Che-HungLinandIuan-YuanLuAShippingForecastingModelofDistributionCenterLogisticsManagementReviewVol.1,No.1,(2005)LogisticsManagementReviewVol.1,No.1,(2005)pp.1-6運籌管理評論文稿格式範本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linch@csu.edu.tw盧淵源國立中山大學企業管理系iylu@bm.nsysu.edu.tw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。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