臺灣博碩士論文加值系統

水是人類生存的基本要素之一，其供應量之充足與否，關係到人民日常生活運作，國家經濟發展，甚至國民生命健康。近年來水污染嚴重，民意高漲，新水源開發之取得不易，再加上溫室效應使氣候變遷，缺水事件不斷上演，一個良好的自來水需求量預測模式，對於國家未來水資源規畫扮演著重要角色。。
本研究收集民國63年1月至民國94年12月，共計32年384個月的台灣地區售水量資料，進行本論文之實證研究，除採用倒傳遞類神經網路及時間數列迴歸分析進行需求量之預測外，並使用視窗軟體程式進行模式的實體建構與開發。同時本研究並結合類神經網路與K期移動平圴法進行每月自來水需求量預測，以提升模式之預測準確度。
由實證結果顯示，在自來水年度需求預測上，類神經網路較傳統時間數列迴歸分析具有較好的預測績效。對於受季節性影響之月需求量時間數列預測，結合類神經網路與K期移動平圴法較純以類神經網路，具有較佳之預測結果。

Drinking water is an essential factor in our daily life. The amount of drinking water supply will affect people’s lives, the economic development of a country, and even the nation’s well-being. A good forecast model plays an important role in a country’s drinking water resource planning.
This paper collects the Taiwan area’s long term drinking water sales data, which is used to establish a prediction model by regression analysis, time series and back-propagation neural network to forecast the water demand in the future. At the same time, the back-propagation network and K-periods moving average methods are combined to enhance the forecast precision of monthly drinking water demand. In addition ,this study also develops the prediction model by using a window programming software Visual Basic.
Experimental results reveal that the back-propagation neural network has a better performance than the time series regression analysis in accuracy of the drinking water demand prediction. In the prediction of monthly drinking water demand, the combination of the back-propagation network and K-periods moving average methods to eliminate the season factor has a better prediction result than only using back-propagation network.

摘要…………………………………………………………………I
ABSTRACT……………………………………………………………II
誌謝…………………………………………………………………III
目錄…………………………………………………………………IV
圖目錄………………………………………………………………VI
表目錄………………………………………………………………VIII

第一章 緒 論
第一節 研究背景……………………………………………… 1
第二節 研究動機及目的……………………………………… 3
第二章 文獻探討
第一節 台灣地區水資源供需情況探討……………………… 5
第二節 自來水需求之預測…………………………………… 11
第三節 類神經網路簡介……………………………………… 13
第四節 迴歸分析與類神經網路……………………………… 26
第五節 時間數列與類神經網路……………………………… 28
第三章 研究架構與方法
第一節 研究架構 …………………………………………… 30
第二節 研究流程 …………………………………………… 31
第三節　研究方法 …………………………………………… 33
第四章 結果與討論
第一節 預測模式建構 ……………………………………… 36
第二節 年度用水量網路訓練測試及預測 ………………… 38
第三節　相關變數網路訓練測試及預測 …………………… 45
第四節　區管理處年度用水量網路訓練測試及預測 ……… 52
第五節　每月用水量網路訓練測試及預測 ………………… 58
第五章 結論與建議
第一節　研究結論 …………………………………………… 64
第二節　研究建議 …………………………………………… 66
參考文獻 ………………………………………………………… 67

1、台灣省自來水公司（2006），統計年報。
2、水利署（2006），水利統計。
3、葉怡成（2001），應用類神經網路，儒林書局。
4、葉怡成（2004），類神經網路模式應用與實作應用，儒林書局。
5、張斐章、張麗秋、黃浩倫（2004），類神經網路理論與實務，東華書局，3月初版二刷。
6、張斐章、湖湘帆、黃源義（1998），反傳遞模糊類神經網路於流量推估之應用，中國農業工程學報，44（2）：pp26-38。
7、台北市自來水事業處（2006）,統計年報。
8、李至倫（2001），水資源建設展望，6月。
9、黃煥彰（1998），「提高台灣電子類股投資績效之研究-類神經網路結合結術指標」，國立中興大學企業管理研究所碩士論文。
10、曾衍迪（2006），類神經網路在晶圓廠進行虛擬量測之理論及應用，電機月刊，pp194-202。
11、羅華強（2005），類神經網路-MATLAB的應用，高立圖書有限公司，7月。
12、施勵行、董大鈞、莊弘毅（1996），類神經網路在中長期電力需求及負載預測之應用，能源季刊，10月，pp59-75
13、Anderson, David R., Sweeney, Dennis J.and Williams, Thomas (1992), A.,Statistics for Business and Economics,5th ed..
14、Buckley, J.W.,Buckley,Marlence H. and Chiang, Hung-Fu(1976), Research Methodology & Business Decisions, National Association of Accounts and The Society of Industrial Accounts of Canada.
15、Bakirtzis A.G.,Peprldls V., Klartzis S.J.,Alezladls M.C. and Malssls A.H.(1996), ”A Neural Network Short Term Load Forecasting Model for the Greek Power System,”IEEE Trans. On Power Systems,Vol.11,No 2,pp.858-863.
16、Hinrichsen, Don(1998), ”Solutions for a Water-Short World”, Population Reports, Series M, Number 14, September .
17、Grudnistski, Gary and Osburn, Larry(1993), ”Forecasting S&P and Gold Future Prices: An Appplication of Neural Networks,” Journal of Futures Markets,pp631-643.
18、Haykin, Simon(1999),Neural Networks:A Comprehensive Founda- tion ,2nd ed..
19、Hagan M.T. and Demuth H.B.and Beal Mark(1996) ,Neural Network Design,Thomson Learning,Inc.
20、Julie M. and Stephen L.(2002), ”Artificial Neural Networks: A New Approach to Predicting Application Behavior”,Research in Higher Education v43,No2,Aprial.
21、Kohonen, T.(1988), ” The Neural Phonetic Typewriter.” Com- puter , 21(3),11-22.
22、McCulloch W.S. and Pitts W.(1943), ”A logical Calculus of the Ideas Immanent in Nervors Activity.” Bulletin of Mathematical Biophysics. 5: p115-133.
23、Molino, B., Rasulo, G., and Taglialatela, L.(1996), “Forecast Model of Water Consumption for Naples.” Water Resour. Manage.,p 321–332.
24、Rufenatch, H. P. and Guibentif, H.(1997), “A model for Forecasting Water Consumption in Geneva Canton, Switzerland.” J. Water SRT—Aqua, p196–201.
25、Roebber, P.J and Tsonis, A.A.(2005), ”A Method to Improve Prediction of Atmospheric Flow Transitions”,Journal of the Atmosphere Science,v62,p3818-3823.
26、Russel, S.(1995),Artificial Intelligence： A Modern Approach. Prentice- Hall. P.563-597.
27、Tripathy, S.C.(1997),”Demand Forecasting in Power System”, Energy Converse Mgmt Vol. 38. No. 14. pp1475-1481.
28、Yung C. and Niemann H.(1991) “Neural Networks for Appearance -Based 3-D Object Recognition.” Neurocomputing 51,pp 249-264.