臺灣博碩士論文加值系統

台灣降雨時空分布極不平均，台灣人口增加、經濟成長、生活品質提升的情況下，對於環境及用水的品質要求也相對提升，故即使降雨量足夠卻無法有效的蓄水、引用，造成供需不平衡，導致缺水問題產生特別是生活用水之水源分配利用往往不能協調，用水問題已經成為現代人的困擾，故對生活用水量推估的精確度日益重要，若能有效預估其用水狀況，則將能提高公共民生用水規劃與營運之效率。本研究範圍為台灣地區總生活用水量，並針對歷年生活用水量及相關影響變數之間的變動情形加以研究，評估各影響變數與生活用水量之相關性，以探討生活用水量之推估。
研究對象主要為台灣地區生活月用水量，參考相關文獻及考量統計數據之完整性，初步彙整台灣地區生活用水量之影響變數主要為供水人口、供水普及率、平均單位水價、國民所得、消費者物價指數、平均氣溫、降雨量、日照時數、降雨日數及前一年之月用水量等十項變數。經由逐步迴歸挑選對生活用水量具解釋力之變數，迴歸結果顯示前一年之月用水量、國民所得、供水人口及降雨量對生活月用水量具解釋能力，能用來推估其用水量，其中以前一年之月用水量最具影響性，其次為國民所得，而供水人口及降雨量則為第三、第四具影響性。本研究主要係以類神經網路及灰色預測方法進行用水量之推估，而類神經網路部分，依據選取之變數不同而建構兩組模式，第一組係以逐步迴歸挑選完之四項變數作為影響變數，第二組則是直接將此十項變數作為影響變數，並加以比較探討。
本研究以類神經網路及灰色預測建立用水量之推估模式，推估成果顯示：整體模擬效果中，以逐步迴歸挑選變數所建立之模式(ANN1)，其整體之模擬效果較佳，未經逐步迴歸挑選變數所建立之模式(ANN2)其次，而灰色預測之預測水量則較為分散，其成果最差；用水變化趨勢特殊之情況下，其ANN1模式對於高用水量及低用水量之模擬效果較好，其次為ANN2模式，而灰色預測模式只有在實際用水量變動性不大時，才能夠準確模擬用水量之變動趨勢；模式成效比較主要係依據驗證組之評鑑指標，最佳為ANN1，其次為ANN2，而灰色預測模式最差。總結此三種模式之比較結果：灰色預測模式在整體變動趨勢不大之情況下，其預測成果良好，為一個經濟且方便之有效工具。而建構ANN模式時，先以逐步迴歸挑選較具影響之變數，可有效提高ANN之精度，使得用水量推估模式更具參考價值，可供未來水資源規劃營運之參考。

The distribution of space-time of Taiwanese rainfall is extremely unequal. In a situation that Taiwanese population increases, the development in economy, quality of the life improve, the quality that to the environment and water requires relative improvement. Even if the rainfall enough but unable effective quoting, cause the question of lack of water to produce. The domestic water is the most influential. The water question has already become the modern''s persecution, so the accuracy estimate the domestic water is more important. If can estimate the domestic water state effectively in advance, can improve the efficiency that the public water plan and operate. This research range is total domestic water in Taiwan. Study the change situation between domestic water and variables over the years. Research the influence of the domestic water and variables.
The research object is the every month domestic water in Taiwan. There are the variables of the domestic waters is actual population served, percentage of population served, average unit water price, national income, consumer price index, average temperature, precipitation, duration of sunshine, number of days with precipitation, and monthly water in last year. Choose the variables which have explains ability to the domestic water, using the stepwise regression method. The regression result to show the monthly water in last year, national income, actual population served, and precipitation are have ability of explaining. The most influential is monthly water in last year, second is national income, actual population served and precipitation are the third and the fourth. The research method is Artificial Neural Network Model (ANN) and Grey Forecasting Model (GM). Artificial Neural Network divided into two groups, the first group (ANN1) is using the stepwise regression result (four variables)；the second group (ANN2) is using all variables (ten variables).
The research results showing：In terms of the overall simulation effect, ANN1 is the best, and ANN2 is the second. The GM has the worst effect；When the water variation tendency is special, ANN1 is the best, and ANN2 is the second. The GM can accurate simulate water change trend just only when the change is little. The effect of the model is compared by testing sample COR, MAPE, and CE. The best is ANN1, and ANN2 is the second. The GM has the worst effect.
Summary：The GM is only in a situation that the water change trend is little, it predicts that the effect is good. While building and constructing ANN way, using the stepwise regression method to choose the variables can improve the precision effectively. The way will make the modeling of estimation the domestic water more useful. It can offer the water resource in future to plan for consultation use.

中文摘要 i
英文摘要 iii
目錄 v
表目錄 viii
圖目錄 ix
符號表 xi
第一章 緒論 1
　1-1　研究緣起 1
　1-2　研究目的 1
　1-3　內容架構 2
第二章　文獻回顧 4
　2-1　生活用水量之時變化趨勢 4
　2-2　生活用水量影響變數 5
　2-3　統計迴歸方法 9
　2-4　時間序列方法 10
　2-5　類神經網路方法 12
　2-6　灰色系統理論方法 14
　2-7　小結 16
第三章 生活用水基本資料分析 19
　3-1　生活用水量 19
3-1-1　生活用水量之統計概述 19
3-1-2　生活用水量之資料來源 19
3-1-3　生活用水量之統計分析 22
　3-2　生活用水量影響變數之統計分析 24
3-2-1　影響變數之定義 25
3-2-2　影響變數之資料來源 26
3-2-3　影響變數之統計分析 28
第四章　研究方法 36
　4-1　自變數之選取 36
4-1-1　自變數選取 36
4-1-2　逐步迴歸分析結果 37
　4-2　類神經網路 40
4-2-1 類神經網路之簡介 40
4-2-2 倒傳遞類神經網路 42
　4-3　灰色系統理論 46
4-3-1 灰色系統理論之簡介 46
4-3-2 灰色預測 47
　4-4　推估模式建構 50
4-4-1 倒傳遞類神經網路 50
4-4-2 灰色預測 52
4-4-3 評鑑指標 53
第五章　推估成果分析與討論 55
　5-1　類神經網路 55
　5-2　灰色系統理論 60
　5-3　類神經與灰色預測之推估成果分析與討論 61
第六章　結論與建議 65
　6-1　結論 65
　6-2　建議 66
參考文獻 68
附錄 相關數據 73

1.吳奇璋，1993，應用逐步過濾法預測都市用水，國立成功大學水利及海洋工程研究所碩士論文。
2.鄧聚龍、郭洪，1996，灰預測原理與應用，全華科技圖書股份有限公司，台北。
3.葉怡成，1999，應用類神經網路，儒林出版社，台北。
4.廖朝軒、朱壽銓，1999，節約用水之影響及其所造成長期成本減少函數，行政院國家科學委員會。
5.劉祥熹、周海龍，2000，台北都會區生活用水量之模式建構與模擬-類神經網路模式之應用，農業經濟半年刊，第71期，77-111。
6.孫崇智，2001，水資源區域需水量預測模型之研究，高雄第一科技大學環境與安全衛生工程系碩士論文。
7.羅華強，2001，類神經網路MATLAB的應用，清蔚科技股份有限公司，新竹。
8.顏榮祥，2001，嘉南高屏地區公共用水需求預測分析，台灣銀行季刊，第52卷，第3期，161-195。
9.廖珩毅，2001，灰色系統與模糊理論在旬入流量預測之研究，中原大學土木工程學系碩士論文。
10.溫坤禮、黃宜豊、陳繁雄、李元秉、連志峰、賴家瑞，2002，灰預測原理與應用，全華科技圖書股份有限公司，台北。
11.沈中華、霍德明，2002，90年全球吹起降息風與失業潮，貨幣市場，第6卷，第2期，13-22。
12.自由電子新聞網，2002，http://www.libertytimes.com.tw/2002/new/may/5/today-s1.htm。
13.張斐章、張麗秋、黃浩倫，2003，類神經網路理論與實務，東華書局，台北。
14.俞亭超、張士喬、毛根海、吳小剛，2004，預測城市用水量的人工神經網路模型研究，浙江大學學報(工學版)，第38卷，第9期，1156-1161，中國大陸，浙江。
15.李紅豔、崔建國、張星全，2004，城市用水量預測模型的優選研究，中國給水排水，第20卷，第2期，41-43，中國大陸。
16.陳獻，2004，石門水庫供水以來農業用水、公共給水供給比率比較分析，桃園大圳水資源暨營運管理學術研討會。
17.行政院主計處，2005，國民所得統計及國內經濟情勢展望。
18.李琳、左其亭，2005，城市用水量預測方法及應用比較研究，水資源與水工程學報，第16卷，第3期，6-10，中國大陸。
19.陳昶憲、鍾侑達、方唯鈞、劉錦蕙，2005a，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，第53卷，第3期，41-55。
20.陳昶憲、陳柏蒼、陳韋佑、周乃昉，2005b，類專家系統之流量預測模式，中國土木水利工程學刊，第17卷，第4期，613-621。
21.尹學康、韓德宏，2006，城市需水量預測，中國建築工業出版社，北京。
22.儲誠山、張宏偉、郭軍，2006，基於遺傳算法和BP神經網路的用水量預測，中國農村水利水電，第4期，36-38，中國大陸，天津。
23.林震岩，2006，多變量分析-SPSS的操作與應用，智勝文化事業有限公司，台北。
24.任煥蓮，2007，基於灰色GN(1,1)模型的城市需水量預測研究，水利與建築工程學報，第5卷，第3期，51-57，中國大陸。
25.經濟部水利署，2007，水資源供需情勢統計調查方式改善與彙編94-96年各項用水統計報告(2/3)總報告。
26.台北自來水事業處，2007，台北自來水事業統計年報。
27.台灣自來水股份有限公司，2007，台灣省自來水事業統計年報。
28.大氣研究資料庫網站，2008，http://dbar.as.ntu.edu.tw/。
29.農委會網站，2008，http://www.coa.gov.tw/show_index.php。
30.經濟部水利署網站，2008，http://www.wra.gov.tw/default.asp。
31.經濟部水利署節約用水資訊網，2008，http://www.wcis.itri.org.tw/。
32.行政院主計處網站，2008，http://www.dgbas.gov.tw/mp.asp?mp=1。
33.交通部統計處網站，2008，http://www.motc.gov.tw/mocwebGIP/wSite/ct?xItem=4880&ctNode=167&mp=1。
34.Dube, Emmanuel and Zaag, Pieter van der, (2003). “Analysing Water Use Patterns for Demand Management: the Case of the City of Masvingo, Zimbabwe”, Physics and Chemistry of the Earth, 28, 805-815.
35.Espey, M., Espey, J. and Shaw, W. D., (1997). “Price Elasticity of Residential Demand for Water: A Meta-Analysis”, Water Resources Research, 33(6), 1369-1374.
36.Huan, J. S., James, T. L. and Trefor, P. W., (1996). “Using Neural Networks to Predict Component Inspection Requirements for Aging Aircraft”, Computers Ind. Engeng, 30(2), 257-267.
37.Hassan, Ahmed E. and Hamed, Khaled H., (2001). “Prediction of Plume Migration in Heterogeneous Media Using Artificial Neural Networks”, Water Resources Research, 37(3), 605-623.
38.Karayiannis, Nicolaos B. and Venetsanopoulos, Anastasions N., (1993). “Artificial Neural Netwirks”, Kluwer Academic Publishers.
39.Kulik, V., (1993). “Simple Weather-Water Demand Model”, Water Resources Development, 9(3), 293-304.
40.Keshavarzi, A. R., Sharifzadeh, M., Haghighi, A. A. Kamgar, Amin, S., Keshtkar, Sh. and Bamdad, A., (2006). “Rural Domestic Water Consumption Behavior: A Case Study in Ramjerd Area, Fars Province, I.R. Iran”, Water Research, 40, 1173-1178.
41.Lawrence, J., (1994). “Introduction to Neural Networks: Design, Theory, and Applications”, California Scientific Software, Nevada City, 348.
42.Lertpalangsunti, Narate, Chan, Christine W., Mason, Ralph and Tontiwachwuthikul, Paitoon, (1999). “A Toolset for Construction of Hybrid Intelligent Forecasting Systems: Application for Water Demand Prediction”, Artificial Intelligence in Engineering, 13, 21-42.
43.Lenzen, M. and Foran, B., (2001). “An Input–Output Analysis of Australian Water Usage”, Water Policy, 3, 321-340.
44.Liu, Junguo, Savenije, Hubert H. G. and Xu, Jianxin, (2003). “Forecast of Water Demand in Weinan City in China Using WDF-ANN Model”, Physics and Chemistry of the Earth, 28, 219-224.
45.Mukhopadhyay, A., Akber, A. and Al-Awadi E., (2001). “Analysis of Freshwater Consumption Patterns in the Private Residences of Kuwait”, Urban Water, 3, 53-62.
46.Rumelhart D. E., Hinton G. E., and Williams R. J., (1986). “Parallel distributed processing : explorations in the microstructure of cognition”.
47.Renwick, Mary E. and Green, Richard D., (2000). “Do Residential Water Demand Side Management Policies Measure Up? An Analysis of Eight California Water Agencies”, Journal of Environmental Economics and Management, 40, 37-55.
48.Zhou, S. L., McMahon, T. A., Walton, A. and Lewis, J., (2000). “Forecasting Daily Urban Water Demand: A Case Study of Melbourne”, Journal of Hydrology, 236, 153-164.
49.Zhang, Henry H. and Brown, David F., (2005). “Understanding Urban Residential Water Use in Beijing and Tianjin, China”, Habitat International, 29, 469-491.