臺灣博碩士論文加值系統

臺灣每逢颱風豪雨來臨時所挾帶之豐沛雨量，常引發下游地區嚴重的洪水災害。因此，若能即時預測出洪峰水位，必能對河川流域之洪災應變決策提供較為準確及有效的參考資料，進而減少人民生命及社會經濟的損失。在目前河川水位的預測上，較常使用的方法為依據類神經網路（ANN）所建構之非即時的預測法。但ANN存在著學習時間長、輸入變數的選擇不易且模型不具解釋能力等的缺陷，此外，為達到能即時預測水位的目地，所使用的預測方法需對離群值及遺失值具有穩健特性(robustness)。而Multiple Additive Regression Trees（MART）為一具有穩健性的方法，不但訓練速度快，且具有變數篩選及判別變數重要程度之功能，但此一方法是否真能在即時河川水位預測中有很好的表現至今未有相關研究。因此，本研究以八掌溪2005至2009年間的16場颱風事件相關雨量站及水位站之資料，依據五種不同評鑑指標評斷以MART為中心建構之即時水位預測法與其他機器學習法建構之非即時預測法MARS、SVR、GAM、ANN。進行預測結果之比較。由結果顯示，本研究所提出之即時水位預測法有較好的預測效能，可對河川流域之洪災應變決策提供較為準確及有效的預測數據。

In Taiwan, the plum rains and typhoons often bring about torrential rains and cause serious floods. If the flood could be predict on time, it would become effective reference and help people to make decision for the river basin's flood response. Moreover, it could reduce demands and social economic. In recent research of river stage forecasting, non-real-time predict method is commonly used which is called artificial neural network (ANN). The drawbacks of ANN are operation time was tediously long, difficult to select input variable and model doesn’t have interpretation. In order to reach the purpose of predict real-time river stage, the method must have robustness to outlier and missing value. MART is a robust method which has fast learning speed, has capability of variable selection and establishes variable importance. However, there is no related research to discuss if this approach could use in the real-time river stage forecasting or not. In this study, using the related rainfall and river stages data of the sixteen typhoon flood events during the 2005 to 2009 years. According five different evaluated index to compare the performance about MART and other non-real-time data driven method which are MARS, SVR, GAM, ANN. The results reveal that the river stage flood forecasting method MART has better efficacy and could provide more accuracy and effective data in the river basin's flood response decision-making.

第壹章　緒論 1
第一節　研究背景 1
第二節　研究動機及目的 2
第三節　論文架構 3
第貳章　文獻探討 5
第一節　傳統統計預測方法 5
第二節　機器學習方法 6
第参章　模式理論 12
第一節　問題的闡述與解決方法 12
第二節　廣義可加模型(GAM) 12
第三節　類神經網路 17
第四節　支援向量迴歸 22
第五節　Multivariate Adaptive Regression Splines (MARS) 29
第六節　Multiple Additive Regression Trees (MART) 34
第七節　研究工具 46
第肆章　研究區域 48
第一節　研究區域 48
第二節　水文資料 48
第三節　模式設定 49
第伍章　模擬結果與討論 56
第一節　颱風資料 56
第二節　資料集一之預測結果 63
第三節　資料集二之預測結果 109
第四節　模式之訓練時間 161
第陸章　結論與建議 162
第一節　結論 162
第二節　建議 164
參考文獻 165
中文文獻 165
英文文獻 168

中文文獻
王俊欽(2000)。基隆河流域洪流時序分析模式，中原大學土木工程研究所碩士論文，桃園縣。
王啟明(2003)。類神經網路應用於颱風暴潮之預測，國立成功大學水利及海洋工程學系碩士論文，台南市。
王景南(2003)。多類支向機之研究，元智大學資訊管理研究所碩士論文，桃園縣。
朱芫慧(2007)。利用MARS 法進行即時河川水位預測之研究，私立輔仁大學應用統計研究所碩士論文，台北縣。
何淑敏(2000)。渾沌理論與類神經網路應用於濁水溪洪水預測之研究，國立成功大學水利及海洋工程學系碩士論文，台南市。
吳南靖、蔡丁貴、簡振和(2002)。集水區降雨－出口點河川水位預報模式之建立，第13屆水利工程研討會論文集，經濟部水利署暨國立雲林科技大學水土資源及防災科技研究中心，29-35。
李佳勳(2006)。以簡單線性迴歸分析實作掌紋辨識系統，私立大同大學資訊工程學系碩士論文，台北市。
李昀寰(2006)。颱風降雨量與風速之統計預測，國立中央大學統計研究所碩士論文，桃園縣。
李柏毅(2003)。Support Vector Machine 技術應用於中文文件自動分類之探討，國立高雄應用科技大學電機工程研究所碩士論文，高雄市。
沈俊宏(2007)。多元線性回歸 -信用貸款風險預警模式，元智大學資訊管理學系碩士論文，桃園縣。
林建發(2000)。颱風降雨量之統計迴歸預測，國立中央大學統計研究所碩士論文，桃園縣。
林柏承(2000)。應用類神經網路於颱風降雨量的推估，國立成功大學水利及海洋工程學系碩士論文，台南市。
林淑真、李宗仰(1996)。自我聯合模式於感潮河段之水位預報，土木水利，22(4)，3-16。
林淑敏(2004)。資源與國人健康的關聯，國立中央大學產業經濟研究所經濟組碩士論文，桃園縣
林楨喨(2000) 。以線性迴歸的技巧加強RBF類神經網路的引申能力，國立中山大學機械工程學系研究所碩士論文，高雄市。
段智懷(2004)。倒傳遞類神經網路小區域颱風降雨預報-前饋式與遞迴式之比較，逢甲大學水利工程所碩士論文，台中市。
段鏞、傅金城(2004)。適應性網路模糊推論系統在洪水演算之研究，農業工程學報，50(3)。
洪豪男(2003)。台東卑南溪流域降雨及地下水位之時間序列變化特性，國立中興大學水土保持學系碩士論文，台中市。
張斐章、陳彥璋、粱晉銘、孫建平、黃源義(2000)。以輻狀基底函數網路建立降雨－逕流模式，臺灣水利，48(3)，18-25。
張斐章、張麗秋、黃浩倫(2001)。 回饋式類神經網路於河川流量推估之應用，農業工程學報，47(2)，32-39。
張斐章、張麗秋、江衍銘(2002)。回饋式類神經網路於二階段即時流量預測，臺灣水利，50(2)，15-21。
張逸凡(2005)。支援向量機在即時河川水位預報之應用，國立成功大學水利及海洋工程研究所碩士論文，台南市。
張裴章、孫建平(1997)。類神經網路及其應用於降雨－逕流過程之研究，農業工程學報，43(1)，9-25。
許文揚(1996)。應用支援向量迴歸於颱風雨量之預測，大葉大學工業工程與科技管理學系碩士論文，彰化縣。
許銘熙、傅金城、黃鵬豪(2007)。雨量預測對洪水位預報精度影響之研究，農業工程研討會。
陳昶憲、黃尹龍、吳青俊、蔡曜隆(2001)。應用倒傳遞與反傳遞神經網路模式於洪流量之預測，臺灣水利，49(3)，65-77。
陳昶憲、楊朝仲(1998)。時序類神經集水區洪水預測模式，臺灣水利，46(1)，84-98
陳昶憲、黃尹龍(2002)。倒傳遞與反傳遞神經網路於洪流量預測之比較，臺灣水利，48(3)，60-68。
陳昶憲、陳建宏(1999)。類神經模糊邏輯法應用於洪水預報，中國土木水利工程學刊，11(2)，317-326。
陳昶憲、楊朝仲、王益文(1996)。類神經網路於烏溪流域洪流預報之應用，中華水土保持學報，27(4)，267-274。
陳寬裕(2006)。結合遺傳演算法與支援向量迴歸於台灣股票加權指數之預測，計量管理期刊，3(1)，1-18。
黃怡綺(2007)。時序分析法應用於水庫入流量模擬之研究-以武界水庫為例，中興大學水土保持學系所碩士論文，台中市。
楊文川(2002)。應用時間序列分析探討濁水溪沖積扇扇頂區降雨量及地下水位之趨勢與變動，國立中興大學水土保持學系碩士論文，台中市。
楊薇玉(2005)。台灣降雨量之季節變遷研究，中國文化大學地學研究所，台北市。
趙國安(1997)。線性迴歸分析與類神經網路應用於配適與預測財務性時間序列，國立交通大學電機與控制工程學系碩士論文，新竹市。
譚義績(2007)。台灣高鐵在雲林地段地下水監測與管理之新思維，臺灣大學水工試驗所暨台灣大學生物環境系統工程學系，第十一屆海峽兩岸水利科技交流研討。
英文文獻
Bruce K. Armstrong and Suresh H. Moolgavkar.(2005).Lung cancer rate predictions using generalized additive models,Biostatistics , 6(4), 576–589.
Carmeron, D., Kneale, P., See, L. (2002). An evaluation of a traditional and neural net modeling approach to flood forecasting for an upland catchment, Hydrological Processes, 16, 1033-1046.
Chang, F. J. and Y. C. Chen (2003). Estuary Water-Stage Forecasting by Using Radial Basis Function Neural Network, Journal of Hydrology, 270, 158-166.
Chih-Wei Hsu, Chih-Chung Chang, and Chih-Jen Lin (2003). A Practical Guide to Support Vector Classication, Department of Computer Science.
Craven, P., Wahba, G(1979). Smoothing Noisy Data with Spline Functions. Estimating the Correct Degree of Smoothing by the Method of Generalized Cross-Validation, Numberische Mathematik Vol. 31, pp. 317-403.
Daniel Berg.(2005).Bankruptcy Prediction by Generalized Additive Models,Department of Mathematics, University of Oslo, Norway.
Dibike, Y. B., S. Velickov, D. Solomatine, and M. B. Abbott (1998). Model Induction with Support Vector Machines: Introduction and Applications, Journal of Computing in Civil Engineering, 15(3), 208-216.
Dumais, S. T. (1998). Using SVMs for Text Categorization, IEEE Intelligent Systems: Trends and Controversie, 13(4).
Friedman Jerome H.(1999). Stochastic Gradient Boosting, Computational Statistics & Data Analysis, 367 – 378.
Friedman J. H., Hastie, T, and Tibshirani, R. (1998). Additive logistic regression: a statistical view of boosting. Technical Report, Dept. of Statistics, Stanford University.
Friedman Jerome H. and Roosen Charles B(1995).An introduction to multivariate adaptive regression splines, Statistical Methods in Medical Research, 4, pp197-217.
Friedman J.H., Meulman J.J.(2003). Multiple additive regression trees with application in epidemiology, National Center for Biotechnology Information, 2(9):1365-81.
Huber,P.(1964). Robust estimation of a location parameter, Annals of Math. Stat. 53:73-101.
Imrie, C. E., Durucan, S., Korre, A. (2000). River flow prediction using artificial neural networks: generalization beyond the calibration range, Journal of Hydrology, 233(1-4), 138-153.
Jy S. Wu, Han, Jun, Annambhotla, Shastri and Bryant, Scott (2005). Artificial Neural Networks for Forecasting Watershed Runoff and Stream Flows, Journal of Hydrologic Engrg., 10(3), 216-222.
Liong, S.Y., Lim, W.H. and Paudyal, G.N. (2000). River Stage Forecasting in Bangladesh: Neural Network Approach, Journal of Computing in Civil Engineering, 14(1), 1-8.
Liong, S. Y. and C. Sivapragasam (2002). Flood Stage Forecasting with Support Vector Machines. Journal of the American Water Resources Association, 38(1), 173-186.
Lorrai, M. and Sechi, G. M.(1995). Neural nets for modeling rainfall-runoff transformations, Water Resources Management, 9(4).
Lewis, P.A.W., Stevens, J.G(1991).Nonlinear Modeling of Time Series Using Multivariate Adaptive Regression Splines (MARS), Journal of the American Statistical Association,86(416), pp.864-877.
M. P. Martina,*, D. Lo Seenb, L. Boulonnea, C. Joliveta, K. M. Nairc, G. Bourgeond and D. Arrouaysa (2009). Optimizing Pedotransfer Functions for Estimating Soil Bulk Density Using Boosted Regression Tree, Published in Soil Sci Soc Am J, 73, 485-493.
M. Kearns and L. G. Valiant(1988), Learning boolean formulae or finite automata is as hard as factoring, Harvard University Aiken Computation Laboratory, TR-14-88.
Rumelhart,D. E. ,Hinton,G. E. (1986). Learning representations by back-propagation error. Nature. Vol. 323, pp. 533-536.
Shane M Abeare(2009), Comparisons of Boosted Regression Tree, GLM and GAM Performance the Standardization of Yellowfin Tuna Catch-Rate Data from the Gulf of Mexico Lonline Fishery, The Department of Oceanography and Coastal Sciences.
Thirumalaiah, K. and Deo, M.C. (1998). River Stage Forecasting Using Artificial Neural Networks, Journal of Hydrologic Engineering, 3(1), 26-32.
Tokar, A.S. and Johnson, P.A. (1999). Rainfall-Runoff Modeling Using Artificial Neural Network, Journal of Hydrologic Engrg., 4(3), 232-239.
Vapnik, V. N., S. Golowich, and A. Smola(1997), Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. In: Neural Information Processing Systems, M. Mozer, M. Jordan, and T. Petsche, eds., MIT Press, Cambridge, MA, pp.169-184.
Zhang Guoqiang, B. Eddy Patuwo and Michael Y. Hu(1998). Forecasting with artificial neural networks: The state of the art, International Journal of Forecasting, Vol.14 (1), pp.35-62