《神经网络建立物流中心出货预测模式研讨》由会员分享，可在线阅读，更多相关《神经网络建立物流中心出货预测模式研讨（7页珍藏版）》请在金锄头文库上搜索。
1、n 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linchcsu.edu.tw卢渊源国立中山大学企业管理系iylubm.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
2、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
3、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
4、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(transfer function)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
5、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
6、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。从上述文献的分析中可看出，使用类神经网络于需求预测
7、的研究有下列几点特性：(1)对所处理的数据也以数值型数据为主；(2)其所使用的网络型态大多为倒传递网络，且大多具有一层以上的隐藏层；(3)改变网络的结构与参数会影响预测的精度(Tang, et al. 1991; Nam and Schaefer, 1995)，但无明确的结论指出其影响的方向；(4)利用类神经网络预测的结果在多数情况下会比传统预测方法好。反观物流中心的出货特性，上述文献尚存许多问题点，首先是有关预测方法之比较，指数平滑法或Box-Jenkins方法的基本假设是以过去实际发生的数据来预测未来值，其它可能影响的因素则无法将之纳入考虑；而以因果关系为基础的多元回归分析是以多个连续变量
8、作为准则变量配合预测变量从事预测，但由于影响物流中心出货需求的预测变量很多，而且这些变量的的型态不全是连续变量，若使用回归方法从事需求预测的话，其预测模式可能不易求得。在此对于利用其它预测方法以比较其差异，此种比较的作法有待商榷。另外在使用类神经网络作为预测技术时，掌握重要的预测变量，并将之转换为类神经网络可接受的输入变量是一件重要工作。以物流中心的预测问题而言，其预测变量包含数值型与语意型变量，数值型变量可经由线性映成方式转成适合类神经网络的输入变量，但语意型变量则不易量化为类神经网络可用的输入变量。由于影响物流中心出货需求的变量中含有语意型态的数据(如天气状况)与区间值信息(如最高最低气温
9、)，如何处理此类变量则为此类研究之另一项重要课题。模糊类神经网络预测模式本文所提出的模糊类神经网络需求预测模式的建构程序，共有六个步骤，根据此程序的进行可预测物流中心每一期的出货需求数量，兹将详细内容分述于以下各小节。预测变量筛选在决定预测变量时可从两方面考虑：一是作业特性因素，另一品项特性因素。作业特性因素是指因物流中心的物流作业内容所衍生出影响当期出货数量的因素，包括物流中心向供货商订货的订货周程时间、零售商向物流中心订货的订货周程时间等，这些内容可从现场了解物流中心的实际运作情形或与物流中心人员访谈得知。而品项特性因素则是指因产品本身的特性而影响到需求量的因素，不同品项具有不同的品项特性
10、因素，一般而言包括气温、天气状况、降雨情形、星期别、前几期出货量等，这些因素可依品项别设计问卷，请物流中心人员填答得知。将作业特性因素与品项特性因素交互考虑，可找出影响物流中心出货需求数量的预测变量，表1是以第D天为出货日，为物流中心向供货商订货的订货周程时间，为零售商向物流中心订货的订货周程时间，在第(D- - )天预测第D天出货量时可能的攸关预测变量，因此可根据物流中心实际的情形配合表1的使用选择预测变量。表1 考虑时间因素的预测变量考虑时间预测变量气温第(D - - + n)天天空状况第(D - - + n)天降雨情形第(D - - + n)天星期别第(D)天出货量第(D - - + n
11、 -1)天说明：n=1, +预测变量前处理程序在表1所列的预测变量中，由于其数据类型不同，所需的前处理程序也有不同，一般数值变量(出货量)欲转换成0, 1之间的数值可利用式(1)进行线性转换。 (1)其中为变数转换前的值为变数转换后的值为此变数的最大值为此变数的最小值气温与降雨数据是属于具有最高值最低值的区间数值，若有一变量 j为区间数值，则可以取此区间的最大值、中间值与最小值表示成三角形模糊数，。此三角形模糊数可用来表示气温(T)与降雨机率(R)，因此。当气温与降雨机率数据转成模糊数之后，此、与皆变成一精确型数值数据，若要输入类神经网络中需再进行式(1)的线性转换。而天空状况则是利用语意描述
12、表达此类信息，符合语意数据的特性，例如晴时多云、多云时阴等。本文将以语意模糊向量表示此种语意资料，令，s、c、g分别表示晴天、多云、阴天的云量变量，表示目前云量属于此种天空状况的程度，为一数值型资料，天空状况亦可简单表示为，例如则表示目前云量属于晴天、多云、阴天的程度分别为0.3、0.5与0.8。为让此云量变量有一系统性的订定标准，本研究以该天空状况的出现时间为基准来定义，例如多云时晴表示天空状况为多云的时间少于3/4多于1/2，天空状况为晴的时间少于1/2多于1/4，亦即0.25s0.5，0.5c0.75，在此可将每个云量变量一分为二，用其出现时间的上下界值表示，因此可将此语意模糊向量扩充为
13、 (2)其中表示天空状况w出现的最大可能时间，。表示天空状况w出现的最小可能时间，因此，多云时晴则可表示为(0.5, 0.25, 0.75, 0.5, 0, 0)，其它天空状况的表示式则可详见表2。表2 语意向量天空状况表示法天空状况语意模糊向量表示法晴(1, 0.75, 0.25, 0, 0, 0)多云(0.13, 0, 1, 0.75, 0.13, 0)阴(0, 0, 0.25, 0, 1, 0.75)晴时多云(0.75, 0.5, 0.5, 0.25, 0, 0)多云时晴(0.5, 0.25, 0.75, 0.5, 0, 0)多云时阴(0, 0, 0.75, 0.5, 0.5, 0.25
14、)阴时多云(0, 0, 0.5, 0.25, 0.75, 0.5)晴转阴或阴转晴(0.5, 0.5, 0, 0, 0.5, 0.5)多云转阴或阴转多云(0, 0, 0.5, 0.5, 0.5, 0.5)晴转多云或多云转晴(0.5, 0.5, 0.5, 0.5, 0, 0)星期别属于类别资料，可根据其类别的数目，以相等数目的虚变量表示，例如星期别的类别数目为7，因此可用(1, 0, 0, 0, 0, 0, 0)表示星期一，(0, 1, 0, 0, 0, 0, 0)表示星期二，其余依此类推。类神经网络架构设定本文采用倒传递类神经网络建构预测模式，而一适宜的网络架构将有助于网络的学习与测试，且可在训
15、练过程中快速达到收敛，并产生较小的测试范例误差，网络架构的决定包含隐藏层层数、隐藏层处理单元数、以及适当的网络参数等。有关隐藏层的数目为一层到两层有较佳的收敛效果，没有隐藏层不能反应输入单元间之交互作用，会有较大之误差。而一、二层隐藏层以足以反应其交互作用，更多的隐藏层反而使网络过渡复杂，造成能量函数的局部最小值，而使网络无法收敛。因此，文献建议以一层隐藏层即可解决一般问题(Villers and Barnard, 1992)。隐藏层单元数订定可参考式(3)与式(4)。 (3) (4)其中 为隐藏层处理单元数 为输入层处理单元数 为输出层处理单元数在网络参数方面，需订定学习速率、惯性因子、学习速率递减间隔、学习速率递减比例等，另外学习法则与学习批次量亦会影响到预测效果，需加以考虑。本文所用的设定值如表3所示。表3类神经网络各项参数汇整表设定项目使用方法或建议值网络模式倒传递网络转换函数双弯曲函数学习速率0.3(隐藏层)0.5(输出层)学习速率递减比率0.5惯性因子0.4学习方式批次学习学习法则通用差距法则隐藏层处理单元数训练与测试范例比例的决定本小节将提出一套范
