臺灣博碩士論文加值系統

近十年來由於工業的快速發展,使得臺灣的能源需求急劇增加。在滿足電力需求方面，再生能源扮演著重要角色，此時需要更多的超高壓架空輸電鐵塔來支援台灣之輸電網路。我們需要一種快速、準確和自動的成本估算工具來取代既有之手動估算方式。
本研究目的係利用支持向量迴歸來開發一種可預測超高壓輸電鐵塔專案施工成本之工具。首先透過文獻回顧為歷史數據資料蒐集以及超高壓鐵塔基礎之成本估算屬性提供了研究方向。接著本研究蒐集了全臺灣近十年的超高壓鐵塔歷史興建資料。從2010 年至2019年總共建造了317座超高壓鐵塔基礎，故本研究之數據來源共有317組，其中有75座鐵塔基礎因為缺少部分數據資訊而予以捨棄，最終有238組數據(佔總數75%)被納入本研究之SVR模型開發，作為本研究之數據來源。
本研究選用C=50和γ=0.05和 5折交叉驗證來建構SVR預測模型，SVR模型得出預測結果之準確率為97.91%，RMSE=0.0989，R2=0.9924。而多元線性迴歸預測之準確率為90.66%，RMSE=0.5211和R2=0.8091。兩者之預測結果相比，本研究所提出之SVR預測模型在預測超高壓鐵塔專案施工成本是極為有效的解決方案。

Energy demands in Taiwan have dramatically increased due to rapid industrial development in the recent decade. Renewable energy is playing an important role in filling out the demands and requires more Extra-High Voltage (EHV) transmission towers to support Taiwan electrical transmission network. A prompt, accurate, and automatic cost estimation tool is desired to replace the current manual estimation.
The study objective is to develop a tool using support vector regression (SVR) that can predict construction cost for EHV transmission tower projects. Literature review leads a way to collect historical data and what the attributes of cost estimation for EHV transmission tower foundations. The study targets the total historical data in recent decade in Taiwan. As a result, there are 317 EHV transmission towers built from 2010 to 2019 having 317 sets for the data source. Eliminating 79 sets due to missing information, 238 data sets (75% of the total) of EHV transmission tower foundations are taken into consideration for the SVR model development.
Having the C=50 and γ=0.05 set and 5 fold cross validation, the proposed SVR model yields the prediction result with an accuracy at 97.91% as RMSE=0.0989 and R2 = 0.9924. Compared to the result from multi-linear regression at 90.66% as RMSE=0.5211 and R2 = 0.8091, the proposed SVR model is an effective solution to predict construction cost for extra-high voltage transmission tower projects.

摘 要 i
Abstract ii
誌 謝 iii
目 錄 iv
圖 目 錄 vi
表 目 錄 viii
第一章 緒 論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 4
1.4 研究範圍與限制 4
1.4.1 研究範圍 4
1.4.2 研究限制 4
1.5 研究方法 5
1.6 論文架構與研究流程 6
1.6.1 論文架構 6
1.6.2 研究流程 7
第二章 文獻回顧 9
2.1 輸變電工程 9
2.2 輸電線路 10
2.3 超高壓鐵塔基礎 13
2.4 鐵塔基礎設計 15
2.5 鐵塔基礎費用 17
2.6 支持向量機原理及應用 20
2.6.1 前言 20
2.6.2 支持向量機發展歷程 21
2.6.3 支持向量機簡介 21
2.6.4 核心函數 22
2.6.5 支持向量迴歸 23
2.7 SVR預測之相關研究 28
2.8 小結 30
第三章 鐵塔基礎資料蒐集與分析 32
3.1 鐵塔基礎費用資料來源 32
3.2 鐵塔基礎基本資料分析 33
3.3 鐵塔基礎費用之變數選擇 36
3.4 影響因子篩選 39
3.5 數據預處理 41
第四章 建構鐵塔基礎費用預測模型 43
4.1 發展SVR預測模型 43
4.1.1數據劃分 43
4.1.2確認最佳參數 44
4.2 建構SVR預測模型 46
4.3 預測鐵塔基礎費用 49
4.4 模型驗證評估 52
4.5 預測結果及討論 54
第五章 結論與建議 58
5.1 結論 58
5.2 實務建議 59
5.3 未來研究建議 59
參考文獻 61

[1]經濟部風力發電四年推動計畫。2018年11月15日，取自https://www.moeaboe.gov.tw/ECW/populace/content/wHandMenuFile.ashx?file_id=4107
[2]Trafalis, T. B., and Gilbert, R. C., “Robust support vector machines for classification and computational issues.”, Optimization Methods and Software, 22(1), 187-198, 2007.
[3]Lam, K.C., Palaneeswaran, E., and Yu, C.-Y., “A support vector machine model for contractor prequalification.”, Automation in Construction, 18(3), 321-329, 2009.
[4]A. J. Smola, B. Schölkopf, “A tutorial on support vector regression”, Statistics and Computing, vol. 14, no.3, pp. 199-222, 2004.
[5]Python Software Foundation (n.d.). Retrieved March 15, 2019, from https://www.python.org/
[6] 台電輸變電工程處，施工規範第02562A章架空電力線鐵塔基礎，102年5月27日版
[7] 台電工作指導書：「鐵塔設計與縱斷及平面設計」
[8] 「台電架空輸電線路設計準則」
[9] 台電輸變電工程處北區施工處工作說明書：「345kV架空輸電線路鐵塔單基樁基礎設計」
[10]行政院公共工程委員會，「公共建設工程經費估算編列手冊」(總則篇)，107年2月23日。
[11]台電輸變電工程處北區施工處採購底價預估金額及其分析工作說明書
[12]Meyer, Leisch & Hornik ,“The Support Vector Machine under test”, Neurocomputing., vol.55:pp.169-186, 2003.
[13]B. E. Boser , I. M. Guyon , V. N. Vapnik, ” A Training Algorithm for Optimal Margin Classifiers”, Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, Pages 144-152, 1992.
[14]C. Cortes and V. N. Vapnik, ”Support –Vector Networks” , Mach. Learn.,vol.20,pp.273-297, 1995.
[15]V. N. Vapnik, S.E. Golowich, and A. J. Smola,”Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing”, “Advance in Neural information Processing System,MIT Press, Vol.9, pp281-287, 1997.
[16]Zhong, Y., C. Zhou, L. Huang, Y. Wang & B. Yang, “Support Vector Regression for Prediction of Housing Values,” IEEE Computer Society, International Conference on Computational Intelligence and Security: 61-65, 2009.
[17]C.-W. Hsu, C.-C. Chang, C.-J. Lin, “A practical guide to support vector classification”. Technical report, Department of Computer Science, National Taiwan University. July, 2003.
[18]PRAJAPATI G L, PATLE A., ”On performing classification using SVM with radial basis and polynomial kernel functions”, Emerging Trends in Engineering and Technology(ICETET)- 3rd International Conference on IEEE,Washington:IEEE Computer Society,2010: 512-515
[19] WANG Dong, SHI Xiaoxia, YIN Jiaoying. “Different kernel function of support vector machine for air conditioning load forecasting contrast”. Electrotechnical Journal,(S1) : 531 –535, 2015.
[20]林大仁，「運用支撐向量迴歸與倒傳遞類神經網路建構產品造型設計之預測模型」，國立成功大學，碩士論文，2007年。
[21]陳束弘、林政廷、蔡宗成和張語軒，「電力耗能負載預測與節能應用」，臺灣能源期刊，第一卷第五期第601-612頁，2014年。
[22]戴嘉宏，「支持向量機應用於電力電纜接頭絕緣狀態評估之研究」，國立臺灣科技大學，碩士論文，2016年。
[23]陳建安，「支撐向量迴歸及高階頻譜分析於流量預測之研究」，國立臺灣大學，博士論文，2015年。
[24]王宗惇，「利用支撐向量迴歸配合自組織網路分類與昇降二元分類於逕流量預測之研究」，國立臺灣大學，博士論文，2017年。
[25]賴忠彥，「使用支持向量區間回歸機預測股價」，國立高雄應用科技大學，碩士論文，2017年。
[26]郭益廷，「建置支持向量回歸模型於智能引流輸液控制系統之流速精準調控」，國立雲林科技大學，碩士論文，2017年。
[27]吳姿儀，「支持向量迴歸建構高雄港運量之預測模型」，逢甲大學，碩士論文，2014年。
[28]Ragil Purnamasari，「Improving Accuracy of Preliminary Cost Estimation Using Support Vector Regression」，國立中央大學，碩士論文，2016年。
[29]李家嫺，「台北市房價預測系統- 以支援向量迴歸（SVR）為模型」，輔仁大學，碩士論文，2017年。
[30]Jifeng Tong、Jiaxing Du、Ping Chen, Jianguang Yuan、Zhan Huan，「The Price Forecasting of Military Aircraft Based on SVR」、Journal of Computer and Communications，PP234-237，2015年
[31]黃秀梅及蘇高玄，「基於PCA的支持向量迴歸分析於房價預測」，東方學報，第29期，第155-162頁，2008年。
[32]顧哲綸，「應用類神經網路與支援向量迴歸於磷酸鋰鐵電池剩餘電量之估測」，國立成功大學，碩士論文，2018年。
[33]呂思賢，「應用支持向量迴歸預測於空調主機之性能分析」，國立台北科技大學，碩士論文，2015年。
[34]邱松山及王裕仁，「以類神經網路與支援向量機預測公共工程決標金額之研究」，中工高雄會刊，第20卷第1期，第11-20頁，2012年。
[35]Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.
[36]Scikit-learn：Choosing the right estimator。2018年10月18日，取自https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html
[37]政府電子採購網。2019年1月12日，取自 https://web.pcc.gov.tw/prkms/prms-searchBulletionClient.do?root=tps
[38]許延彰，「應用模糊理論與統計精煉模型於道路工程標價之預測」，逢甲大學，碩士論文，2009年。
[39]楊毓及蒙肖蓮，「用支持向量機（SVM）構建企業破產預測模型」，金融研究期刊第10期:65-75，2006年。
[40]Tay, F. E. H. & L. Cao, “Application of Support Vector Machines in Financial Time Series Forecasting,” Omega. 29(4): 309-317, 2001.
[41]Duan, Kaibo & Keerthi, S.Sathiya & Poo, Aun-Neow. “Evaluation of simple performance measures for tuning SVM parameters.” Neurocomputing. 51. 41-59. 10.1016/S0925-2312(02)00601-X, 2003.