神经网络建立物流中心出货预测模式研讨VIP免费

当前文档修改密码：8362839以类神经网络建立物流中心出货预测模式林哲宏＊正修科技大学信息管理系linch@csu.edu.tw卢渊源国立中山大学企业管理系iylu@bm.nsysu.edu.tw摘要本文主要提出物流中心出货预测模式之建构程序，经由此程序可根据物流中心的作业特性与品项特性筛选攸关的预测变量，并根据各预测变量的型态进行数据前处理以利类神经网络使用。本文以系统性的方法决定训练范例与测试范例的比例，经由比较各种训练范例与测试范例的比例所得之预测绩效，可找出最适的组合。最后本文以两种实际商品的出货数据验证其方法的有效性。关键词：物流中心、出货预测、类神经网络前言由于流通产业的快速成长，使得具有连结上游制造商与下游零售商功能的物流中心在商业现代化的过程中扮演着重要的角色。现代化的物流中心为达到大量进货统一分配的物流机能，以满足多种少量多频配送的现代化消费需求特性，必须强化物流中心的管理与作业功能。然而在物流中心之中，存货式的物流中心必须自行向供货商订货保有库存，以满足零售商的订货需求，因此精确有效的需求预测是物流中心内部不可或缺的重要功能之一。Bowersox和Closs(1996)指出单一品项预测是物流预测的基础作业，藉由单一品项预测可预测出重要品项的出货数量，并可将此预测结果配合库存数量决定采购数量，有效调整物流中心内各品项之库存数量，达到降低缺货风险与节省库存空间的目的。然而在零售商型物流中心内因为其处理的商品品项繁多，出货的数量与项目常因时间、季节或商品流行性的不同而产生极大的变化；而且其顾客常为每日订货、每日配送的零售商，其订单从接收到出货的订单周程时间极为短暂，以上的物流中心出货特性，导致其需求预测的困难。因此如何建构一套预测模式以供物流中心出货需求预测之用，是为物流中心亟待解决之工作，本文即从影响物流中心出货需求的两项重要因素(作业特性因素与品项特性因素)进行分析，进而找出攸关的预测变量，并以模糊类神经网络建构出一套预测模式，以解决物流中心单一品项出货预测之问题。文献探讨运筹管理评论文稿格式模板所谓类神经网络是模仿人类神经系统的结构及处理信息运作方式，其基本元素为处理单元及连接键，分别相当于人类神经系统中的神经元与神经键的功能。处理单元的主要作用是接收并加总所有的输入讯号，此加总后的讯号经由转换函数(transferfunction)输出给下一个处理单元(Wasserman,1989)，图1则为处理单元的基本运作。图1处理单元之基本运作资料来源：Wasserman(1989)应用类神经网络于需求预测问题的研究通常以过去的时间序列数据或其它可能影响因素作为输入资料以预测未来的需求量，并根据预测结果计算其预测精度。Tang等人(1991)针对汽车销售量的预测，分别使用倒传递类神经网络模式与Box-Jenkins的时间序列模式作比较性的研究，在具有长期记忆型态的数据方面，这两种方法皆有相似的结果，但在数据型态具有短期记忆时，类神经网络模式的预测能力就优于Box-Jenkins模式。此研究亦讨论了类神经网络模式最佳参数设计的问题，借着改变各层处理单元的数目、学习速率以及惯性因子以找到预测误差较小与学习效率较高的网络。Tamada等人(1993)认为类神经网络模式比多元回归分析在每天用水量的预测上可产生更精确的预测，而且当测试范例落在训练范例附近时，其正确率比多元回归分析更高于10%-30%。Nam和Schaefer(1995)以倒传递类神经网络模式预测国际航线旅客数量，此模式借着改变隐藏层单元数来观察其预测能力，其预测结果并和多元回归分析与指数平滑法做比较，当以绝对平均误差(MAE)为预测精度的准则下，类神经网络模式的预测能力都较其它方法为佳。Hua(1996)使用12个经济指标预测新加坡的住宅需求，在此研究中并比较类神经网络与多元回归分析在住宅需求上的预测精度，当以绝对平均百分比误差(MAPE)表示的预测精度比较时，其类神经网络的预测能力优于多元回归分析。Pattie和Haas(1996)利用类神经网络预测野外休闲的使用量，此模式使用经济指针作为输入数据，在104个旅游地点的预测上，类神经网络模式的预测能力优于回归分析，甚至在某些地点其精确度可两倍于多元回归分析。从上述文...