跳到主要內容

臺灣博碩士論文加值系統

(3.236.110.106) 您好!臺灣時間:2021/07/25 23:50
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

: 
twitterline
研究生:許凌倩
研究生(外文):Ling-ChienHsu
論文名稱:IC 封裝產品之銷售預測模式研究--以公司Y為例
論文名稱(外文):IC Product Packaging and Sales Prediction Model Research--Using company Y as an example
指導教授:林清河林清河引用關係
指導教授(外文):Chin-Ho Lin
學位類別:碩士
校院名稱:國立成功大學
系所名稱:工業與資訊管理學系專班
學門:商業及管理學門
學類:其他商業及管理學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:55
中文關鍵詞:預測灰關聯分析決策樹類神經網路
外文關鍵詞:predictionfuzzy-gray correlation analysisdecision treeneural network
相關次數:
  • 被引用被引用:5
  • 點閱點閱:349
  • 評分評分:
  • 下載下載:100
  • 收藏至我的研究室書目清單書目收藏:0
面對全球經濟劇烈變動,半導體產業隨著景氣的波動更為敏銳。面對總體經濟環境的不確定性,企業如何及早預測景氣波動,因應訂單的轉變進行決策及計畫擬定,為目前企業所重視的議題。因此,面對未來全球化經營及景氣波動,預測對於企業主而言是不可或缺的經營工具之一。
現今預測的問題屬於非線性模式較多,且近年來人工智慧的方法漸漸受到重視。因此,本研究利用灰關聯分析在各種環境因子中篩選出關聯度較高之因子,再利用資料探勘的決策樹手法找出各關聯因子;將灰關聯因子置入倒傳遞類神經網路預測模式,進行訂單量訓練與預測。期待此模式於業界中能提升預測準確度,提高訂單生產預測,並提供半導體IC封裝產業做為生產預測之參考。

The semiconductor industry has been subject to tremendous flux amidst a period of severe global economic change. Therefore, how to predict economic change and plan for order shifting in an uncertain production environment are important topics for most semiconductor companies. As globalization is a defining trend of the future, prediction becomes one of the necessary managing tools for entrepreneurs.

Most predictions nowadays are developed using nonlinear models, and employing artificial intelligence (AI) to engage in prediction is becoming more popular. Therefore, this research employs fuzzy-gray correlation analysis to sift factors which have higher correlations from different types of environmental factors, and find out the factor weight using the decision tree method of data mining, then placing those factors and weights into the back-propagation neural network (BPN) to engage in practices and predictions. This process is expected to increase the accuracy of predictions in the industry and improve order production predictions, and become a good reference for production prediction in the IC packaging industry.

第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 2
1.3研究架構 4
1.4研究流程 5
第二章 文獻探討 6
2.1預測的定義 6
2.2預測的類型與方法 6
2.3灰色系統理論 9
2.3.1灰色系統的研究內容及應用 9
2.3.2灰色系統的應用 11
2.4資料探勘 11
2.4.1決策樹 12
2.5類神經網路 13
2.6小結 15
第三章 研究方法 16
3.1研究變數 16
3.1.1景氣領先指標 (Leading indicator) 18
3.1.2景氣同時指標 (Coincident indicator) 18
3.1.3景氣對策信號 (Monitoring indicator) 18
3.1.4工業生產指數 (Industrial Production Index) 19
3.1.5消費者物價指數 (Consumer Price Index) 19
3.1.6半導體設備訂單出貨比 (Book-to-Bill Ratio) 19
3.1.7手機銷售量 (Cell phone Sales) 20
3.1.8電腦銷售量( PC Sales) 20
3.2灰關聯分析方法與研究步驟 21
3.3決策樹方法與研究步驟 23
3.4類神經網路方法與研究步驟 24
3.4.1類神經網路之基本架構 25
3.4.2倒傳遞類神經網路 26
第四章 實證分析 29
4.1 分析資料區間與資料來源 29
4.2 篩選灰關聯因子 29
4.3 決策樹之訂單趨勢預測 30
4.3.1 決策樹BUMP產品分析 31
4.3.2 決策樹CSP產品分析 35
4.4 倒傳遞類神經網路之訂單量預測 39
4.4.1倒傳遞類神經網路預測模型建構 40
4.4.2 倒傳遞類神經網路BUMP產品訂單量預測模式評估與效益分析 46
4.4.3倒傳遞類神經網路CSP產品訂單量預測模式評估與效益分析 48
4.5 小結 50
第五章 研究結論 51
5.1 研究結論 51
5.2 未來研究方向 52
參考文獻 53
網站部份
IDC,http://www.idc.com/
Gartner,http://www.gartner.com
MIC 資訊市場情報中心,http://mic.iii.org.tw/index.asp。
公開資訊觀測站,http://mops.twse.com.tw/mops/web/t147sb01
中華民國統計資訊網,http://www.stat.gov.tw/mp.asp?mp=4
行政院主計處,http://eng.stat.gov.tw/ct.asp?xItem=13213&CtNode=3504&mp=5
行政院經建會,http://www.cepd.gov.tw/m1.aspx?sNo=0000881
經濟部統計處,http://2k3dmz2.moea.gov.tw/gnweb/Indicator/wFrmIndicator.aspx
國際半導體設備材料產業協會(SEMI),http://www.semi.org/ch/MarketInfo/Book-to-Bill

中文部份
王瓊敏(2000),電腦關鍵零組件之價格預測模式,國立中央大學工業管理研究所碩士論文。
王進德、蕭大全(2003),類神經網路與模糊控制理論入門,台北:全華科技圖書股份有限公司。
林隆儀、羅文坤、鄭英傑(1981),「新產品行銷策略」,(五版),台北,超越企管顧問股份有限公司。
林育賢(2007),應用PSO類神經網路學習於軟式IC載板生產預測之研究,義守大學工業工程與管理研究所碩士論文。
溫坤禮、張偉哲、張廷政合著(2002),灰關聯模型方法與應用,台北:高立圖書有限公司。
葉怡成(2003),類神經網路模式應用與實作,台北:儒林圖書公司。
董鍾明 (2007) , 全 球 半 導 體 版 圖 變 遷 剖 析 , IEK 產 業 服 務 - 產 業 情 報 網 ,http://ieknet.itri.org.tw。
鄧聚龍(1985),灰色系統基本方法,武漢:華中理工大學出版社。
鄧聚龍、郭洪(1996),灰預測原理與應用,台北:全華出版社。


英文部份
Demantaras, R. L. A distance - based attribute selection measure for decision tree induction. Machine Learning, 6(1): 81-92. 1991.
Deng, J. L. Control Problems of Grey Systems. Systems and Control Letters, 1(5), 288-294. 1982.
Fayyad, U., Piatetsky Shapiro, G., & Smyth, P. The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11): 27-34. 1996.
Hui, S. C. &Jha, G. Data mining for customer service support. Information & Management, 38(1): 1-13. 2000.
Kotsiantis, S. B., Zaharakis, I. D., &Pintelas, P. E. Machine learning: a review of classification and combining techniques. Artificial Intelligence Review, 26(3): 159-190. 2006.
Law, R., & Au, N. “A Neural Network Model to Forecast Japanese Demand for
Travel to Hong Kong, Tourism Management, 20, pp.89-97. 1999
Minowa, Y. Classification rules discovery from selected trees for thinning with the C4.5 machine learning system. Journal of Forest Research, 10(3): 221-231. 2005.
Mitra, S., Pal, S. K., Data mining in soft computing framework: A survey. IEEE Transactions on Neural Networks, 13(1): 3-14. 2002.
Qian, B. & Rasheed, K. Foreign exchange market prediction with multiple classifiers. Journal of Forecasting, 29(3): 271-284. 2010.
Quinlan, J. R. Induction of decision trees. Machine Learning, 1: 81-106. 1986.
Quinlan, J. R. C4.5: Programs for machine learning. Morgan Kaufman. 1993.
Ruggieri, S. Efficient C4.5. IEEE Transactions on Knowledge and Data Engineering, 14(2): 438-444. 2002.
Sorensen, K. & Janssens, G. K. Data mining with genetic algorithms on binary trees.European Journal of Operational Research, 151(2): 253-264. 2003.
Wu, P. Neural Network Source Code, NCSU, Raileigh, N. C., U.S.A. 1995.

連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊