神经网络建立物流中心出货预测模式研讨

1、当前文档修改密码：8362839运筹管理评论文稿格式模板以类神经经网络建建立物流流中心出出货预测测模式林哲宏正修科技技大学信信息管理理系liinchhcssu.eedu.tw卢渊源国立中山山大学企企业管理理系u.tww摘要本文主要要提出物物流中心心出货预预测模式式之建构构程序，经由此此程序可可根据物物流中心心的作业业特性与与品项特特性筛选选攸关的的预测变变量，并并根据各各预测变变量的型型态进行行数据前前处理以以利类神神经网络络使用。本文以以系统性性的方法法决定训训练范例例与测试试范例的的比例，经由比比较各种种训练范范例与测测试范例例的比例例所得之之预测绩绩效

2、，可可找出最最适的组组合。最最后本文文以两种种实际商商品的出出货数据据验证其其方法的的有效性性。关键词：物流中中心、出出货预测测、类神神经网络络前言由于流通通产业的的快速成成长，使使得具有有连结上上游制造造商与下下游零售售商功能能的物流流中心在在商业现现代化的的过程中中扮演着着重要的的角色。现代化化的物流流中心为为达到大大量进货货统一分分配的物物流机能能，以满满足多种种少量多多频配送送的现代代化消费费需求特特性，必必须强化化物流中中心的管管理与作作业功能能。然而而在物流流中心之之中，存存货式的的物流中中心必须须自行向向供货商商订货保保有库存存，以满满足零售售商的订订货需求求，因此此精确有有效的

3、需需求预测测是物流流中心内内部不可可或缺的的重要功功能之一一。Boweersoox和Clooss(19996)指指出单一一品项预预测是物物流预测测的基础础作业，藉由单单一品项项预测可可预测出出重要品品项的出出货数量量，并可可将此预预测结果果配合库库存数量量决定采采购数量量，有效效调整物物流中心心内各品品项之库库存数量量，达到到降低缺缺货风险险与节省省库存空空间的目目的。然然而在零零售商型型物流中中心内因因为其处处理的商商品品项项繁多，出货的的数量与与项目常常因时间间、季节节或商品品流行性性的不同同而产生生极大的的变化；而且其其顾客常常为每日日订货、每日配配送的零零售商，其订单单从接收收到出货货

4、的订单单周程时时间极为为短暂，以上的的物流中中心出货货特性，导致其其需求预预测的困困难。因此如何何建构一一套预测测模式以以供物流流中心出出货需求求预测之之用，是是为物流流中心亟亟待解决决之工作作，本文文即从影影响物流流中心出出货需求求的两项项重要因因素(作业特特性因素素与品项项特性因因素)进行分分析，进进而找出出攸关的的预测变变量，并并以模糊糊类神经经网络建建构出一一套预测测模式，以解决决物流中中心单一一品项出出货预测测之问题题。文献探讨讨所谓类神神经网络络是模仿仿人类神神经系统统的结构构及处理理信息运运作方式式，其基基本元素素为处理理单元及及连接键键，分别别相当于于人类神神经系统统中的神神经

5、元与与神经键键的功能能。处理理单元的的主要作作用是接接收并加加总所有有的输入入讯号，此加总总后的讯讯号经由由转换函函数(ttrannsfeer ffuncctioon)输输出给下下一个处处理单元元(Waasseermaan, 19889)，图1则为处处理单元元的基本本运作。图1 处处理单元元之基本本运作资料来源源：Waasseermaan(119899)应用类神神经网络络于需求求预测问问题的研研究通常常以过去去的时间间序列数数据或其其它可能能影响因因素作为为输入资资料以预预测未来来的需求求量，并并根据预预测结果果计算其其预测精精度。Tangg等人(119911)针对对汽车销销售量的的预测，分别

6、使使用倒传传递类神神经网络络模式与与Boxx-Jeenkiins的的时间序序列模式式作比较较性的研研究，在在具有长长期记忆忆型态的的数据方方面，这这两种方方法皆有有相似的的结果，但在数数据型态态具有短短期记忆忆时，类类神经网网络模式式的预测测能力就就优于BBox-Jennkinns模式式。此研研究亦讨讨论了类类神经网网络模式式最佳参参数设计计的问题题，借着着改变各各层处理理单元的的数目、学习速速率以及及惯性因因子以找找到预测测误差较较小与学学习效率率较高的的网络。Tamaada等等人(119933)认为为类神经经网络模模式比多多元回归归分析在在每天用用水量的的预测上上可产生生更精确确的预测测，

7、而且且当测试试范例落落在训练练范例附附近时，其正确确率比多多元回归归分析更更高于110%-30%。Nam和和Schhaeffer(19995)以以倒传递递类神经经网络模模式预测测国际航航线旅客客数量，此模式式借着改改变隐藏藏层单元元数来观观察其预预测能力力，其预预测结果果并和多多元回归归分析与与指数平平滑法做做比较，当以绝绝对平均均误差(MAEE)为预测测精度的的准则下下，类神神经网络络模式的的预测能能力都较较其它方方法为佳佳。Hua(19996)使使用122个经济济指标预预测新加加坡的住住宅需求求，在此此研究中中并比较较类神经经网络与与多元回回归分析析在住宅宅需求上上的预测测精度，当以绝绝对

8、平均均百分比比误差(MAPPE)表示的的预测精精度比较较时，其其类神经经网络的的预测能能力优于于多元回回归分析析。Patttie和和Haaas(119966)利用用类神经经网络预预测野外外休闲的的使用量量，此模模式使用用经济指指针作为为输入数数据，在在1044个旅游游地点的的预测上上，类神神经网络络模式的的预测能能力优于于回归分分析，甚甚至在某某些地点点其精确确度可两两倍于多多元回归归分析。从上述文文献的分分析中可可看出，使用类类神经网网络于需需求预测测的研究究有下列列几点特特性：(1)对对所处理理的数据据也以数数值型数数据为主主；(22)其所所使用的的网络型型态大多多为倒传传递网络络，且大大

9、多具有有一层以以上的隐隐藏层；(3)改变网网络的结结构与参参数会影影响预测测的精度度(Taang, ett all. 119911; NNam andd Scchaeeferr, 119955)，但但无明确确的结论论指出其其影响的的方向；(4)利用类类神经网网络预测测的结果果在多数数情况下下会比传传统预测测方法好好。反观物流流中心的的出货特特性，上上述文献献尚存许许多问题题点，首首先是有有关预测测方法之之比较，指数平平滑法或或Boxx-Jeenkiins方方法的基基本假设设是以过过去实际际发生的的数据来来预测未未来值，其它可可能影响响的因素素则无法法将之纳纳入考虑虑；而以以因果关关系为基基础的

10、多多元回归归分析是是以多个个连续变变量作为为准则变变量配合合预测变变量从事事预测，但由于于影响物物流中心心出货需需求的预预测变量量很多，而且这这些变量量的的型型态不全全是连续续变量，若使用用回归方方法从事事需求预预测的话话，其预预测模式式可能不不易求得得。在此此对于利利用其它它预测方方法以比比较其差差异，此此种比较较的作法法有待商商榷。另外在使使用类神神经网络络作为预预测技术术时，掌掌握重要要的预测测变量，并将之之转换为为类神经经网络可可接受的的输入变变量是一一件重要要工作。以物流流中心的的预测问问题而言言，其预预测变量量包含数数值型与与语意型型变量，数值型型变量可可经由线线性映成成方式转转成

11、适合合类神经经网络的的输入变变量，但但语意型型变量则则不易量量化为类类神经网网络可用用的输入入变量。由于影影响物流流中心出出货需求求的变量量中含有有语意型型态的数数据(如天气气状况)与区间间值信息息(如最高高最低气气温)，如何何处理此此类变量量则为此此类研究究之另一一项重要要课题。模糊类神神经网络络预测模模式本文所提提出的模模糊类神神经网络络需求预预测模式式的建构构程序，共有六六个步骤骤，根据据此程序序的进行行可预测测物流中中心每一一期的出出货需求求数量，兹将详详细内容容分述于于以下各各小节。预测变量量筛选在决定预预测变量量时可从从两方面面考虑：一是作作业特性性因素，另一品品项特性性因素。作业

12、特特性因素素是指因因物流中中心的物物流作业业内容所所衍生出出影响当当期出货货数量的的因素，包括物物流中心心向供货货商订货货的订货货周程时时间、零零售商向向物流中中心订货货的订货货周程时时间等，这些内内容可从从现场了了解物流流中心的的实际运运作情形形或与物物流中心心人员访访谈得知知。而品项特特性因素素则是指指因产品品本身的的特性而而影响到到需求量量的因素素，不同同品项具具有不同同的品项项特性因因素，一一般而言言包括气气温、天天气状况况、降雨雨情形、星期别别、前几几期出货货量等，这些因因素可依依品项别别设计问问卷，请请物流中中心人员员填答得得知。将作业特特性因素素与品项项特性因因素交互互考虑，可找

13、出出影响物物流中心心出货需需求数量量的预测测变量，表1是以第第D天为出出货日，为物流流中心向向供货商商订货的的订货周周程时间间，为零零售商向向物流中中心订货货的订货货周程时时间，在在第(D- - )天预测测第D天出货货量时可可能的攸攸关预测测变量，因此可可根据物物流中心心实际的的情形配配合表11的使用用选择预预测变量量。表1 考考虑时间间因素的的预测变变量考虑时间间预测变量量气温第(D - - + n)天天空状况况第(D - -+ n)天降雨情形形第(D - -+ n)天星期别第(D)天出货量第(D - -+ n-11)天说明：nn=1, +预测变量量前处理理程序在表1所所列的预预测变量量中，

14、由由于其数数据类型型不同，所需的的前处理理程序也也有不同同，一般般数值变变量(出货量量)欲转换换成00, 11之间间的数值值可利用用式(11)进行行线性转转换。 (11)其中为变变数转换换前的值值为变数转转换后的的值为此变数数的最大大值为此变数数的最小小值气温与降降雨数据据是属于于具有最最高值最最低值的的区间数数值，若若有一变变量 jj为区间间数值，则可以以取此区区间的最最大值、中间值值与最小小值表示示成三角角形模糊糊数，。此三三角形模模糊数可可用来表表示气温温(T)与降雨雨机率(R)，因此此。当气气温与降降雨机率率数据转转成模糊糊数之后后，此、与皆变成成一精确确型数值值数据，若要输输入类神神

15、经网络络中需再再进行式式(1)的线性性转换。而天空状状况则是是利用语语意描述述表达此此类信息息，符合合语意数数据的特特性，例例如晴时时多云、多云时时阴等。本文将将以语意意模糊向向量表示示此种语语意资料料，令，s、c、g分别表表示晴天天、多云云、阴天天的云量量变量，表示目目前云量量属于此此种天空空状况的的程度，为一数数值型资资料，天天空状况况亦可简简单表示示为，例例如则表表示目前前云量属属于晴天天、多云云、阴天天的程度度分别为为0.33、0.55与0.88。为让让此云量量变量有有一系统统性的订订定标准准，本研研究以该该天空状状况的出出现时间间为基准准来定义义，例如如多云云时晴表示天天空状况况为多

16、云云的时间间少于33/4多多于1/2，天天空状况况为晴的的时间少少于1/2多于于1/44，亦即即0.225ss0.5，0.55c0.775，在在此可将将每个云云量变量量一分为为二，用用其出现现时间的的上下界界值表示示，因此此可将此此语意模模糊向量量扩充为为 (2)其中表示示天空状状况w出现的的最大可可能时间间，。表示天天空状况况w出现的最最小可能能时间，因此，多云时时晴则则可表示示为(00.5, 0.25, 0.75, 0.5, 0, 0)，其它天天空状况况的表示示式则可可详见表表2。表2 语语意向量量天空状状况表示示法天空状况况语意模糊糊向量表表示法晴(1, 0.775, 0.225, 0,

17、 0, 0)多云(0.113, 0, 1, 0.775, 0.113, 0)阴(0, 0, 0.225, 0, 1, 0.775)晴时多云云(0.775, 0.55, 00.5, 0.25, 0, 0)多云时晴晴(0.55, 00.255, 00.755, 00.5, 0, 0)多云时阴阴(0, 0, 0.775, 0.55, 00.5, 0.25)阴时多云云(0, 0, 0.55, 00.255, 00.755, 00.5)晴转阴或或阴转晴晴(0.55, 00.5, 0, 0, 0.5, 0.55)多云转阴阴或阴转转多云(0, 0, 0.55, 00.5, 0.5, 0.55)晴转多云云或多

18、云云转晴(0.55, 00.5, 0.5, 0.55, 00, 00)星期别属属于类别别资料，可根据据其类别别的数目目，以相相等数目目的虚变变量表示示，例如如星期别别的类别别数目为为7，因此此可用(1, 0, 0, 0, 0, 0, 0)表表示星期期一，(0, 1, 0, 0, 0, 0, 0)表表示星期期二，其其余依此此类推。类神经网网络架构构设定本文采用用倒传递递类神经经网络建建构预测测模式，而一适适宜的网网络架构构将有助助于网络络的学习习与测试试，且可可在训练练过程中中快速达达到收敛敛，并产产生较小小的测试试范例误误差，网网络架构构的决定定包含隐隐藏层层层数、隐隐藏层处处理单元元数、以以

19、及适当当的网络络参数等等。有关隐藏藏层的数数目为一一层到两两层有较较佳的收收敛效果果，没有有隐藏层层不能反反应输入入单元间间之交互互作用，会有较较大之误误差。而而一、二二层隐藏藏层以足足以反应应其交互互作用，更多的的隐藏层层反而使使网络过过渡复杂杂，造成成能量函函数的局局部最小小值，而而使网络络无法收收敛。因因此，文文献建议议以一层层隐藏层层即可解解决一般般问题(Villlerrs aand Barrnarrd, 19992)。隐藏层层单元数数订定可可参考式式(3)与式(44)。(3)(4)其中为隐隐藏层处处理单元元数为输入层层处理单单元数为输出层层处理单单元数在网络参参数方面面，需订订定学习

20、习速率、惯性因因子、学学习速率率递减间间隔、学学习速率率递减比比例等，另外学学习法则则与学习习批次量量亦会影影响到预预测效果果，需加加以考虑虑。本文文所用的的设定值值如表33所示。表3类神神经网络络各项参参数汇整整表设定项目目使用方法法或建议议值网络模式式倒传递网网络转换函数数双弯曲函函数学习速率率0.3(隐藏层层)0.5(输出层层)学习速率率递减比比率0.5惯性因子子0.4学习方式式批次学习习学习法则则通用差距距法则隐藏层处处理单元元数训练与测测试范例例比例的的决定本小节将将提出一一套范例例选择的的程序，此程序序可根据据训练与与测试范范例的比比例，从从既有范范例中系系统性地地选择训训练范例例

21、集与测测试范例例集，若若要从NN个范例例中抽出出个训练练范例与与个测试试范例，。若测测试范例例所占的的比例为为d，则(5)测试范例例所占的的比例最最多为一一半，但但不愿让让其比例例过小，因此限限定。为为了平均均地从所所有范例例中抽出出测试范范例，兹兹将所有有范例NN分成c个子范范例，因因此每个个子范例例数为，且为整整数。在在每个子子范例中中本文取取前个为为训练范范例，后后个为测测试范例例，因此此 (6)为整数(7)为整数(8)在此举一一释例说说明此程程序的运运算，若若有2880个范范例用以以决定训训练范例例与测试试范例，则d可选择择1/22到1/110等多多种情况况，c亦可配配合d选择适适当的

22、整整数，其其配置的的情形如如表4所示。表4 训训练范例例与测试试范例分分配情形形N=2880dcN/c1/21/41/51/71/81/1002140703528201447035141075562814877401010854102814741402102242402452521407056403528说明：灰灰色空格格内之数数字表示示每个子子范例中中后个测测试范例例数网络的学学习与测测试在将训练练范例输输入网络络进行学学习之前前，除需需设定各各项参数数外，亦亦需决定定学习次次数以确确定网络络何时学学习完毕毕，同时时需要决决定网络络收敛准准则以确确定网络络是否收收敛而可可加以使使用。本本文在

23、网网络学习习阶段以以记录RRMS的的方法了了解网络络的收敛敛情形，由于本本预测模模式所使使用的输输出层只只有一个个处理单单元，根根据式的的法则，只要RRMS达达到0.1以下下，即可可视为收收敛情况况良好。学习次次数的多多寡会影影响网络络学习的的良窳，一般而而言次数数愈多学学习效果果愈佳，但太多多的学习习亦会导导致过度度学习的的现象，本文所所设定的的学习次次数为5500000次，且采用用批次学学习量等等于100的批次次学习。预测绩效效的计算算与比较较本程序的的最后一一个步骤骤是选择择MAPPE与MAEE为预测测绩效准准则，并并以测试试范例的的输出值值计算预预测绩效效，选择择MAPPE与MAEE做

24、为预预测绩效效准则主主要是其其常被引引用，且且容易了了解其含含意。当当各种组组合的预预测结果果计算出出来之后后，即进进行其之之间的比比较，以以找出最最适的参参数与训训练/测试范范例组合合。实例验证证为证实本本文所建建构之预预测模式式之有效效性，兹兹利用WWorkks PProffesssionnal II Pluus(119955)软件件建构类类神经网网络之预预测模式式，并以以某物流流中心两两种商品品之实际际出货数数据进行行预测，此两种种商品是是经由物物流中心心人员问问卷调查查所认为为的重要要品项，分别为为饼干类类零食商商品(简称A商品)与茶饮饮料商品品(简称B商品)。兹将将此预测测模式的的实

25、作程程序说明明如下。此A商品品与B商品的的皆为2天，而而此物流流中心之之为1天，经经由物流流中心人人员依其其实务经经验与专专业知识识针对这这两项商商品提供供可能影影响因素素为气温温、降雨雨情形、天气状状况、星星期别以以及前几几期之出出货情形形。为求求更精确确的预测测结果，可将出出货数量量与可能能影响因因素进行行统计分分析，以以筛选出出更确切切的影响响因素，例如可可将前几几期的出出货量、气温或或降雨机机率对当当期的出出货量进进行相关关分析，了解其其影响程程度。而而变异数数分析则则可检定定不同星星期别对对出货量量的影响响程度。经由检检定，影影响此两两项商品品的预测测变量如如表5所示，但由于于天空状

26、状况的影影响程度度不易检检定，可可先不考考虑其影影响的前前提下执执行预测测，再比比较加入入天空状状况因素素的情形形下其间间的差异异。根据各种种预测变变量的类类型进行行数据前前处理程程序，使使每个变变量皆转转换到00与1之间的的数值，由于该该物流中中心一星星期中周周一至周周六为出出货日，因此星星期别之之类别变变量则可可用6个0或1的虚拟拟变量来来表示，例如星星期一可可用(11, 00, 00, 00, 00, 00)表示示。根据据各类变变量转换换后的数数据数目目，每种种商品的的输入变变量如表表5所示。表5 A、B商品预预测变量量汇总表表A商品B商品气温D, DD-1, D-2天空状况况D-1*星

27、期别DD出货量D-1, D-2D-1输入变量量数目1723*7说明：* 表示示加入天天空状况况变量本文采用用三层的的倒传递递网络架架构作为为预测模模式的网网络架构构，由于于本文采采用两种种隐藏层层单元数数的决定定公式，因此AA与B两项商商品的网网络架构构分别如如表6所示，而其它它相关的的参数设设定如表表3所示。表6 各各类商品品网络架架构网络架构构(网络代代号)商品A17-99-1(A-11-1)23-112-11(A-1-22)*17-44-1(A-22-1)23-55-1(A-22-2)*B7-4-1(BB-1)7-3-1(BB-2)说明：* 表示示加入天天空状况况变量本文选取取19997

28、年1月到19997年年11月间间的出货货数据进进行类神神经网络络的学习习与测试试，两项项商品皆皆有2880笔资资料。为为了使训训练范例例不要在在测试范范例中重重复出现现，在此此则依照照3.44节所提提出的方方法决定定训练范范例与测测试范例例的比例例，而AA与B两种商商品的配配置情形形如表44所示。本文并并先采用用A-11-1与与B-11的网络络结构进进行学习习，在学学习过程程中并搜搜集输出出层的RRMS，以判断断网络的的收敛程程度。在在此将观观察范例例比例参参数d与c的影响响程度，找出预预测精度度高的组组合，以以进行下下一步的的测试(例如测测试A-2-11或B-22网络结结构)。预测结果果分析

29、与与讨论根据表44的配置置情形进进行网络络的学习习并收集集网络BB-1的的RMSS，其RMMS皆小小于0.1/11=0.1，可可判断不不论使用用何种比比例结构构均可达达良好收收敛。接接着再计计算其MMAPEE与MAEE，其平平均值可可看出当当d=8而c=5时可可得到最最佳的预预测绩效效。将同同样的比比例参数数运用在在A商品的的例子中中(网络A-1-11)，可可看出使使用相同同的参数数亦可得得到不错错之绩效效。接下来以以d=8、c=5的比比例结构构测试网网络A-2-11与B-22，所得得到的RRMS、MAPPE与MAEE分别为为0.004099、10.77%、5.335%，以及00.03304、

30、7.772%、2.773%，将此结结果与AA-1-1、B-11网络比比较，其其预测绩绩效相当当，可说说明使用用正确的的范例比比例参数数可得到到较佳的的预测结结果，而而隐藏层层单元数数对预测测绩效的的影响较较小。而天空状状况的影影响程度度将以网网络A-1-22测试，范例比比例参数数仍采用用d=8、c=5，其其测试结结果之MMAPEE为8.223%，MAEE为5.002%，在相同同的范例例比例参参数下可可证明将将天空状状况因素素纳入预预测模式式中将可可增进预预测精度度。结论与建建议本文主要要探讨物物流中心心出货需需求预测测，并提提出模糊糊类神经经网络预预测模式式建构程程序，经经由本研研究所提提出的

31、方方法，加加上实证证数据的的验证，可证明明此项程程序的运运用可提提升出货货需求预预测绩效效，有助助于物流流中心的的运作。兹将本本研究所所获致的的研究结结论汇整整如下：1.使用用本研究究所提出出的数据据前处理理程序，可将所所有攸关关变量转转换成类类神经网网络所需需的输入入数据。2.本研研究提出出分析训训练与测测试范例例比例的的系统性性方法，藉由此此套方法法可找出出类神经经网络中中训练与与测试范范例最适适比例的的组合，以提高高预测精精度，经经由实证证数据的的验证采采用5个子范范例，而而测试范范例占整整体范例例的1/8时，可使预预测的绩绩效达到到最佳。3.在本本研究中中隐藏层层处理单单元数的的多寡对

32、对预测结结果所造造成的影影响不大大。4.当以以语意模模糊向量量表示天天空状况况时，可可以将语语意变量量量化，而经由由模式的的验证显显示当预预测模式式包含天天空状况况之数据据，可使使预测的的精确度度更为提提高。参考文献献Boweersoox, D. J. andd Cllosss, DD. JJ. (19996), Loogissticcal Mannageemennt: Thee Innteggratted Suppplyy Chhainn Prroceess, MccGraaw-HHilll, IInteernaatioonall Edditiionss.Hua, G. B. (119966

33、), symbol 147 f Times New RomanRessideentiial Connstrructtionn Deemannd FForeecasstinng UUsinng EEconnomiic IIndiicattorss: AA Coompaarattivee Sttudyy off Arrtifficiial Neuurall Neetwoorkss annd MMulttiplle RRegrresssionnsymbol 148 f Times New Roman, Coonsttrucctioon oof MManaagemmentt & Ecoonommics

34、s, VVol.14, Noo.1, p.25-34.Nam, K. annd SSchaaefeer, T. (19995), Forrecaastiing Intternnatiionaal AAirllinee Paasseengeer TTraffficc Ussingg Neeuraal NNetwworkks, Loogissticcs aand Traanspporttatiion Revvieww, VVol. 311, NNo.33, ppp.2239-2511.Neurral Worrks Proofesssioonall III Pllus Mannuall (11995

35、5), Usiing Nettworrk, Reffereencee Guuidee, aand Neuurall Coompuutinng, Neuurall Waare Incc., Pitttsbburggh, U.SS.A.Patttie, D. C. annd HHaass, GG. (19996), symbol 147 f Times New RomanFooreccasttingg Wiildeerneess Reccreaatioon UUse - Neuurall-Neetwoork Vs. Reegreessiion”, AAI AAppllicaatioons, Voo

36、l.110, No.1, pp.67-74.Tamaada, T., MMaruuyamma, M., Naakammuraa, YY., Abee, SS. aand Maeeda, K. (119933), symbol 147 f Times New RomanWatter Demmandd Fooreccasttingg byy Meemorry - bbaseed LLearrninngsymbol 148 f Times New Roman, Watter Sciiencce aand Tecchnoologgy, Voll.288, NNo.111-112, pp.1333 -1

37、140.Tangg, ZZ., De Almmeidda, C. andd Fiish-wicck, P. A. (19991), symbol 147 f Times New RomanTTimee Seeriees FForee-caastiing Usiing Neuurall Neetwoorkss Vss. BBox-Jennkinns MMethhodoologgysymbol 148 f Times New Roman, Simmulaatioon, Voll.577, NNo.55, ppp.3303-3100.Villlerss, JJ. aand Barrnarrd, E.

38、 (19992), Bacck PProppagaatioon NNeurral Netts wwithh Onne aand Twoo Hiiddeen LLayeers, IIEEEE Trranssacttionns oon NNeurral Nettworrk, Voll.4, ppp.1336-1141.Wasssermman, P. D. (119899), Neuurall Coompuutinng: Theeoryy annd PPraccticce, NY: Vaan NNosttrannd TTeinnholld.作者简介介林哲宏，19998年取取得国立立中山大大学企业业管

39、理博博士学位位，现为为正修科科技大学学信息管管理系副副教授暨暨系主任任，研究究领域为为供应链链管理、类神经经网络应应用、电电子化企企业、服服务作业业管理，其文章章曾发表表于Innterrnattionnal Jouurnaal oof PProdducttionn Ecconoomiccs、Jouurnaal oof SStattistticss & Mannageemennt SSysttemss、商业业现代化化学刊、质量学学报、正正修学报报等期刊刊，为本本论文之之通讯作作者。卢渊源，19778年取取得日本本义塾大大学管理理工学博博士，现现为国立立中山大大学企业业管理系系教授，研究领领域为科科技管理理、供应应链管理理、全面面质量管管理，其其文章曾曾发表于于Intternnatiionaal JJourrnall off Teechn