以类神经网路建立物流中心出货预测模式

1、 PAGE 2 Che-Hung Lin and Iuan-Yuan LuA Shipping Forecasting Model of Distribution CenterLogistics Management Review Vol.1, No.1, (2005) PAGE 19Logistics Management ReviewVol.1, No.1, (2005) pp.1-6運籌管理評論文稿格式範本運籌管理評論文稿格式範本林哲宏正修科技大大學資訊訊管理系系linnchcsuu.eddu.ttw盧淵源國立中山大大學企業業管理系系iyllubbm.nnsyssu.eedu.tw摘 要

2、本文主要提提出物流流中心出出貨預測測模式之之建構程程序，經經由此程程序可根根據物流流中心的的作業特特性與品品項特性性篩選攸攸關的預預測變數數，並根根據各預預測變數數的型態態進行資資料前處處理以利利類神經經網路使使用。本本文以系系統性的的方法決決定訓練練範例與與測試範範例的比比例，經經由比較較各種訓訓練範例例與測試試範例的的比例所所得之預預測績效效，可找找出最適適的組合合。最後後本文以以兩種實實際商品品的出貨貨資料驗驗證其方方法的有有效性。關鍵詞：物物流中心心、出貨貨預測、類類神經網網路前言由於流通產產業的快快速成長長，使得得具有連連結上游游製造商商與下游游零售商商功能的的物流中中心在商商業現代

3、代化的過過程中扮扮演著重重要的角角色。現現代化的的物流中中心為達達到大量量進貨統統一分配配的物流流機能，以以滿足多多種少量量多頻配配送的現現代化消消費需求求特性，必必須強化化物流中中心的管管理與作作業功能能。然而而在物流流中心之之中，存存貨式的的物流中中心必須須自行向向供應商商訂貨保保有庫存存，以滿滿足零售售商的訂訂貨需求求，因此此精確有有效的需需求預測測是物流流中心內內部不可可或缺的的重要功功能之一一。Bowerrsoxx和Clooss(19996)指指出單一一品項預預測是物物流預測測的基礎礎作業，藉藉由單一一品項預預測可預預測出重重要品項項的出貨貨數量，並並可將此此預測結結果配合合庫存數數

4、量決定定採購數數量，有有效調整整物流中中心內各各品項之之庫存數數量，達達到降低低缺貨風風險與節節省庫存存空間的的目的。然然而在零零售商型型物流中中心內因因為其處處理的商商品品項項繁多，出出貨的數數量與項項目常因因時間、季季節或商商品流行行性的不不同而產產生極大大的變化化；而且且其顧客客常為每每日訂貨貨、每日日配送的的零售商商，其訂訂單從接接收到出出貨的訂訂單週程程時間極極為短暫暫，以上上的物流流中心出出貨特性性，導致致其需求求預測的的困難。因此如何建建構一套套預測模模式以供供物流中中心出貨貨需求預預測之用用，是為為物流中中心亟待待解決之之工作，本本文即從從影響物物流中心心出貨需需求的兩兩項重要

5、要因素(作業特特性因素素與品項項特性因因素)進行分分析，進進而找出出攸關的的預測變變數，並並以模糊糊類神經經網路建建構出一一套預測測模式，以以解決物物流中心心單一品品項出貨貨預測之之問題。文獻探討所謂類神經經網路是是模仿人人類神經經系統的的結構及及處理資資訊運作作方式，其其基本元元素為處處理單元元及連接接鍵，分分別相當當於人類類神經系系統中的的神經元元與神經經鍵的功功能。處處理單元元的主要要作用是是接收並並加總所所有的輸輸入訊號號，此加加總後的的訊號經經由轉換換函數(traansffer funnctiion)輸出給給下一個個處理單單元(WWasssermman, 19989)，圖1則為處處理

6、單元元的基本本運作。圖1 處理理單元之之基本運運作資料來源：Wassserrmann(19989)應用類神經經網路於於需求預預測問題題的研究究通常以以過去的的時間序序列資料料或其他他可能影影響因素素作為輸輸入資料料以預測測未來的的需求量量，並根根據預測測結果計計算其預預測精度度。Tang等等人(119911)針對對汽車銷銷售量的的預測，分分別使用用倒傳遞遞類神經經網路模模式與BBox-Jennkinns的時時間序列列模式作作比較性性的研究究，在具具有長期期記憶型型態的資資料方面面，這兩兩種方法法皆有相相似的結結果，但但在資料料型態具具有短期期記憶時時，類神神經網路路模式的的預測能能力就優優於B

7、oox-JJenkkinss模式。此此研究亦亦討論了了類神經經網路模模式最佳佳參數設設計的問問題，藉藉著改變變各層處處理單元元的數目目、學習習速率以以及慣性性因子以以找到預預測誤差差較小與與學習效效率較高高的網路路。Tamadda等人人(19993)認為類類神經網網路模式式比多元元迴歸分分析在每每天用水水量的預預測上可可產生更更精確的的預測，而而且當測測試範例例落在訓訓練範例例附近時時，其正正確率比比多元迴迴歸分析析更高於於10%-300%。Nam和SSchaaefeer(119955)以倒倒傳遞類類神經網網路模式式預測國國際航線線旅客數數量，此此模式藉藉著改變變隱藏層層單元數數來觀察察其預測

8、測能力，其其預測結結果並和和多元迴迴歸分析析與指數數平滑法法做比較較，當以以絕對平平均誤差差(MAEE)為預測測精度的的準則下下，類神神經網路路模式的的預測能能力都較較其他方方法為佳佳。Hua(119966)使用用12個經經濟指標標預測新新加坡的的住宅需需求，在在此研究究中並比比較類神神經網路路與多元元迴歸分分析在住住宅需求求上的預預測精度度，當以以絕對平平均百分分比誤差差(MAPPE)表示的的預測精精度比較較時，其其類神經經網路的的預測能能力優於於多元迴迴歸分析析。Pattiie和Haaas(119966)利用用類神經經網路預預測野外外休閒的的使用量量，此模模式使用用經濟指指標作為為輸入資資

9、料，在在1044個旅遊遊地點的的預測上上，類神神經網路路模式的的預測能能力優於於迴歸分分析，甚甚至在某某些地點點其精確確度可兩兩倍於多多元迴歸歸分析。從上述文獻獻的分析析中可看看出，使使用類神神經網路路於需求求預測的的研究有有下列幾幾點特性性：(11)對所所處理的的資料也也以數值值型資料料為主；(2)其所使使用的網網路型態態大多為為倒傳遞遞網路，且且大多具具有一層層以上的的隱藏層層；(33)改變變網路的的結構與與參數會會影響預預測的精精度(TTangg, eet aal. 19991; Namm annd SSchaaefeer, 19995)，但但無明確確的結論論指出其其影響的的方向；(4)

10、利用類類神經網網路預測測的結果果在多數數情況下下會比傳傳統預測測方法好好。反觀物流中中心的出出貨特性性，上述述文獻尚尚存許多多問題點點，首先先是有關關預測方方法之比比較，指指數平滑滑法或BBox-Jennkinns方法法的基本本假設是是以過去去實際發發生的資資料來預預測未來來值，其其他可能能影響的的因素則則無法將將之納入入考慮；而以因因果關係係為基礎礎的多元元迴歸分分析是以以多個連連續變數數作為準準則變數數配合預預測變數數從事預預測，但但由於影影響物流流中心出出貨需求求的預測測變數很很多，而而且這些些變數的的的型態態不全是是連續變變數，若若使用迴迴歸方法法從事需需求預測測的話，其其預測模模式可

11、能能不易求求得。在在此對於於利用其其他預測測方法以以比較其其差異，此此種比較較的作法法有待商商榷。另外在使用用類神經經網路作作為預測測技術時時，掌握握重要的的預測變變數，並並將之轉轉換為類類神經網網路可接接受的輸輸入變數數是一件件重要工工作。以以物流中中心的預預測問題題而言，其其預測變變數包含含數值型型與語意意型變數數，數值值型變數數可經由由線性映映成方式式轉成適適合類神神經網路路的輸入入變數，但但語意型型變數則則不易量量化為類類神經網網路可用用的輸入入變數。由由於影響響物流中中心出貨貨需求的的變數中中含有語語意型態態的資料料(如天氣氣狀況)與區間間值資訊訊(如最高高最低氣氣溫)，如何何處理此

12、此類變數數則為此此類研究究之另一一項重要要課題。模糊類神經經網路預預測模式式本文所提出出的模糊糊類神經經網路需需求預測測模式的的建構程程序，共共有六個個步驟，根根據此程程序的進進行可預預測物流流中心每每一期的的出貨需需求數量量，茲將將詳細內內容分述述於以下下各小節節。預測變數篩篩選在決定預測測變數時時可從兩兩方面考考量：一一是作業業特性因因素，另另一品項項特性因因素。作作業特性性因素是是指因物物流中心心的物流流作業內內容所衍衍生出影影響當期期出貨數數量的因因素，包包括物流流中心向向供應商商訂貨的的訂貨週週程時間間、零售售商向物物流中心心訂貨的的訂貨週週程時間間等，這這些內容容可從現現場瞭解解物

13、流中中心的實實際運作作情形或或與物流流中心人人員訪談談得知。而品項特性性因素則則是指因因產品本本身的特特性而影影響到需需求量的的因素，不不同品項項具有不不同的品品項特性性因素，一一般而言言包括氣氣溫、天天氣狀況況、降雨雨情形、星星期別、前前幾期出出貨量等等，這些些因素可可依品項項別設計計問卷，請請物流中中心人員員填答得得知。將作業特性性因素與與品項特特性因素素交互考考量，可可找出影影響物流流中心出出貨需求求數量的的預測變變數，表表1是以第第D天為出出貨日，為物流中心向供應商訂貨的訂貨週程時間，為零售商向物流中心訂貨的訂貨週程時間，在第(D- - )天預測第D天出貨量時可能的攸關預測變數，因此可

14、根據物流中心實際的情形配合表1的使用選擇預測變數。表1 考慮慮時間因因素的預預測變數數考慮時間預測變數氣溫第(D - - + n)天天空狀況第(D - - + nn)天降雨情形第(D - - + nn)天星期別第(D)天天出貨量第(D - - + nn -1)天說明：n=1, +預測變數前前處理程程序在表1所列列的預測測變數中中，由於於其資料料類型不不同，所所需的前前處理程程序也有有不同，一一般數值值變數(出貨量量)欲轉換換成00, 11之間間的數值值可利用用式(11)進行行線性轉轉換。 (1)其中為變變數轉換換前的值值為變數轉轉換後的的值為此變數數的最大大值為此變數數的最小小值氣溫與降雨雨資

15、料是是屬於具具有最高高值最低低值的區區間數值值，若有有一變數數 j為區區間數值值，則可可以取此此區間的的最大值值、中間間值與最最小值表表示成三三角形模模糊數，。此三三角形模模糊數可可用來表表示氣溫溫(T)與降雨雨機率(R)，因此此。當氣氣溫與降降雨機率率資料轉轉成模糊糊數之後後，此、與皆變成成一精確確型數值值資料，若若要輸入入類神經經網路中中需再進進行式(1)的的線性轉轉換。而天空狀況況則是利利用語意意描述表表達此類類資訊，符符合語意意資料的的特性，例例如晴時時多雲、多多雲時陰陰等。本本文將以以語意模模糊向量量表示此此種語意意資料，令令，s、c、g分別表表示晴天天、多雲雲、陰天天的雲量量變數，

16、表表示目前前雲量屬屬於此種種天空狀狀況的程程度，為為一數值值型資料料，天空空狀況亦亦可簡單單表示為為，例如如則表示示目前雲雲量屬於於晴天、多多雲、陰陰天的程程度分別別為0.3、0.55與0.88。為讓讓此雲量量變數有有一系統統性的訂訂定標準準，本研研究以該該天空狀狀況的出出現時間間為基準準來定義義，例如如多雲雲時晴表示天天空狀況況為多雲雲的時間間少於33/4多多於1/2，天天空狀況況為晴的的時間少少於1/2多於於1/44，亦即即0.225ss0.5，0.55c0.775，在在此可將將每個雲雲量變數數一分為為二，用用其出現現時間的的上下界界值表示示，因此此可將此此語意模模糊向量量擴充為為 (2)

17、其中表示天天空狀況況w出現的的最大可可能時間間，。表示天天空狀況況w出現的的最小可可能時間間，因此，多多雲時晴晴則可可表示為為(0.5, 0.225, 0.775, 0.55, 00, 00)，其其他天空空狀況的的表示式式則可詳詳見表22。表2 語意意向量天天空狀況況表示法法天空狀況語意模糊向向量表示示法晴(1, 00.755, 00.255, 00, 00, 00)多雲(0.133, 00, 11, 00.755, 00.133, 00)陰(0, 00, 00.255, 00, 11, 00.755)晴時多雲(0.755, 00.5, 0.5, 0.225, 0, 0)多雲時晴(0.5, 0

18、.25, 0.75, 0.5, 0, 0)多雲時陰(0, 00, 00.755, 00.5, 0.5, 0.225)陰時多雲(0, 00, 00.5, 0.25, 0.75, 0.5)晴轉陰或陰陰轉晴(0.5, 0.5, 0, 0, 0.55, 00.5)多雲轉陰或或陰轉多多雲(0, 00, 00.5, 0.5, 0.55, 00.5)晴轉多雲或或多雲轉轉晴(0.5, 0.5, 0.55, 00.5, 0, 0)星期別屬於於類別資資料，可可根據其其類別的的數目，以以相等數數目的虛虛變數表表示，例例如星期期別的類類別數目目為7，因此此可用(1, 0, 0, 0, 0, 0, 0)表表示星期期一，

19、(0, 1, 0, 0, 0, 0, 0)表表示星期期二，其其餘依此此類推。類神經網路路架構設設定本文採用倒倒傳遞類類神經網網路建構構預測模模式，而而一適宜宜的網路路架構將將有助於於網路的的學習與與測試，且且可在訓訓練過程程中快速速達到收收斂，並並產生較較小的測測試範例例誤差，網網路架構構的決定定包含隱隱藏層層層數、隱隱藏層處處理單元元數、以以及適當當的網路路參數等等。有關隱藏層層的數目目為一層層到兩層層有較佳佳的收斂斂效果，沒沒有隱藏藏層不能能反應輸輸入單元元間之交交互作用用，會有有較大之之誤差。而而一、二二層隱藏藏層以足足以反應應其交互互作用，更更多的隱隱藏層反反而使網網路過渡渡複雜，造造

20、成能量量函數的的局部最最小值，而而使網路路無法收收斂。因因此，文文獻建議議以一層層隱藏層層即可解解決一般般問題(Villlerrs aand Barrnarrd, 19992)。隱隱藏層單單元數訂訂定可參參考式(3)與與式(44)。 (3) (4)其中 為為隱藏層層處理單單元數 為輸入入層處理理單元數數 為輸出出層處理理單元數數在網路參數數方面，需需訂定學學習速率率、慣性性因子、學學習速率率遞減間間隔、學學習速率率遞減比比例等，另另外學習習法則與與學習批批次量亦亦會影響響到預測測效果，需需加以考考慮。本本文所用用的設定定值如表表3所示。表3類神經經網路各各項參數數彙整表表設定項目使用方法或或建

21、議值值網路模式倒傳遞網路路轉換函數雙彎曲函數數學習速率0.3(隱隱藏層)0.5(輸輸出層)學習速率遞遞減比率率0.5慣性因子0.4學習方式批次學習學習法則通用差距法法則隱藏層處理理單元數數訓練與測試試範例比比例的決決定本小節將提提出一套套範例選選擇的程程序，此此程序可可根據訓訓練與測測試範例例的比例例，從既既有範例例中系統統性地選選擇訓練練範例集集與測試試範例集集，若要要從N個範例例中抽出出個訓練練範例與與個測試試範例，。若測試範例所佔的比例為d，則 (5)測試範例所所佔的比比例最多多為一半半，但不不願讓其其比例過過小，因因此限定定。為了了平均地地從所有有範例中中抽出測測試範例例，茲將將所有範

22、範例N分成c個子範範例，因因此每個個子範例例數為，且為整整數。在在每個子子範例中中本文取取前個為為訓練範範例，後後個為測測試範例例，因此此 (66)為整數 (7) 為整整數 (8)在此舉一釋釋例說明明此程序序的運算算，若有有2800個範例例用以決決定訓練練範例與與測試範範例，則則d可選擇擇1/22到1/110等多多種情況況，c亦可配配合d選擇適適當的整整數，其其配置的的情形如如表4所示。表4 訓練練範例與與測試範範例分配配情形N=2800dcN/c1/21/41/51/71/81/102140703528201447035141075562814877401010854102814741402

23、102242402452521407056403528說明：灰色色空格內內之數字字表示每每個子範範例中後後個測試試範例數數網路的學習習與測試試在將訓練範範例輸入入網路進進行學習習之前，除除需設定定各項參參數外，亦亦需決定定學習次次數以確確定網路路何時學學習完畢畢，同時時需要決決定網路路收斂準準則以確確定網路路是否收收斂而可可加以使使用。本本文在網網路學習習階段以以記錄RRMS的的方法瞭瞭解網路路的收斂斂情形，由由於本預預測模式式所使用用的輸出出層只有有一個處處理單元元，根據據式的法法則，只只要RMMS達到到0.11以下，即即可視為為收斂情情況良好好。學習習次數的的多寡會會影響網網路學習習的良窳

24、窳，一般般而言次次數愈多多學習效效果愈佳佳，但太太多的學學習亦會會導致過過度學習習的現象象，本文文所設定定的學習習次數為為500000次次，且採採用批次次學習量量等於110的批批次學習習。預測績效的的計算與與比較本程序的最最後一個個步驟是是選擇MMAPEE與MAEE為預測測績效準準則，並並以測試試範例的的輸出值值計算預預測績效效，選擇擇MAPPE與MAEE做為預預測績效效準則主主要是其其常被引引用，且且容易瞭瞭解其含含意。當當各種組組合的預預測結果果計算出出來之後後，即進進行其之之間的比比較，以以找出最最適的參參數與訓訓練/測試範範例組合合。實例驗證為證實本文文所建構構之預測測模式之之有效性性

25、，茲利利用Woorkss Prrofeessiionaal III PPluss(19995)軟體建建構類神神經網路路之預測測模式，並並以某物物流中心心兩種商商品之實實際出貨貨資料進進行預測測，此兩兩種商品品是經由由物流中中心人員員問卷調調查所認認為的重重要品項項，分別別為餅乾乾類零食食商品(簡稱A商品)與茶飲飲料商品品(簡稱B商品)。茲將將此預測測模式的的實作程程序說明明如下。此A商品與與B商品的的皆為2天，而而此物流流中心之之為1天，經經由物流流中心人人員依其其實務經經驗與專專業知識識針對這這兩項商商品提供供可能影影響因素素為氣溫溫、降雨雨情形、天天氣狀況況、星期期別以及及前幾期期之出貨貨

26、情形。為為求更精精確的預預測結果果，可將將出貨數數量與可可能影響響因素進進行統計計分析，以以篩選出出更確切切的影響響因素，例例如可將將前幾期期的出貨貨量、氣氣溫或降降雨機率率對當期期的出貨貨量進行行相關分分析，瞭瞭解其影影響程度度。而變變異數分分析則可可檢定不不同星期期別對出出貨量的的影響程程度。經經由檢定定，影響響此兩項項商品的的預測變變數如表表5所示，但但由於天天空狀況況的影響響程度不不易檢定定，可先先不考慮慮其影響響的前提提下執行行預測，再再比較加加入天空空狀況因因素的情情形下其其間的差差異。根據各種預預測變數數的類型型進行資資料前處處理程序序，使每每個變數數皆轉換換到0與1之間的的數值

27、，由由於該物物流中心心一星期期中週一一至週六六為出貨貨日，因因此星期期別之類類別變數數則可用用6個0或1的虛擬擬變數來來表示，例例如星期期一可用用(1, 0, 0, 0, 0, 0)表示。根根據各類類變數轉轉換後的的資料數數目，每每種商品品的輸入入變數如如表5所示。表5 AA、B商品預預測變數數彙總表表A商品B商品氣溫D, D-1, D-22天空狀況D-1*星期別DD出貨量D-1, D-22D-1輸入變數數數目1723*7說明：* 表示加加入天空空狀況變變數本文採用三三層的倒倒傳遞網網路架構構作為預預測模式式的網路路架構，由由於本文文採用兩兩種隱藏藏層單元元數的決決定公式式，因此此A與B兩項商

28、商品的網網路架構構分別如如表6所示，而而其他相相關的參參數設定定如表33所示。表6 各類類商品網網路架構構網路架構(網路代代號)商品A17-9-1(AA-1-1)23-122-1(A-11-2)*17-4-1(AA-2-1)23-5-1(AA-2-2)*B7-4-11(B-1)7-3-11(B-2)說明：* 表示加加入天空空狀況變變數本文選取119977年1月到19997年年11月間間的出貨貨資料進進行類神神經網路路的學習習與測試試，兩項項商品皆皆有2880筆資資料。為為了使訓訓練範例例不要在在測試範範例中重重複出現現，在此此則依照照3.44節所提提出的方方法決定定訓練範範例與測測試範例例的比

29、例例，而AA與B兩種商商品的配配置情形形如表44所示。本本文並先先採用AA-1-1與B-11的網路路結構進進行學習習，在學學習過程程中並蒐蒐集輸出出層的RRMS，以以判斷網網路的收收斂程度度。在此此將觀察察範例比比例參數數d與c的影響響程度，找找出預測測精度高高的組合合，以進進行下一一步的測測試(例如測測試A-2-11或B-22網路結結構)。預測結果分分析與討討論根據表4的的配置情情形進行行網路的的學習並並收集網網路B-1的RMSS，其RMMS皆小小於0.1/11=0.1，可可判斷不不論使用用何種比比例結構構均可達達良好收收斂。接接著再計計算其MMAPEE與MAEE，其平平均值可可看出當當d=

30、8而c=5時可可得到最最佳的預預測績效效。將同同樣的比比例參數數運用在在A商品的的例子中中(網路A-1-11)，可可看出使使用相同同的參數數亦可得得到不錯錯之績效效。接下來以dd=8、c=5的比比例結構構測試網網路A-2-11與B-22，所得得到的RRMS、MAPPE與MAEE分別為為0.004099、10.77%、5.335%，以以及0.03004、7.772%、2.773%，將將此結果果與A-1-11、B-11網路比比較，其其預測績績效相當當，可說說明使用用正確的的範例比比例參數數可得到到較佳的的預測結結果，而而隱藏層層單元數數對預測測績效的的影響較較小。而天空狀況況的影響響程度將將以網路

31、路A-11-2測測試，範範例比例例參數仍仍採用dd=8、c=5，其其測試結結果之MMAPEE為8.223%，MAEE為5.002%，在在相同的的範例比比例參數數下可證證明將天天空狀況況因素納納入預測測模式中中將可增增進預測測精度。結論與建議議本文主要探探討物流流中心出出貨需求求預測，並並提出模模糊類神神經網路路預測模模式建構構程序，經經由本研研究所提提出的方方法，加加上實證證資料的的驗證，可可證明此此項程序序的運用用可提昇昇出貨需需求預測測績效，有有助於物物流中心心的運作作。茲將將本研究究所獲致致的研究究結論彙彙整如下下：1.使用本本研究所所提出的的資料前前處理程程序，可可將所有有攸關變變數轉

32、換換成類神神經網路路所需的的輸入資資料。2.本研究究提出分分析訓練練與測試試範例比比例的系系統性方方法，藉藉由此套套方法可可找出類類神經網網路中訓訓練與測測試範例例最適比比例的組組合，以以提高預預測精度度，經由由實證資資料的驗驗證採用用5個子範範例，而而測試範範例佔整整體範例例的1/8時，可可使預測測的績效效達到最最佳。3.在本研研究中隱隱藏層處處理單元元數的多多寡對預預測結果果所造成成的影響響不大。4.當以語語意模糊糊向量表表示天空空狀況時時，可以以將語意意變數量量化，而而經由模模式的驗驗證顯示示當預測測模式包包含天空空狀況之之資料，可可使預測測的精確確度更為為提高。參考文獻Bowerrso

33、xx, DD. JJ. aand Clooss, D. J. (119966), Loggistticaal MManaagemmentt: TThe Inttegrrateed SSuppply Chaain Proocesss, McGGraww-Hiill, Innterrnattionnal Ediitioons.Hua, G. B. (19996), symbol 147 f Times New RomanRResiidenntiaal CConsstruuctiion Demmandd Fooreccasttingg Ussingg Ecconoomicc Inndiccatoor

34、s: A Commparratiive Stuudy of Arttifiiciaal NNeurral Nettworrks andd Muultiiplee Reegreessiionsymbol 148 f Times New Roman, Coonsttrucctioon oof MManaagemmentt & Ecoonommicss, VVol.14, Noo.1, p.25-34.Nam, K. andd Scchaeeferr, TT. (19995), FForeecasstinng IInteernaatioonall Aiirliine Passsenngerr Trr

35、afffic Usiing Neuurall Neetwoorkss, Loggistticss annd TTrannspoortaatioon RReviiew, Vool. 31, Noo.3, ppp.2339-2251.Neuraal WWorkks PProffesssionnal II Pluus MManuual (19995), UUsinng NNetwworkk, RRefeerennce Guiide, annd NNeurral Commputtingg, NNeurral Warre IInc., PPitttsbuurghh, U.S.AA. Pattiie, D

36、. C. andd Haaas, G. (119966), symbol 147 f Times New RomanForrecaastiing Willderrnesss RRecrreattionn Usse NNeurral-Nettworrk VVs. Reggresssioon”, AII Apppliicattionns, Voll.100, NNo.11, ppp.667-774.Tamadda, T., Maaruyyamaa, MM., Nakkamuura, Y., AAbe, S. annd MMaedda, K. (19993), symbol 147 f Times

37、New RomanWWateer DDemaand Forrecaastiing by Memmoryy baasedd Leearnninggsymbol 148 f Times New Roman, Waaterr Scciennce andd Teechnnoloogy, Vool.228, No.11-12, ppp.1333 -1400.Tang, Z., DDe AAlmeeidaa, CC. aand Fissh-wwickk, PP. AA. (19991), symbol 147 f Times New RomanTiime Serriess Foore-casstinng

38、UUsinng NNeurral Nettworrks Vs. Boox-JJenkkinss Meethoodollogyysymbol 148 f Times New Roman, SSimuulattionn, VVol.57, Noo.5, ppp.3003-3310.Villeers, J. annd BBarnnardd, EE. (19992), BBackk Prropaagattionn Neeuraal NNetss wiith Onee annd TTwo Hidddenn Laayerrs, IEEEE Traansaactiionss onn Neeuraal NNe

39、twworkk, VVol.4, pp.1366-1441.Wasseermaan, P. D. (19989), NNeurral Commputtingg: TTheoory andd Prractticee, NNY: Vann Noostrrandd Teeinhholdd.作者簡介林哲宏，119988年取得得國立中中山大學學企業管管理博士士學位，現現為正修修科技大大學資訊訊管理系系副教授授暨系主主任，研研究領域域為供應應鏈管理理、類神神經網路路應用、電電子化企企業、服服務作業業管理，其其文章曾曾發表於於Intternnatiionaal JJourrnall off Prroduuctiion Ecoonommicss、Jouurnaal oof SStattistticss & Mannageemennt SSysttemss、商業業現代化化學刊、品品質學報報、正修修學報等等期刊，為為本論文文之通訊訊作者。盧淵源，119788年取得得日本義義塾大學學管理工工學博士士，現為為國立中中山大學學企業管管理系教教授，研研究領域域為科技技管理、供供應鏈管管理、全全面品質質管理，其其文章曾曾發表於於Intternnatiio