real-Time Detection of Sanitary Sewer Overflows Using Neural Networks and Time Series Analysis” _ASCE_0733-9372
37.F. J., Chang Y. T.,2006, “Adaptive neuro-fuzzy inference system for prediction of water level in reservoir”, Advanced in Water Resources, Vol. 29 pp.1-1
38.Granger, C. W. J. and Anderson, A. P. (1978), "An Introduction to Bilinear Time Series Analysis", Vandenhoeck and Ruprecht, Gottingen.
39.Haggan, V. and Ozaki T. (1980), "Amplitude-dependent Exponential AR Model Fitting for Non-linear Random Vibrations", in Time Series, (O. D. Anderson ed.), pp. 57-71, North-Holland, Amsterdam.
40.Jang, J.-S.R.( 1993 )ANFIS: adaptive-network-based fuzzy inference system, Systems, Man and Cybernetics, IEEE Transactions on , Vol. 23, pp. 665 -685.
41.Jang, J.-S.R.(1996),Input Selection for ANFIS learning,Proceedings of the Fifth IEEE International Conference on,Volume:2.
42.K. W. Chau1; C. L. Wu2; and Y. S. Li3（2005） “Comparison of Several Flood Forecasting Models in Yangtze River” ASCE_1084-0699_
43.Michael Bruen, M.ASCE1; and Jianqing Yang (2006)“Combined Hydraulic and Black-Box Models for Flood Forecasting in Urban Drainage Systems”， ASCE_1084-0699
44.P.C. Nayak、K.P. Sudheer、D.M. Rangan、K.S. Ramasastri(2004),「A neuro-fuzzy computing technique for modeling hydrological time series」,Journal of Hydrology,vol.291,pp.52-66。


45. Yu, Pao-Shan, Chia-Jung Chen (2000), and Shiann-Jong Chen, “Application of Grey and Fuzzy Methods for Rainfall Forecasting.” Journal of Hydrological Engineering, ASCE, 5(4), 339-345.