以类神经网路建立物流中心出货预测模式

LogisticsManagementReviewVol.1,No.1,(2005)pp.1-6以類神經網路建立物流中心出貨預測模式林哲宏＊正修科技大學資訊管理系[e-mail]盧淵源國立中山大學企業管理系[e-mail]摘要本文主要提出物流中心出貨預測模式之建構程序，經由此程序可根據物流中心的作業特性與品項特性篩選攸關的預測變數，並根據各預測變數的型態進行資料前處理以利類神經網路使用。本文以系統性的方法決定訓練範例與測試範例的比例，經由比較各種訓練範例與測試範例的比例所得之預測績效，可找出最適的組合。最後本文以兩種實際商品的出貨資料驗證其方法的有效性。關鍵詞：物流中心、出貨預測、類神經網路前言由於流通產業的快速成長，使得具有連結上游製造商與下游零售商功能的物流中心在商業現代化的過程中扮演著重要的角色。現代化的物流中心為達到大量進貨統一分配的物流機能，以滿足多種少量多頻配送的現代化消費需求特性，必須強化物流中心的管理與作業功能。然而在物流中心之中，存貨式的物流中心必須自行向供應商訂貨保有庫存，以滿足零售商的訂貨需求，因此精確有效的需求預測是物流中心內部不可或缺的重要功能之一。Bowersox和Closs(1996)指出單一品項預測是物流預測的基礎作業，藉由單一品項預測可預測出重要品項的出貨數量，並可將此預測結果配合庫存數量決定採購數量，有效調整物流中心內各品項之庫存數量，達到降低缺貨風險與節省庫存空間的目的。然而在零售商型物流中心內因為其處理的商品品項繁多，出貨的數量與項目常因時間、季節或商品流行性的不同而產生極大的變化；而且其顧客常為每日訂貨、每日配送的零售商，其訂單從接收到出貨的訂單週程時間極為短暫，以上的物流中心出貨特性，導致其需求預測的困難。因此如何建構一套預測模式以供物流中心出貨需求預測之用，是為物流中心亟待解決之工作，本文即從影響物流中心出貨需求的兩項重要因素(作業特性因素與品項特性因素)進行分析，進而找出攸關的預測變數，並以模糊類神經網路建構出一套預測模式，以解決物流中心單一品項出貨預測之問題。文獻探討所謂類神經網路是模仿人類神經系統的結構及處理資訊運作方式，其基本元素為處理單元及連接鍵，分別相當於人類神經系統中的神經元與神經鍵的功能。處理單元的主要作用是接收並加總所有的輸入訊號，此加總後的訊號經由轉換函數(transferfunction)輸出給下一個處理單元(Wasserman,1989)，圖1則為處理單元的基本運作。x1x1x2x3xnfyjwj1wj2wj3jwnj圖1處理單元之基本運作資料來源：Wasserman(1989)應用類神經網路於需求預測問題的研究通常以過去的時間序列資料或其他可能影響因素作為輸入資料以預測未來的需求量，並根據預測結果計算其預測精度。Tang等人(1991)針對汽車銷售量的預測，分別使用倒傳遞類神經網路模式與Box-Jenkins的時間序列模式作比較性的研究，在具有長期記憶型態的資料方面，這兩種方法皆有相似的結果，但在資料型態具有短期記憶時，類神經網路模式的預測能力就優於Box-Jenkins模式。此研究亦討論了類神經網路模式最佳參數設計的問題，藉著改變各層處理單元的數目、學習速率以及慣性因子以找到預測誤差較小與學習效率較高的網路。Tamada等人(1993)認為類神經網路模式比運籌管理評論文稿格式範本LogisticsManagementReviewVol.1,No.1,(2005)2多元迴歸分析在每天用水量的預測上可產生更精確的預測，而且當測試範例落在訓練範例附近時，其正確率比多元迴歸分析更高於10%-30%。Nam和Schaefer(1995)以倒傳遞類神經網路模式預測國際航線旅客數量，此模式藉著改變隱藏層單元數來觀察其預測能力，其預測結果並和多元迴歸分析與指數平滑法做比較，當以絕對平均誤差(MAE)為預測精度的準則下，類神經網路模式的預測能力都較其他方法為佳。Hua(1996)使用12個經濟指標預測新加坡的住宅需求，在此研究中並比較類神經網路與多元迴歸分析在住宅需求上的預測精度，當以絕對平均百分比誤差(MAPE)表示的預測精度比較時，其類神經網路的預測能力優於多元迴歸分析。Pattie和Haas(1996)利用類神經網路預測野外休閒的使用量，此模式使用經濟指標作為輸入資料，在104個旅遊地點的預測上，類神經網路模式的預測能力優於迴歸分析，甚至在某些地點其精確度可兩倍於多元迴歸分析。從上述文獻的分析中可看出，使用類神經網路於需求預測的研究有下列幾點特性：(1)對所處理的資料也以數值型資料為主；(2)其所使用的網路型態大多為倒傳遞網路，且大多具有一層以上的隱藏層；(3)改變網路的結構與參數會影響預測的精度(Tang,etal.1991;NamandSchaefer,1995)，但無明確的結論指出其影響的方向；(4)利用類神經網路預測的結果在多數情況下會比傳統預測方法好。反觀物流中心的出貨特性，上述文獻尚存許多問題點，首先是有關預測方法之比較，指數平滑法或Box-Jenkins方法的基本假設是以過去實際發生的資料來預測未來值，其他可能影響的因素則無法將之納入考慮；而以因果關係為基礎的多元迴歸分析是以多個連續變數作為準則變數配合預測變數從事預測，但由於影響物流中心出貨需求的預測變數很多，而且這些變數的的型態不全是連續變數，若使用迴歸方法從事需求預測的話，其預測模式可能不易求得。在此對於利用其他預測方法以比較其差異，此種比較的作法有待商榷。另外在使用類神經網路作為預測技術時，掌握重要的預測變數，並將之轉換為類神經網路可接受的輸入變數是一件重要工作。以物流中心的預測問題而言，其預測變數包含數值型與語意型變數，數值型變數可經由線性映成方式轉成適合類神經網路的輸入變數，但語意型變數則不易量化為類神經網路可用的輸入變數。由於影響物流中心出貨需求的變數中含有語意型態的資料(如天氣狀況)與區間值資訊(如最高最低氣溫)，如何處理此類變數則為此類研究之另一項重要課題。模糊類神經網路預測模式本文所提出的模糊類神經網路需求預測模式的建構程序，共有六個步驟，根據此程序的進行可預測物流中心每一期的出貨需求數量，茲將詳細內容分述於以下各小節。預測變數篩選在決定預測變數時可從兩方面考量：一是作業特性因素，另一品項特性因素。作業特性因素是指因物流中心的物流作業內容所衍生出影響當期出貨數量的因素，包括物流中心向供應商訂貨的訂貨週程時間、零售商向物流中心訂貨的訂貨週程時間等，這些內容可從現場瞭解物流中心的實際運作情形或與物流中心人員訪談得知。而品項特性因素則是指因產品本身的特性而影響到需求量的因素，不同品項具有不同的品項特性因素，一般而言包括氣溫、天氣狀況、降雨情形、星期別、前幾期出貨量等，這些因素可依品項別設計問卷，請物流中心人員填答得知。將作業特性因素與品項特性因素交互考量，可找出影響物流中心出貨需求數量的預測變數，表1是以第D天為出貨日，DCt為物流中心向供應商訂貨的訂貨週程時間，Rt為零售商向物流中心訂貨的訂貨週程時間，在第(D-DCt-Rt)天預測第D天出貨量時可能的攸關預測變數，因此可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考慮時間因素的預測變數考慮時間預測變數氣溫第(D-DCt-Rt+n)天天空狀況第(D-DCt-Rt+n)天降雨情形第(D-DCt-Rt+n)天星期別第(D)天出貨量第(D-DCt-Rt+n-1)天說明：n=1,…,DCt+Rt預測變數前處理程序在表1所列的預測變數中，由於其資料類型不同，所需的前處理程序也有不同，一般數值變數(出貨量)欲轉換成[0,1]之間的數值可利LogisticsManagementReviewVol.1,No.1,(2005)3用式(1)進行線性轉換。minmaxminXXXXXoldnew(1)其中oldX為變數轉換前的值newX為變數轉換後的值maxX為此變數的最大值minX為此變數的最小值氣溫與降雨資料是屬於具有最高值最低值的區間數值，若有一變數j為區間數值，則可以取此區間的最大值ju、中間值jm與最小值jl表示成三角形模糊數jA，2jjjlum，),,(jjjjumlA。此三角形模糊數可用來表示氣溫(T)與降雨機率(R)，因此RTj,。當氣溫與降雨機率資料轉成模糊數之後，此jl、ju與jm皆變成一精確型數值資料，若要輸入類神經網路中需再進行式(1)的線性轉換。而天空狀況則是利用語意描述表達此類資訊，符合語意資料的特性，例如晴時多雲、多雲時陰等。本文將以語意模糊向量表示此種語意資料，令GgCcSsASC,,~，s、c、g分別表示晴天、多雲、陰天的雲量變數，表示目前雲量屬於此種天空狀況的程度，為一數值型資料，天空狀況亦可簡單表示為gcsASC,,~，例如80.3,0.5,0.ASC~則表示目前雲量屬於晴天、多雲、陰天的程度分別為0.3、0.5與0.8。為讓此雲量變數有一系統性的訂定標準，本研究以該天空狀況的出現時間為基準來定義，例如「多雲時晴」表示天空狀況為多雲的時間少於3/4多於1/2，天空狀況為晴的時間少於1/2多於1/4，亦即0.25s0.5，0.5c0.75，在此可將每個雲量變數一分為二，用其出現時間的上下界值表示，因此可將此語意模糊向量擴充為lululuSCggccssA,,,,,~ulululggccss,,(2)其中uw表示天空狀況w出現的最大可能時間，},,{gcsw。lw表示天空狀況w出現的最小可能時間，},,{gcsw因此，「多雲時晴」則可表示為(0.5,0.25,0.75,0.5,0,0)，其他天空狀況的表示式則可詳見表2。表2語意向量天空狀況表示法天空狀況語意模糊向量表示法晴(1,0.75,0.25,0,0,0)多雲(0.13,0,1,0.75,0.13,0)陰(0,0,0.25,0,1,0.75)晴時多雲(0.75,0.5,0.5,0.25,0,0)多雲時晴(0.5,0.25,0.75,0.5,0,0)多雲時陰(0,0,0.75,0.5,0.5,0.25)陰時多雲(0,0,0.5,0.25,0.75,0.5)晴轉陰或陰轉晴(0.5,0.5,0,0,0.5,0.5)多雲轉陰或陰轉多雲(0,0,0.5,0.5,0.5,0.5)晴轉多雲或多雲轉晴(0.5,0.5,0.5,0.5,0,0)星期別屬於類別資料，可根據其類別的數目，以相等數目的虛變數表示，例如星期別的類別數目為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，其餘依此類推。類神經網路架構設定本文採用倒傳遞類神經網路建構預測模式，而一適宜的網路架構將有助於網路的學習與測試，且可在訓練過程中快速達到收斂，並產生較小的測試範例誤差，網路架構的決定包含隱藏層層數、隱藏層處理單元數、以及適當的網路參數等。有關隱藏層的數目為一層到兩層有較佳的收斂效果，沒有隱藏層不能反應輸入單元間之交互作用，會有較大之誤差。而一、二層隱藏層以足以反應其交互作用，更多的隱藏層反而使網路過渡複雜，造成能量函數的局部最小值，而使網路無法收斂。因此，文獻建議以一層隱藏層即可解決一般問題(VillersandBarnard,1992)。隱藏層單元數訂定可參考式(3)與式(4)。2oihNNN(3)21oihNNN(4)其中hN為隱藏層處理單元數iN為輸入層處理單元數oN為輸出層處理單元數在網路參數方面，需訂定學習速率、慣性因子、學習速率遞減間隔、學習速率遞減比例等，另外學習法則與學習批次量亦會影響到預測效果，需加以考慮。本文所用的設定值如表3所示。表3類神經網路各項參數彙整表LogisticsManagementReviewVol.1,No.1,(2005)4設定項目使用方法或建議值網路模式倒傳遞網路轉換函數雙彎曲函數學習速率0.3(隱藏層)0.5(輸出層)學習速率遞減比率0.5慣性因子0.4學習方式批次學習學習法則通用差