神经网络建立物流中心出货预测模式研讨60559.docx

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网络建立立物流中中心出货货预测模模式林哲宏正修科技大大学信息息管理系系linnchcsuu.eddu.ttw卢渊源国立中山大大学企业业管理系系iyllubbm.nnsyssu.eedu.tw摘要本文主要提提出物流流中心出出货预测测模式之之建构程程序，经经由此程程序可根根据物流流中心的的作业特特性与品品项特性性筛选攸攸关的预预测变量量，并根根据各预预测变量量的型态态进行数数据前处处理以利利类神经经网络使使用。本本文以系系统性的的方法决决定训练练范例与与测试范范例的比比例，经经由比较较各种训训练范例例与测试试范例的的比例所所得之预预测绩效效，可找找出最适适的组合合。最后后本文以以两种实实际商品品的出货货数据验验证其方方法的有有效性。关键词：物物流中心心、出货货预测、类类神经网网络前言由于流通产产业的快快速成长长，使得得具有连连结上游游制造商商与下游游零售商商功能的的物流中中心在商商业现代代化的过过程中扮扮演着重重要的角角色。现现代化的的物流中中心为达达到大量量进货统统一分配配的物流流机能，以以满足多多种少量量多频配配送的现现代化消消费需求求特性，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。Bowerrsoxx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，藉藉由单一一品项预预测可预预测出重重要品项项的出货货数量，并并可将此此预测结结果配合合库存数数量决定定采购数数量，有有效调整整物流中中心内各各品项之之库存数数量，达达到降低低缺货风风险与节节省库存存空间的的目的。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，出出货的数数量与项项目常因因时间、季季节或商商品流行行性的不不同而产产生极大大的变化化；而且且其顾客客常为每每日订货货、每日日配送的的零售商商，其订订单从接接收到出出货的订订单周程程时间极极为短暂暂，以上上的物流流中心出出货特性性，导致致其需求求预测的的困难。因此如何建建构一套套预测模模式以供供物流中中心出货货需求预预测之用用，是为为物流中中心亟待待解决之之工作，本本文即从从影响物物流中心心出货需需求的两两项重要要因素(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，以以解决物物流中心心单一品品项出货货预测之之问题。文献探讨所谓类神经经网络是是模仿人人类神经经系统的的结构及及处理信信息运作作方式，其其基本元元素为处处理单元元及连接接键，分分别相当当于人类类神经系系统中的的神经元元与神经经键的功功能。处处理单元元的主要要作用是是接收并并加总所所有的输输入讯号号，此加加总后的的讯号经经由转换换函数(traansffer funnctiion)输出给给下一个个处理单单元(WWasssermman, 19989)，图1则为处处理单元元的基本本运作。图1 处理理单元之之基本运运作资料来源：Wassserrmann(19989)应用类神经经网络于于需求预预测问题题的研究究通常以以过去的的时间序序列数据据或其它它可能影影响因素素作为输输入资料料以预测测未来的的需求量量，并根根据预测测结果计计算其预预测精度度。Tang等等人(119911)针对对汽车销销售量的的预测，分分别使用用倒传递递类神经经网络模模式与BBox-Jennkinns的时时间序列列模式作作比较性性的研究究，在具具有长期期记忆型型态的数数据方面面，这两两种方法法皆有相相似的结结果，但但在数据据型态具具有短期期记忆时时，类神神经网络络模式的的预测能能力就优优于Boox-JJenkkinss模式。此此研究亦亦讨论了了类神经经网络模模式最佳佳参数设设计的问问题，借借着改变变各层处处理单元元的数目目、学习习速率以以及惯性性因子以以找到预预测误差差较小与与学习效效率较高高的网络络。Tamadda等人人(19993)认为类类神经网网络模式式比多元元回归分分析在每每天用水水量的预预测上可可产生更更精确的的预测，而而且当测测试范例例落在训训练范例例附近时时，其正正确率比比多元回回归分析析更高于于10%-300%。Nam和SSchaaefeer(119955)以倒倒传递类类神经网网络模式式预测国国际航线线旅客数数量，此此模式借借着改变变隐藏层层单元数数来观察察其预测测能力，其其预测结结果并和和多元回回归分析析与指数数平滑法法做比较较，当以以绝对平平均误差差(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(119966)使用用12个经经济指标标预测新新加坡的的住宅需需求，在在此研究究中并比比较类神神经网络络与多元元回归分分析在住住宅需求求上的预预测精度度，当以以绝对平平均百分分比误差差(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。Pattiie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。从上述文献献的分析析中可看看出，使使用类神神经网络络于需求求预测的的研究有有下列几几点特性性：(11)对所所处理的的数据也也以数值值型数据据为主；(2)其所使使用的网网络型态态大多为为倒传递递网络，且且大多具具有一层层以上的的隐藏层层；(33)改变变网络的的结构与与参数会会影响预预测的精精度(TTangg, eet aal. 19991; Namm annd SSchaaefeer, 19995)，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。反观物流中中心的出出货特性性，上述述文献尚尚存许多多问题点点，首先先是有关关预测方方法之比比较，指指数平滑滑法或BBox-Jennkinns方法法的基本本假设是是以过去去实际发发生的数数据来预预测未来来值，其其它可能能影响的的因素则则无法将将之纳入入考虑；而以因因果关系系为基础础的多元元回归分分析是以以多个连连续变量量作为准准则变量量配合预预测变量量从事预预测，但但由于影影响物流流中心出出货需求求的预测测变量很很多，而而且这些些变量的的的型态态不全是是连续变变量，若若使用回回归方法法从事需需求预测测的话，其其预测模模式可能能不易求求得。在在此对于于利用其其它预测测方法以以比较其其差异，此此种比较较的作法法有待商商榷。另外在使用用类神经经网络作作为预测测技术时时，掌握握重要的的预测变变量，并并将之转转换为类类神经网网络可接接受的输输入变量量是一件件重要工工作。以以物流中中心的预预测问题题而言，其其预测变变量包含含数值型型与语意意型变量量，数值值型变量量可经由由线性映映成方式式转成适适合类神神经网络络的输入入变量，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。由由于影响响物流中中心出货货需求的的变量中中含有语语意型态态的数据据(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。模糊类神经经网络预预测模式式本文所提出出的模糊糊类神经经网络需需求预测测模式的的建构程程序，共共有六个个步骤，根根据此程程序的进进行可预预测物流流中心每每一期的的出货需需求数量量，兹将将详细内内容分述述于以下下各小节节。预测变量筛筛选在决定预测测变量时时可从两两方面考考虑：一一是作业业特性因因素，另另一品项项特性因因素。作作业特性性因素是是指因物物流中心心的物流流作业内内容所衍衍生出影影响当期期出货数数量的因因素，包包括物流流中心向向供货商商订货的的订货周周程时间间、零售售商向物物流中心心订货的的订货周周程时间间等，这这些内容容可从现现场了解解物流中中心的实实际运作作情形或或与物流流中心人人员访谈谈得知。而品项特性性因素则则是指因因产品本本身的特特性而影影响到需需求量的的因素，不不同品项项具有不不同的品品项特性性因素，一一般而言言包括气气温、天天气状况况、降雨雨情形、星星期别、前前几期出出货量等等，这些些因素可可依品项项别设计计问卷，请请物流中中心人员员填答得得知。将作业特性性因素与与品项特特性因素素交互考考虑，可可找出影影响物流流中心出出货需求求数量的的预测变变量，表表1是以第第D天为出出货日，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 考虑虑时间因因素的预预测变量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)天天出货量第(D - -+ n-11)天说明：n=1, +预测变量前前处理程程序在表1所列列的预测测变量中中，由于于其数据据类型不不同，所所需的前前处理程程序也有有不同，一一般数值值变量(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。 (1)其中为变数数转换前前的值为变数转换换后的值值为此变数的的最大值值为此变数的的最小值值气温与降雨雨数据是是属于具具有最高高值最低低值的区区间数值值，若有有一变量量 j为区区间数值值，则可可以取此此区间的的最大值值、中间间值与最最小值表表示成三三角形模模糊数，。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，若若要输入入类神经经网络中中需再进进行式(1)的的线性转转换。而天空状况况则是利利用语意意描述表表达此类类信息，符符合语意意数据的的特性，例例如晴时时多云、多多云时阴阴等。本本文将以以语意模模糊向量量表示此此种语意意资料，令令，s、c、g分别表表示晴天天、多云云、阴天天的云量量变量，表表示目前前云量属属于此种种天空状状况的程程度，为为一数值值型资料料，天空空状况亦亦可简单单表示为为，例如如则表示示目前云云量属于于晴天、多多云、阴阴天的程程度分别别为0.3、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0.225<ss<0.5，0.55<c<<0.775，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)其中表示天天空状况况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，多多云时晴晴则可可表示为为(0.5, 0.225, 0.775, 0.55, 00, 00)，其其它天空空状况的的表示式式则可详详见表22。表2 语意意向量天天空状况况表示法法天空状况语意模糊向向量表示示法晴(1, 00.755, 00.255, 00, 00, 00)多云(0.133, 00, 11, 00.755, 00.133, 00)阴(0, 00, 00.255, 00, 11, 00.755)晴时多云(0.755, 00.5, 0.5, 0.225, 0, 0)多云时晴(0.5, 0.25, 0.75, 0.5, 0, 0)多云时阴(0, 00, 00.755, 00.5, 0.5, 0.225)阴时多云(0, 00, 00.5, 0.25, 0.75, 0.5)晴转阴或阴阴转晴(0.5, 0.5, 0, 0, 0.55, 00.5)多云转阴或或阴转多多云(0, 00, 00.5, 0.5, 0.55, 00.5)晴转多云或或多云转转晴(0.5, 0.5, 0.55, 00.5, 0, 0)星期别属于于类别资资料，可可根据其其类别的的数目，以以相等数数目的虚虚变量表表示，例例如星期期别的类类别数目目为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。类神经网络络架构设设定本文采用倒倒传递类类神经网网络建构构预测模模式，而而一适宜宜的网络络架构将将有助于于网络的的学习与与测试，且且可在训训练过程程中快速速达到收收敛，并并产生较较小的测测试范例例误差，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、以以及适当当的网络络参数等等。有关隐藏层层的数目目为一层层到两层层有较佳佳的收敛敛效果，没没有隐藏藏层不能能反应输输入单元元间之交交互作用用，会有有较大之之误差。而而一、二二层隐藏藏层以足足以反应应其交互互作用，更更多的隐隐藏层反反而使网网络过渡渡复杂，造造成能量量函数的的局部最最小值，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)。隐隐藏层单单元数订订定可参参考式(3)与与式(44)。(3)(4)其中为隐藏藏层处理理单元数数为输入层处处理单元元数为输出层处处理单元元数在网络参数数方面，需需订定学学习速率率、惯性性因子、学学习速率率递减间间隔、学学习速率率递减比比例等，另另外学习习法则与与学习批批次量亦亦会影响响到预测测效果，需需加以考考虑。本本文所用用的设定定值如表表3所示。表3类神经经网络各各项参数数汇整表表设定项目使用方法或或建议值值网络模式倒传递网络络转换函数双弯曲函数数学习速率0.3(隐隐藏层)0.5(输输出层)学习速率递递减比率率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法则隐藏层处理理单元数数训练与测试试范例比比例的决决定本小节将提提出一套套范例选选择的程程序，此此程序可可根据训训练与测测试范例例的比例例，从既既有范例例中系统统性地选选择训练练范例集集与测试试范例集集，若要要从N个范例例中抽出出个训练练范例与与个测试试范例，。若测试范例所占的比例为d，则(5)测试范例所所占的比比例最多多为一半半，但不不愿让其其比例过过小，因因此限定定。为了了平均地地从所有有范例中中抽出测测试范例例，兹将将所有范范例N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(77)为整数(88)在此举一释释例说明明此程序序的运算算，若有有2800个范例例用以决决定训练练范例与与测试范范例，则则d可选择择1/22到1/110等多多种情况况，c亦可配配合d选择适适当的整整数，其其配置的的情形如如表4所示。表4 训练练范例与与测试范范例分配配情形N=2800dcN/c1/21/41/51/71/81/102140703528201447035141075562814877401010854102814741402102242402452521407056403528说明：灰色色空格内内之数字字表示每每个子范范例中后后个测试试范例数数网络的学习习与测试试在将训练范范例输入入网络进进行学习习之前，除除需设定定各项参参数外，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，由由于本预预测模式式所使用用的输出出层只有有一个处处理单元元，根据据式的法法则，只只要RMMS达到到0.11以下，即即可视为为收敛情情况良好好。学习习次数的的多寡会会影响网网络学习习的良窳窳，一般般而言次次数愈多多学习效效果愈佳佳，但太太多的学学习亦会会导致过过度学习习的现象象，本文文所设定定的学习习次数为为500000次次，且采采用批次次学习量量等于110的批批次学习习。预测绩效的的计算与与比较本程序的最最后一个个步骤是是选择MMAPEE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。实例验证为证实本文文所建构构之预测测模式之之有效性性，兹利利用Woorkss Prrofeessiionaal III PPluss(19995)软件建建构类神神经网络络之预测测模式，并并以某物物流中心心两种商商品之实实际出货货数据进进行预测测，此两两种商品品是经由由物流中中心人员员问卷调调查所认认为的重重要品项项，分别别为饼干干类零食食商品(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作程程序说明明如下。此A商品与与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、天天气状况况、星期期别以及及前几期期之出货货情形。为为求更精精确的预预测结果果，可将将出货数数量与可可能影响响因素进进行统计计分析，以以筛选出出更确切切的影响响因素，例例如可将将前几期期的出货货量、气气温或降降雨机率率对当期期的出货货量进行行相关分分析，了了解其影影响程度度。而变变异数分分析则可可检定不不同星期期别对出出货量的的影响程程度。经经由检定定，影响响此两项项商品的的预测变变量如表表5所示，但但由于天天空状况况的影响响程度不不易检定定，可先先不考虑虑其影响响的前提提下执行行预测，再再比较加加入天空空状况因因素的情情形下其其间的差差异。根据各种预预测变量量的类型型进行数数据前处处理程序序，使每每个变量量皆转换换到0与1之间的的数值，由由于该物物流中心心一星期期中周一一至周六六为出货货日，因因此星期期别之类类别变量量则可用用6个0或1的虚拟拟变量来来表示，例例如星期期一可用用(1, 0, 0, 0, 0, 0)表示。根根据各类类变量转转换后的的数据数数目，每每种商品品的输入入变量如如表5所示。表5 AA、B商品预预测变量量汇总表表A商品B商品气温D, D-1, D-22天空状况D-1*星期别DD出货量D-1, D-22D-1输入变量数数目1723*7说明：* 表示加加入天空空状况变变量本文采用三三层的倒倒传递网网络架构构作为预预测模式式的网络络架构，由由于本文文采用两两种隐藏藏层单元元数的决决定公式式，因此此A与B两项商商品的网网络架构构分别如如表6所示，而而其它相相关的参参数设定定如表33所示。表6 各类类商品网网络架构构网络架构(网络代代号)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)说明：* 表示加加入天空空状况变变量本文选取119977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。本本文并先先采用AA-1-1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，以以判断网网络的收收敛程度度。在此此将观察察范例比比例参数数d与c的影响响程度，找找出预测测精度高高的组合合，以进进行下一一步的测测试(例如测测试A-2-11或B-22网络结结构)。预测结果分分析与讨讨论根据表4的的配置情情形进行行网络的的学习并并收集网网络B-1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dd=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%，以以及0.03004、7.772%、2.773%，将将此结果果与A-1-11、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。而天空状况况的影响响程度将将以网络络A-11-2测测试，范范例比例例参数仍仍采用dd=8、c=5，其其测试结结果之MMAPEE为8.223%，MAEE为5.002%，在在相同的的范例比比例参数数下可证证明将天天空状况况因素纳纳入预测测模式中中将可增增进预测测精度。结论与建议议本文主要探探讨物流流中心出出货需求求预测，并并提出模模糊类神神经网络络预测模模式建构构程序，经经由本研研究所提提出的方方法，加加上实证证数据的的验证，可可证明此此项程序序的运用用可提升升出货需需求预测测绩效，有有助于物物流中心心的运作作。兹将将本研究究所获致致的研究究结论汇汇整如下下：1.使用本本研究所所提出的的数据前前处理程程序，可可将所有有攸关变变量转换换成类神神经网络络所需的的输入数数据。2.本研究究提出分分析训练练与测试试范例比比例的系系统性方方法，藉藉由此套套方法可可找出类类神经网网络中训训练与测测试范例例最适比比例的组组合，以以提高预预测精度度，经由由实证数数据的验验证采用用5个子范范例，而而测试范范例占整整体范例例的1/8时，可可使预测测的绩效效达到最最佳。3.在本研研究中隐隐藏层处处理单元元数的多多寡对预预测结果果所造成成的影响响不大。4.当以语语意模糊糊向量表表示天空空状况时时，可以以将语意意变量量量化，而而经由模模式的验验证显示示当预测测模式包包含天空空状况之之数据，可可使预测测的精确确度更为为提高。参考文献Bowerrsoxx, DD. JJ. aand Clooss, D. J. (119966), Loggistticaal MManaagemmentt: TThe Inttegrrateed SSuppply Chaain Proocesss, McGGraww-Hiill, Innterrnattionnal Ediitioons.Hua, G. B. (19996), RResiidenntiaal CConsstruuctiion Demmandd Fooreccasttingg Ussingg Ecconoomicc Inndiccatoors: A Commparratiive Stuudy of Arttifiiciaal NNeurral Nettworrks andd Muultiiplee Reegreessiion, Coonsttrucctioon oof MManaagemmentt & Ecoonommicss, VVol.14, Noo.1, p.25-34.Nam, K. andd Scchaeeferr, TT. (19995), "FForeecasstinng IInteernaatioonall Aiirliine Passsenngerr Trrafffic 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, UU.S.A.Pattiie, D. C. andd Haaas, G. (119966), Forrecaastiing 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), WWateer DDemaand Forrecaastiing by Memmoryy - baasedd Leearnningg, Waaterr Scciennce andd Teechnnoloogy, Vool.228, No.11-12, ppp.1333 -1400.Tang, Z., DDe AAlmeeidaa, CC. aand Fissh-wwickk, PP. AA. (19991), Tiime Serriess Foore-casstinng UUsinng NNeurral Nettworrks Vs. Boox-JJenkkinss Meethoodollogyy, 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 NNetwworkk, VVol.4, pp.1366-1441.Wasseermaan, P. D. (19989), NNeurral Commputtingg: TTheoory andd Prractticee, NNY: Vann Noostrrandd Teeinhholdd.作者简介林哲宏，119988年取得得国立中中山大学学企业管管理博士士学位，现现为正修修科技大大学信息息管理系系副教授授暨系主主任，研研究领域域为供应应链管理理、类神神经网络络应用、电电子化企企业、服服务作业业管理，其其文章曾曾发表于于Intternnatiionaal JJourrnall off Prroduuctiion Ecoonommicss、Jouurnaal oof SStattistticss & Mannageemennt SSysttemss、商业业现代化化学刊、质质量学报报、正修修学报等等期刊，为为本论文文之通讯讯作者。卢渊源，119788年取得得日本义义塾大学学管理工工学博士士，现为为国立中中山大学学企业管管理系教教授，研研究领域域为科技技管理、供供应链管管理、全全面质量量管理，其其文章曾曾发表于于Intternnatiionaal JJourrnall off Teechnnoloogy Mannageemennt、Intternnatiionaal JJourrnall off Prroduuctiion Ecoonommicss、中山管管理评论论、科技技管理学学刊、亚亚太经济济管理评评论等期期刊。(Receeiveed MMar. 20004; 1sst rreviisedd Juul. 20004; 2ndd reevissed Octt. 220044; aacceepteed FFeb. 20005)A Shiippiing Forrecaastiing Moddel of Disstriibuttionn Ceenteer bbaseed oon AArtiificciall Neeuraal NNetwworkkChe-HHungg LiinDeparrtmeent of Infformmatiion MannageemenntChengg-Shhiu UniiverrsittyIuan-Yuaan LLuDeparrtmeent of Bussineess MannageemenntNatioonall Suun YYat-Senn UnniveersiityABSTRRACTTThis papper proopossed thee coonsttrucctinng pprocceduure of a sshipppinng fforeecasstinng mmodeel oof ddisttribbutiion cennterr (DDC) bassed on arttifiiciaal nneurral nettworrk (ANNN). Thee reelevvantt fooreccasttingg vaariaablees ccan be scrreenned thrrouggh eexamminiing thee opperaatioonall chharaacteerissticcs aand merrchaandiise prooperrtiees oof aa DCC. TThe proopossed proocedduree prropoosess soome datta pprepproccesssingg meethoods to mannipuulatte fforeecasstinng vvariiablles to enhhancce tthe forrecaastiing perrforrmannce. Fiinallly, twwo pprodductts aare useed aas eexammplees tto iilluustrrateed tthe proopossed proocedduree annd eexamminee itts vvaliidattionn.Keywoordss: DDisttribbutiion Cennterr, SShipppinng FForeecasstinng, Arttifiiciaal NNeurral Nettworrk