臺灣博碩士論文加值系統

市場需求的預測，是生產管理的第一步，準確的需求預測，更是企業永續經營
的優先重要課題。當製造生產時，若未能做好精確的產銷預測，則易使大量的原料及
成品屯積於倉庫內，不僅佔據了倉庫的空間，亦會造成大量資金的積壓。因此，找出
最適當的預測方法，透過預測的手法，找出產品銷售數量的預測值，進而推估原料之
需求量，並利用此預測需求量，進行經濟量之訂購，如此透過比較準確的需求預測，
將市場不確定性降至最低，進而減少資金及庫存之積壓及浪費。
本研究選擇適用於時間序列預測非線性問題的徑向基類神經網路，與常用於分析
時間因素的迴歸分析、移動平均法及指數平滑法，在加上有自我迴歸特性的時間數列
法來做為分析工具，進行銷售預測。利用A 公司產品銷售的真實數據，做計算及驗證，
再將預測出的數據與真實的資料相比較，利用平均絕對誤差（MAE）、誤差均方根（RMSE）
及平均絕對誤差百分比（MAPE）來衡量誤差，以判斷預測值的準確程度，進而找出較
適當的預測方法，再以此預測值轉換為外購原料之需求量，導入經濟訂購量模式，比
較以預測值訂購及原訂購方法之差異。
實證結果顯示，徑向基類神經網路有較佳的預測效果，其次依序為時間序列分
析、指數平滑法、迴歸分析，移動平均法則最差。

The first step of production management is to forecast the market requirement. A correct
forecast is an essential priority process for a manufacturing production enterprise. It may
avoid high quantities of raw material, semi-finished goods or products stored in the
warehouse. As they will consume much costs and spaces. Therefore, a suitable forecasting
analysis approach to predict the products capabilities as well as purchasing model is
necessary.Thus, aneconomic order quantity model will be adopted and a better production
management operation will be achieved.
In this paper, we use many methods to solve non-linear equations including radial basis
function neural network, time series analysis,moving average exponential smoothing
method, regression analysis and self-regression model. "A" company was selected as the
case study to provide its data for analyzing.
The forecasting results from different methods can be compared with the actual operated
data by the mean absolute error(MAE) , root mean squared error(RMSE) and mean
absolute percentage error (MAPE) approaches. Finally , the proper forecasting analysis
method can be obtained. Once the process has been done, then one should be able to apply
the economic order quantity model in the real world purchasing situation.
The results indicate that the radial basis function neural network is the proper
forecasting model, then comes with time series analysis, exponential smoothing method,
regression analysis and moving average method. It seems that the moving average method
is the least effective forecasting capability in this case study.

摘 要 ............................................... i
Abstract ........................................... ii
誌謝詞 ............................................ iii
目 錄 .............................................. iv
表目錄 ........................................... viii
圖目錄 ............................................. ix
中英文縮寫全名對照 ................................. xi
第一章 緒論 ......................................... 1
1.1 研究背景 ........................................ 1
1.2 研究目的 ........................................ 2
1.3 研究範圍與限制 .................................. 3
1.4 研究步驟與架構 .................................. 3
第二章 文獻探討 ..................................... 6
2.1 預測 ............................................ 6
2.1.1 預測之發展 .................................... 6
2.1.2 預測之定義 .................................... 7
2.1.3 預測之期間 .................................... 7
2.1.4 預測誤差之衡量 ................................ 8
2.2 預測的方法 ..................................... 11
2.2.1 定性分析法 ................................... 11
2.2.2 定量分析法 ................................... 12
2.2.3 人工智慧分析法 ............................... 15
2.3 預測相關文獻 ................................... 18
2.4 存貨管理 ....................................... 21
2.4.1 存貨的意義與功能 ............................. 21
2.4.2 存貨控制的方法 ............................... 23
第三章 研究方法 .................................... 24
3.1 移動平均法 ..................................... 24
3.2 指數平滑法 ..................................... 25
3.3 線性迴歸分析法 ................................. 27
3.4 時間數列分析預測方法 ........................... 28
3.4.1 理論基礎 ..................................... 29
3.4.2 時間數列模式建立原則.......................... 31
3.5 類神經網路 ..................................... 37
3.5.1 類神經網路的定義 ............................. 37
3.5.2 類神經網路理論 ............................... 37
3.5.3 徑向基函數神經網路 ........................... 41
3.6 經濟訂購量模式 ................................. 44
第四章 預測之個案分析 .............................. 48
4.1 問題描述與資料收集 ............................. 48
4.1.1 個案問題描述 ................................. 48
4.1.2 個案公司簡介 ................................. 48
4.1.3 資料收集 ..................................... 49
4.2 移動平均法預測模式 ............................. 50
4.3 指數平滑法預測模式 ............................. 53
4.4 線性迴歸預測模式 ............................... 55
4.5 時間序列分析預測模式 ........................... 58
4.5.1 資料初步分析.................................. 58
4.5.2 估計模式參數.................................. 60
4.5.3 偵測模型合適度................................ 61
4.5.4 ARIMA 模式預測................................ 62
4.6 徑向基函數神經網路預測模式...................... 64
4.6.1 數據前處理.................................... 64
4.6.2 網路架構及訓練................................ 66
4.7 結果比較...... ................................. 69
4.8 效益分析...... ................................. 70
第五章 結論與建議. ................................ 74
5.1 研究結論 ....................................... 74
5.2 未來研究建議.................................... 75
參考文獻 ........................................... 77
一、中文部份 ....................................... 77
二、英文部份 ....................................... 78
三、網站部份 ....................................... 78

[1] 于宗先，「經濟預測」，大中國圖書有限公司，1972年4月。
[2] 王瓊敏，「電腦關鍵零組件之價格預測模式」，中央大學工業管理研究所碩士論文，2000年6月。
[3] 李惠妍，「類神經網路與迴歸模式在台股指數期貨預測之研究」，國立國立成功大學管理學院碩士論文，2003年6月。
[4] 林振松，「應用類神經網路於啤酒之銷售預測」，國立雲林科技大學工業工程與管理研究所碩士論文，2001年。
[5] 吳柏林，「時間數列分析導論」，華泰書局，1995年。
[6] 黃信源，「台灣地區行動電話需求預測模式之建構與評估－時間序列之應用」，國立台北大學企業管理學系，2003年。
[7] 許通安，「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，2004年7月。
[8] 陳執中，「台股加權指數隔月收盤價預測之研究」，成功大學統計學研究所碩士論文，2006年6月。
[9] 葉怡成，「類神經網路模式應用與實作，第七版，儒林圖書公司，2000年4月。
[10]游智元，「時間序列方法於台鐵短期旅運需求預測之研究」，成功大學交通管理科學研究所碩士論文，2006年6月。
[11]鄭淑芬，「台南縣主要水果出口量預測之研究」，南台科技大學工業管理研究所碩士論文，2004年1月。
[12]劉文祺、洪瑩珊、詹麗錦，「ARIMA 模式應用於金融商品股價趨勢預測之應用性研究」，產業金融，第112 期，頁15-47，2001年
78
[13]蔡正修，「台灣上市電子類股價指數走勢預測之研究」，成功大學統計學研究所碩士論文， 2007年6月。
[14]羅華強，「類神經網路－MATLAB的應用」，高立圖書有限公司，2005年。
二、英文部份
[1] I. Maqsood, et al, “An esemble of neural networks for weather forecasting” Neural Comput & Applic 13, 112-122, 2004 .
[2] A.Piotrowski, et al., “ Flash-flood forecasting by means of neural networks and nearest neighbor approach – a comparative study.”Nonlin Processes Geophys,13,
443-448, 2006.
[3] Victor R. Prybutok, et al., “Comparison of neural network models with ARIMA and regression model for prediction of Houston’s daily maximum ozone concentrations.”Journal of Operational Research, 2000.
[4] Philip Doganis, et al.,“A Model Predictive Control and Time Series Forecasting Framework for Supply Chain Management.” Proceedings of world academy of science engineering and technology volume 15, 2006.
[5] William J. Stevenson，”Operatins management.8th ed.”, New York : The McGraw-Hill companies, 2005.
三、網站部份
[1] MATHWORK網站， http://www.mathworks.com，2008。
[2] 台灣國家圖書館網站，http://infotrip.ncl.edu.tw/main/index.html，2008。