(18.207.253.100) 您好!臺灣時間:2021/05/06 09:07
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳梅鳳
研究生(外文):Mei-Feng Chen
論文名稱:單一與多專家銷售預測模型比較
論文名稱(外文):A Comparison of Single and Multipal Sales Prediction Models
指導教授:洪智力洪智力引用關係
指導教授(外文):Chih-li Hung
學位類別:碩士
校院名稱:中原大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2009
畢業學年度:96
語文別:中文
論文頁數:99
中文關鍵詞:銷售預測時間序列支援向量機類神經網路集成學習
外文關鍵詞:Key Words: Time seriessupport vector machineintegrated learningsales forecastingneural networks
相關次數:
  • 被引用被引用:0
  • 點閱點閱:397
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
現今預測的方法大致可分為兩方向,第一種為傳統的統計分析,如迴歸分析、相關分析、區別分析、Logit和Probit模型等,第二種為計算智慧的資料探勘工具,如決策樹、類神經網路、支援向量機、灰色預測、模糊理論等。現今眾多的流行預測方法中,不同的領域可能衍生不同的屬性,故多數學者在眾多的預測方法與工具中,皆是針對特定的資料集,選定攸關的資料屬性後採用單一種的預測工具與其他工具進行比較,較少學者透過多種的預測方法及預測模型進行統計評比與彙整分析。故本研究使用多種單一計算智慧預測工具如:支援向量機、類神經網路與傳統預測方法,如:移動平均法、最小平方法、保序迴歸法、簡單線性迴歸,並同時使用單一計算智慧預測工具結合Bagging和Stacking 集成學習方式,做為本研究之中繼分類器以進行研究實驗,再以平均絕對誤差百分比做為本研究各預測器之評估標準,評選出各模型中最適合本研究資料集的預測器,以提供學者爾後在採用方法時有不同的依據。本研究實驗結果得知傳統方中以最小平方法最好,而計算智慧預測工具中單一計算智慧預測模型以BPN預測器,較適合本研究的資料集,Bagging集成預測模型中以BaggingSLR預測器,較適合本研究的資料集情境,Stacking集成預測模型則以Stacking結合Bagging BPN預測器,為最適合本研究資料集的預測器,彙整上述四類模型實驗之結果,Stacking結合Bagging BPN在此16種預測器中表現最好。
Generally speaking, there are two groups of methods in the field of forecasting, i.e., traditional statistic analysis and artificial intelligence techniques. The first includes the regression analysis, correlation analysis, discriminate analysis, logit model, probit model, etc. The second includes decision tree, neural network, support vector machine, gray prediction, fuzzy theory, etc. Such methods may need different attributes for their specific application. Therefore, in literature, most forecasting tasks focus on specific attributes in their specific problem domains. In particular, they only use one or two forecasting methods to compare with one or two other methods after relevant attributes have been determined. The scale of such comparison is not wide enough. Thus, this thesis firstly uses multiple forecasting tools in artificial intelligence field, such as support vector machine (SVM) and neural network (NN). Secondly this thesis uses traditional statistical forecasting methods, such as simple linear regression (SLR), moving average (MA), ordinary least squares (OLS), and isotonic regression. Thirdly this thesis uses hybrid approaches by integrating artificial intelligence approaches with traditional statistical forecasting approaches. Finally, we also combine bagging and stacking ensemble learning techniques to get an improvement for our problem domain in the thesis. The standard of evaluation used in the thesis is the mean absolute percentage error (MAPE) that evaluates the most suitable forecaster from those (i.e., 16) forecasters in our specific problem domain which may provide more complete concept when similar forecasting task is performed in the future. The results in the thesis show OLS is the best model in the traditional statistical group, the NN forecaster is the best model in the artificial intelligence group, the SLR bagging forecaster is the best model in bagging group and the method which integrates NN bagging with stacking model is the best one in sixteen model.
目 錄
摘要 i
Abstract ii
誌謝辭 iii
目 錄 v
圖 目 錄 viii
表目錄 x
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究問題 3
1.3 研究目的 3
1.4 研究範圍與限制 3
1.5 論文架構 4
第二章 文獻探討 6
2.1 產業分析 6
2.2 時間序列定義 8
2.2.1 時間數列分析法之演進 10
2.2.2 統計預測工具之演進 14
2.2.3 計算智慧預測工具之演進 16
2.3 時間數列預測工具 18
2.3.1 移動平均法(moving average, MA) 18
2.3.2 支援向量機 19
2.3.3 類神經網路 24
2.3.4 簡單線性迴歸 29
2.4 集成學習 30
2.4.1 集成之概述 30
2.4.2 集成模型之介紹 32
2.5 變異數之篩選方法 35
2.5.1 相關分析(correlation analysis) 35
第三章 研究設計 37
3.1 研究流程 38
3.2 資料來源與前置處理 42
3.2.1 資料來源 42
3.2.2 V公司概況分析 43
3.2.3 前置處理 44
3.2.4 資料分析與確認 45
3.3 研究變數定義及選取 47
3.3.1 應變數的定義及選取 47
3.3.2 自變數的定義及選取 48
3.3.3 研究變數之相關分析 51
3.4 實驗與設計 53
3.4.1 概述 53
3.4.2 實驗核心概念 56
3.4.3 研究模型之參數設定 57
3.4.4 預測結果與評估標準 61
第四章 實驗結果 62
4.1 傳統預測模型實驗結果 62
4.2 單一計算智慧預測模型實驗結果 63
4.3 Bagging集成預測模型實驗結果 64
4.3.1 Bagging線性迴歸支援向量機預測器 64
4.3.2 Bagging集成類神經網路預測器 65
4.3.3 Bagging集成簡單線性迴歸預測器 66
4.3.4 Bagging集成預測模型最適合資料集情境的預測器之選擇 67
4.4 Stacking集成預測模型實驗結果 68
4.4.1 Stacking線性迴歸支援向量機預測器 68
4.4.2 Stacking類神經網路集成預測器 69
4.4.3 Stacking簡單線性迴歸集成預測器 70
4.4.4 Stacking結合Bagging SLR簡單線性迴歸集成預測器 71
4.4.5 Stacking結合Bagging類神經網路集成預測器 72
4.4.6 Stacking集成預測模型最適合資料集情境的預測器之選擇 73
4.5 由16種預測器比較結果 74
第五章 結論與建議 76
5.1 研究結論 76
5.2 研究貢獻 77
5.3 未來研究方向 77
參考文獻 79



圖 目 錄
圖1- 1 預測與管理決策過程 1
圖1- 2 論文架構 5
圖2- 1 時間數列資料分析圖 9
圖2- 2 時間數列預測工具的演進關係圖 12
圖2- 3 支援向量機(SVM)概念圖 21
圖2- 4 支援向量機(SVM)核心函數(φ)轉換示意圖 21
圖2- 5 支援向量機演算法運作示意圖 23
圖2- 6 類神經網路架構圖 28
圖2- 7 集成學習概念圖 31
圖2- 8 集成預測之流派樹 32
圖2- 9 Bagging集成學習概念圖 33
圖2- 10 Stacking集成學習概念圖 34
圖3- 1研究流程圖 40
圖3- 2 V公司產品架構圖 42
圖3- 3微波半導體商品之應用狀況分析圖 44
圖3- 4 V公司H產品銷售狀況分析(同年不同月) 46
圖3- 5 V公司H產品銷售狀況分析(同月不同年) 46
圖3- 6預測目標值矩陣圖 48
圖3- 7 Bagginge演算示意圖 55
圖3- 8 Stacking演算示意圖 55
圖4- 1單一計算智慧預測模型MAPE評估分析圖 63
圖4- 2 BaggingSVMreg預測器MAPE評估分析圖 64
圖4- 3 Bagging BPN預測器MAPE評估分析圖 65
圖4- 4 Bagging SLR預測器MAPE評估分析圖 66
圖4- 5 Bagging預測模型MAPE評估分析圖 67
圖4- 6 StackingSVMreg預測器MAPE評估分析圖 68
圖4- 7 StackinBPN預測器MAPE評估分析圖 69
圖4- 8 Stacking SLR預測器MAPE評估分析圖 70
圖4- 9 Stacking結合Bagging SLR預測器MAPE評估分析圖 71
圖4- 10 Stacking結合Bagging預測器MAPE評估分析圖 72
圖4- 11 Stacking集成預測模型MAPE評估分析圖 73
圖4- 12 StackingSVMreg預測器MAPE評估分析圖 75


表目錄
表2- 1 全球光電產業產值涵蓋項目表 7
表2- 2 時間數列分析方法之演進發展分析表 11
表2- 3 計算智慧預測工具之演進發展分析表 17
表2- 4 應用支援向量機於預測分析之彙整一覽表 20
表2- 5 類神經網路種類彙整表 25
表2- 6 類神經網路優缺點分析表 26
表3- 1 各模型之預測器彙整表 41
表3- 2 H商品銷售季節性權數(PCS) 45
表3- 3 研究變數彙整表 49
表3- 4 3-4研究變數之Pearson相關分析 52
表3- 5 單一計算智慧預測模型:支援向量機預測器參數設定表 57
表3- 6 單一計算智慧預測模型:類神經網路預測器參數設定表 58
表3- 7 Bagging集成預測模型參數設定表 59
表3- 8 Stacking集成預測模型參數設定表 60
表3- 9 MAPE評估準則分類表 61
表4- 1 傳統統計預測模型MAPE評估分析表 62
表4- 2 單一計算智慧預測模型MAPE評估分析表 63
表4- 3 Bagging SVMreg預測器MAPE評估分析表 64
表4- 4 Bagging BPN預測器MAPE評估分析表 65
表4- 5 Bagging SLR預測器MAPE評估分析表 66
表4- 6 Bagging預測模型MAPE評估分析表 67
表4- 7 StackingSVMreg預測器MAPE評估分析表 68
表4- 8 StackingBPN預測器MAPE評估分析表 69
表4- 9 Stacking SLR預測器MAPE評估分析表 70
表4- 10 Stacking結合Bagging SLR預測器MAPE評估分析表 71
表4- 11 Stacking結合Bagging預測器MAPE評估分析表 72
表4- 12 Stacking集成預測器MAPE評估分析表 73
參考文獻
【英文部分】
[1] Angela, P.A., Camargo, M.E., Radharamanan, R., and Petry, D.G., “Sales forecasting using time series and neural networks,” Computers Industry Engineering, 31, pp.421-424, 1996.
[2] Barlow, R. E.; Bartholomew, D.J.; Bremner, J. M.; & Brunk, H. D. “Statistical inference under order restrictions; the theory and application of isotonic regression. ”New York: Wiley, 1972.
[3] Bates, J.M., C.W.J. Granger, “The combination of forecasts,"Operational Research Quarterly, 20, pp.451-468, 1969.
[4] Bauer, E. and Kohavi, R., “An empirical comparison of voting classification algorithms: bagging, boosting, and variants,” Machine Learning, Vol. 36, No. 1-2, pp. 105-139, 1999.
[5] Best, M.J.; & Chakravarti N. “Active set algorithms for isotonic regression; a unifying framework". Mathematical Programming ,47, pp.425–439, 1990.
[6] Box, G.P., and Jenkins, G.M., “Time Series Analysis: Forecasting and Control,” Holden-day Inc., 1976.
[7] Box, G. E. P., Jenkins, G. M., and Reinsel G. C. “Time Series Analysis Forecasting and Control. ” 3rd Ed. Engle wood Cliffs, NJ.: Prentice Hall, 1994.
[8] Breiman, L., “Bagging predictors”, Machine Learning”, Vol. 24, No. 2, pp.123-140, 1996.
[9] Buffa, E.S., “Modern Production Management,” A Wiley/Hamilton Publication, 1973.
[10]Burges, C.J.C., “A tutorial on support vector machines for pattern recognition,” Data Mining and Knowledge Discovery, pp. 955-974, 1998.
[11]Buxton, B., Trotter, M., Burbidge, R., Holden, S., “Drug design by machine learning: support vector machines for pharmaceutical data analysis,” Computer and Chemistry, 26, 5-14, 2001.
[12]Cao L. J., “Support vector machines experts for time series forecasting.” Neurocomputing, 51, 321-339 , 2003.
[13]Cao, L.J. and Tay, F.E.H.,” Support Vector Machine With Adaptive Parameters In Financial Time Series Forecasting.” IEEE Transactions on Neural Networks, 14(6), 1506-1518, 2003.
[14]Chakraborty, K., Mehrotra, K., and Mohan, C.K., “Forecasting the behavior of multivariate time series using neural networks,” Neural Networks, 5, pp.961-970, 1992.
[15]Chan, C.K., Kingsman, B.G., and Wong, H., “Value of combining forecasts in inventory management - a case study in banking", European Journal of Operational Research, 117(2), pp.199-210, 1999.
[16]Clemen, R.T., “Combining forecasts: A review and annotated bibliography." International Journal of Forecasting, 5, pp.559-583, 1989.
[17]Corinna Cortes and V. Vapnik, “Support-Vector Networks”, Machine Learning”, Vol. 20, No. 3 pp.273-297, 1995.
[18]Cristianini, N., Shawf-Taylor, J.,”An Introduction to support vector machines and other kernel-based learning methods,” Cambridge University Press, 2000.
[19]Dietterich T.G., “Ensemble methods in machine learning,” Proceedings of the First International Workshop on Multiple Classifier Systems (MCS00), pp. 1-15, 2000.
[20]Dietterich T.G.,“ Machine learning research: four current directions.” AI Magazine, 18(4) pp. 97-136. 1997.
[21]Dong, C.x., Yang, S.q., Rao, X., Tang, J.l., “An algorithm of estimating the generalization performance of RBF-SVM,” Computational Intelligence and Multimedia Applications, pp. 61-66, Sept. 2003.

[22]Dunham, M.H., “Data Mining Introductory and Advanced Topics,” New Jersey: Prentice Hall, 2002.

[23]Engel, R. F. and Granger, C. W. J.,” Co-Integration and Error Correction: Representation, Estimation and Testing,” Econometrica, Vol.55,No.2,Mar.1987,pp.251-276, 1987.
[24]Engle, Robert F., “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation.” Econometrica, 50(4), 987-1007, 1982.
[25]Francis E. H. Tay, Lijuan Cao, ”Application of support vector machines in financial time series forecasting”, The International Journal of Management Science, Omega Vol.29, pp.309-317, 2001.
[26]Freund,Y., Schapire ,R.E., “A decision-theoretic generaliation of on-line learning and an application to boosting”. Journal of Computer and System Sciences, Vol. 55, No. 1, pp. 119-139, 1997.
[27]Fuller, W. A., and Dickey, D. A. “Distribution of the estimators for autoregressive time series with a unit root.” J. Amer. Stat. Assoc., 74, pp. 427-431, 1979.
[28]Granger, C.W.J., and Ramanathan, R., “Improved methods of combining forecasts," International Journal of Forecasting, 3, pp.197-204, 1984.
[29]Hansen, L.K, Salamon, P., “Neural network ensembles”. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.12, No.10, pp.993-1001, 1990.
[30]Hill, R. Carter, William E. Griffiths and George G. Judge, John Wiley and Sons, Inc.,”Undergraduate Econometrics, second edition.” ,2001.
[31]Jiawei ,H., and Micheline , K., “Data mining: concepts and techniques,” San Francisco: Morgan Kaufmann Publishers, 2001.
[32]Kearns, M., Valiant, L.G., “Learning boolean formulae or factoring”, Cambridge, MA: Havard University Aiken Computation Laboratory Technical Report TR-1488, 1988.

[33]Kim, K.J., “Financial time series forecasting using support vector machines,” Neurcomputing, 55, pp.307-319, 2003.
[34]Kruskal, J. B. “Nonmetric Multidimensional Scaling: A numerical method. ” Psychometrika ,29 (2), pp.115–129, 1964.
[35]Lam, K.F., Mui, H.W., and Yuen, H.K., “A note on minimizing absolute percentage error in combined forecasts,” Computer & Operations Research, 28, pp.1141-1147, 2001.
[36]Lawerence, M.J., Edmundson, R.H., and O’Connor, M.J., “The accuracy of combining judgemental and stastical forecasts,” Management Science, 32, pp.1521-1532, 1986.
[37]Leo Breiman, “Bagging predictors.” Machine Learning. 24(2):123-140,1996.
[38]Lewis, C.D., “Industrial and Business Forecasting Method,” London: Butterworth -Heinemann, 1982.
[39]Lu, W., Wang, W., Leung, A.Y.T., Lo, S.M., Yuen, R.K.K., Xu, Z., and Fan, H., “Air Pollutant Parameter Forecasting Using support vector machines,” Proceedings of the 2002 International Joint Conference on Neural Networks, 1, pp.12-17, 2002.
[40]Makridakis, S., and Winkler, R.L., “Averages of forecast,” Management Science, 29, pp. 987-996, 1983.
[41]Makridakis, S., “Why combining works,” International Journal of Forecasting, 5, pp.601-603, 1989.
[42]Medsker L., Turban E. and Trippi R.R., “Neural Network Fundamentals for FinancialAnalysts”, collected in Neural Networks in Finance and Investing, ProbusPublishing Company, pp.3-25, 1993.
[43]Michael, Berry, J.A., and Gordon, L., “Data Mining Techniques: for marketing, sale and customer support”, John Wiley & Sons, INC., 2001.
[44]Min, J.H. and Lee, Y.-C., “Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters,” Expert Systems with Applications, Vol.28, No.4, pp. 603-614, 2005.
[45]Newbold, P., and Granger, C.W.J., “Experience with forecasting univariate time series and the combination forecasts(with disussion),"Journal of the Royal Statistical Society Series, 137, pp.131-149, 1974.
[46]Nowrouz, K., Milton, S.B., Bahman, K., and Iebeling, K., “A comparison of artificial neural network and time series models for forecasting commodity prices,” Neurocomputing, 10, pp.169-181, 1996.
[47]Qian, S. and Eddy, W. F.”An algorithm fro isotonic regression on ordered rectangular grids.” Comput. Graph. Statist. 5, pp.255-235 V. 1996.
[48]Robertson, T.; Wright, F.T.; & Dykstra, R.L. “ Order restricted statistical inference”. New York: Wiley, 1988.
[49]Schapire, R E., “The Strength of weak learnability”. Machine Learning,Vol.5, No.2, pp.197-227, 1990.
[50]Scholkopf, B., Burges, C.J.C., Smola, A.J., “Introduction to Support Vector Learning, Advances in Kernel Methods-Support Vector Learning,” Cambridge, MA, pp. 1-15, 1999.
[51]Shevade ,S.K., Keerthi S.S., Bhattacharyya, C., Murthy, K.R.K., "Improvements to SMO Algorithm for SVM Regression". Technical Report CD-99-16, Control Division Dept of Mechanical and Production Engineering, National University of Singapore, 1999.
[52]Shin, K.-S., Lee, T.S. and Kim, H.-J., “An application of support vector machines in bankruptcy prediction model,” Expert Systems with Applications, Vol. 28, No. 1, pp. 127-135, 2005.
[53]Shively, T.S., Sager, T.W., Walker, S.G. "A Bayesian approach to non-parametric montone function estimation" J.R.Statist.Soc. B, 71 (1), pp.159–175. 2009.
[54]Skapura D.M., “Building Neural Networks, Addison-Wesley ublishingCompany”, 1995.

[55]Smola, A. J., Scholkopf, B., "A Tutorial on Support Vector Regression". NeuroCOLT2 Technical Report Series - NC2-TR-1998-030, 1998.
[56]Tay, F.E.H. and Cao, L.J., “Application of support vector machines in financial time series forecasting,” OMEGA, 29, pp.309-317, 2001.
[57]Terui, N. and Dijk, H.K., “Combined forecasts from linear and nonlinear time series models,” International Journal of Forecasting, 18, pp.421-438, 2002.
[58]Thiesing, F.M. and O. Vornberger, “Sales Forecasting Using Neural Networks,” International Conference on Neural Networks, 4, pp. 2125-2128, 1997.
[59]Thissen, U., Brakel, R., Weijer, A.P., Melssen, W.J., and Buydens, L.M.C., “Using support vector machines for time series prediction,” Chemometrics and Intelligent Laboratory Systems, 69, pp.35-49, 2003.
[60]Tiao G. C., and Tsay, R. S. “Identification of nonstationary and stationary ARMA models.” Proc. Bus. Econ. Statist. Sec., Amer. Statist. Assoc., pp. 308-312, 1981.
[61]Trafalig, T. B. and Ince, H., “Support Vector Machine for Regression and Applications to Financial Forecasting”, IEEE Computer Society Society, Vol.6, pp348-353, 2000.
[62]Trigg, D.W., and Leach, D.H., “Exponential Smoothing with an Adaptive Response Rate,” Operational research Quarterly, 18, pp.53-59, 1976.
[63]Vapnik ,V., “Support-vector networks,” Machine Learning, Vol. 20, No.3, pp. 273-297, 1995.
[64]West, D., Dellana, S., and Qian, J., “Neural network ensemble strategies for financial decision applications,” Computers & Operations Research, Vol. 32, pp. 2543-2559, 2005.
[65]Winkler, R.L., Makridakis, S., “The combination of forecasts,” Journal of the Royal Statistical Society, 146, pp.150-157, 1983.
[66]Witten, I.H., and Frank, E., Data Mining, (second edition), Elsevier, Morgan Kaufmann Publishers, 2005.

[67]Wu, W. B.; Woodroofe, M.; & Mentz, G.. “Isotonic regression: Another look at the changepoint problem.” Biometrika 88 (3) pp.793–804,2001.
[68]Yule, G. U., “Why do we sometimes get nonsense correlations between timeseries? – A study in sampling and the nature of time series”, Journal of the Royal Statistical Society, Vol. 89,pp. 1-64, 1926.
[69]Zhang, G.P., “Time series forecasting using a hybrid ARIMA and neural network model,” Neurcomputing, Vol. 50, pp.159-175, 2003.
[70]Zhou, Z.H., Wu, J., Tang, W., “Ensembling neural networks: many could be better than all”. Artificial Intelligence, Vol. 137, No.1-2 , pp. 239-263, 2002.



【中文部分】
[71]王景南(2003),多類支向機之研究,元智大學資訊管理學系碩士論文。
[72]朱玉婷(2006),探討電子業及傳統產業於破產預差異之研究,中原大學資訊管理學系碩士論文。
[73]呂學慶(2001),台灣地區汽車市場銷售預測之探討,國立中央大學管理學院高階主管企管碩士班碩士論文。
[74]李宏志,邱至中(2005),自我迴歸整合移動平均-倒傳遞類神經網路與基因演算法在短期匯率預測績效之比較,財務金融學會年會暨學術論文研討會。
[75]李羿儒(2004),財務危機預警模式之再探討-運用支撐向量機及logit模式,國立高雄第一科技大學財務管理所碩士論文。
[76]周美雲,2004,順序型資料及其分數之獨立性檢定的探討,國立台北大學統計學系碩士論文。
[77]林水順、莊英慎(2005),以灰色模型為基的園藝栽培產業銷售預測分析,勤益學報,第23卷,第1期,P17~18。
[78]林宜賢(2006),應用平滑支撐向量迴歸與類神經網路於共同基金績效之預測,國立台灣科技大學資訊管理研究所碩士論文。
[79]林政謙(2006),應用平滑支撐向量機與類神經網路預測台灣上市電子指數漲跌之研究,東吳大學經濟學研究所碩士論文。
[80]林茂文(2006),時間數列分析與預測:管理與財經之應用Time Series Analysis and Forecasting,華泰文化,三版。
[81]林師模,陳苑欽(2006),多變量分析-管理上的應用 Multivariate Analysis in Management,雙葉書廊,三版。
[82]林惠萍(2004),台灣地區匯率預測模型之研究─整合ARIMA-GARCH-M與類神經網路模型之應用,佛光人文社會學院經濟學研究所碩士論文。

[83]林震岩(2007),多變量分析SPSS的操作與應用Multivariate Analysis SPSS Operation and Application,智勝文化,二版。
[84]林鴻蓉(2005),以加權最小平方法分析重複有序之資料 ,中原大學應用數學研究所碩士論文。
[85]邱至中(2003)長短期匯率預測模式績效之比較,國立成功大學財務金融研究所碩士論文。
[86]邱俊、張瑞林(2007),基於遺傳算法的循環神經網絡在銷售預測中的應用,浙江理工大學學報,2007,5月,第24卷,第3期。
[87]洪智力,陳勁宏(2006),以期望機率為基礎的多專家破產預測模型,2006 北商學術論壇-資訊管理與實務研討會,台灣,台北,2006年12月15日。
[88]胡美真(2004),多種銷售量預測模型之評估比較-以金門高粱酒為例,國立高雄應用科技大學工業工程與管理系碩士班碩士論文。
[89]張俊彥,游伯龍(2001),活力:台灣如何創造半導體與個人電腦產業奇蹟,臺北時報文化。
[90]張凱堯,張仁德,胡湘帆,張麗秋等(2007),以倒傳遞類神經網路建立雨水下水道水位預測模式,第十一屆海峽兩岸水利科技交流研討會,2007年9 月。
[91]張嘉豪(2006),應用平滑支撐向量分類於台灣股票市場選股之研究,國立台灣科技大學資訊管理研究所碩士論文。
[92]張瀚星(2002),運用預測模型與變數選取方法預測上市公司股價之研究,國立台北大學會計學系碩士論文。
[93]郭一聰(2005),應用決策樹與類神經網路於應收帳款之呆帳預警模式研究,私立中原大學資訊管理學系碩士論文。
[94]陳勁宏(2008),一個採用選擇性集成的零售商預測模型,私立中原大學資訊管理學系碩士論文。
[95]陳彥全(2004),多種預測模型之評估比較-以台灣對外投資為例,國立高雄應用科技大學工業工程與管理系碩士班碩士論文。

[96]陳振嘉(2006),以類神經網路建構階段式企業財務危機預警模型,私立中原大學資訊管理學系碩士論文。
[97]陳雅雯(2002),支援向量機於預測台灣股市股價漲跌之實證研究,南華大學資訊管理學研究所碩士論文。
[98]章長原(2003),全球半導體市場趨勢與台灣IC設計產業經營績效之關連性研究,中原大學企業管理研究所碩士論文。
[99]彭梅(2006),基於馬爾可夫鏄的商品銷售預測模型,达縣師範高等科學學校學報,2006年9月第16卷,第5期。
[100]曾新穆,李建億譯(2003),資料探勘,東華書局出版。
[101]黃育亨(2004),DRAM產業市場需求預測之研究 -運用ARIMA預測模型與類神經網路,長庚大學,企業管理研究所碩士論文。
[102]葉怡成(2001),類神經網路模式應用與實作,臺北儒林圖書。
[103]葉怡芳(2004),構建財務危機預警模式-支向機與羅吉新之應用,元智大學會計學系碩士論文。
[104]鄒良傑,羅生凱,凃哲宏,陳鶻宇,陳晏瑱,顧客關係管理應用於需求預測及存貨管理之研究,私立輔仁大學企業管理學系第三十六屆生產與作業管理專題報告。
[105]鄒杰夫(2008),台灣上市類股股價預測模型之研究-倒傳遞類神經網路模型之應用,玄裝大學財務金融學系碩士論文。
[106]劉家陳(2006),繪圖卡產業訂單預測模型研究,長庚大學資訊管理研究所碩士論文。
[107]蔡紋琦(1993),單調迴歸模型之最大擬似估計量之探討,國立台灣大學數學系碩士論文。
[108]賴佳君(2006),應用平滑支撐向量機於台指期貨套利之研究,國立台灣科技大學資訊管理研究所碩士論文。
[109]錢炳全,李順益,王學亮(2003),基於灰色理論之短期銷售預測方法,資訊管理展望, 5(1), 1-18。
[110]謝宗霖(2007),資料探勘於半導體測試工程之應用,國立高雄第一科技大學資訊管理系碩士論文。
[111]鍾光耀(2001),財務災難性事件時間序列資料之風險資訊探勘,私立銘傳大學資訊管理研究所碩士論文。
[112]羅宗暉(2006),應用資料採礦技術於商品採購預測之研究-以生鮮超市賣場為例,樹德科技大學資訊管理研究所碩士論文。
[113]羅慕君(2004),短期訂單預測模型之研究─PDA產業為例,中原大學資訊管理學系碩士論文。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔