类神经网路於农业产销预测模式之应用.docxVIP

類神經網路於農業產銷預測模式之應用 先進工程學刊第三卷 第三期 Journal of Advanced Engineering Vol. 3, No. 3, pp. 241-249 / July 2008 作者:陳建良、王孔政、吳政俊、賴宜伶、陳佳雯 指導教授:陳榮昌 組員:陳柏良、鄭詠元 報告日期:2014/6/17 大綱 導論 文獻探討 預估模式建構 結果與討論 結論 2018/6/6 2 導論(1/3) 自台灣農業開放後，邁向了全球化的發展，但是農業的生產比製造業複雜，主要是因為單位產量受到不可預期的因素影響所造成的。 2018/6/6 3 導論(2/3) 行政院農委會中部辦公室提供農情預測的功能。 供銷單位預估產量，以經驗判斷為主 主要以上游單位各作物項目的種植面積預估產量，再考慮去年同期產量及中央氣象局提供的長期天氣展望，進行蔬果的生產預測。 2018/6/6 4 導論(3/3) 此研究以蔬菜和水果產出量之年度資料為考量。 藉由收集氣候與經濟共含12項因子之相關數據，進行蔬果年產出量影響因子之分析。 依據氣候及經濟影響因素開發大宗生鮮蔬果預估模型。 使用大宗生鮮蔬菜和水果年產出量建立其預測模型。 建立準確之蔬果產銷預測模型，以提供農民在種植方面掌握市場需求，並提供相關單位做決策之參考。 2018/6/6 5 文獻探討(1/4) 此篇論文以因果法之投入/產出模型之概念，運用類神經網路建立大宗生鮮蔬果預測模型以改善蔬果現行預估體系之績效。 2018/6/6 6 文獻探討(2/4) 類神經網路亦稱為人工神經網路，它使用大量簡單的相連人工神經元來模仿生物神經網路的能力。 類神經網路 具學習、記憶、容錯與預測能力等特質。 被用於財務金融、醫學疾病診斷、語音辨認、圖形辨識、 影像識別、工業監控等各種領域。 在類神經網路的研究主題上，亦有許多學者將類神經網路模擬結果與迴歸模型進行比較分析。 2018/6/6 7 文獻探討(3/4) 依學習策略分類 監督式學習網路 無監督式學習網路 聯想式學習網路 最適化應用網路 依網路架構分類 前向式架構 回饋式架構 此研究所使用之倒傳遞類神經網路模式屬於監督式學習網路與前向式架構。 2018/6/6 8 文獻探討(4/4) 倒傳遞類神經網路模型(Back Propagation Network Model, BPN)是目前應用最廣泛的類神經網路之一。 屬於監督式學習網路，所以相當適合於應用在診斷、預測等領域，因此此文將以倒傳遞類神經網路作為大宗生鮮蔬果之生產量預測方法。 2018/6/6 9 預估模式建構(1/8) Minitab 統計軟體對12 個變數分別進行單位蔬菜產出量以及單位果品產出量因子敏感度分析。 (a) 氣溫、(b) 日照、(c) 降雨量、(d) 降雨日數、(e) 雨水酸鹼值、(f) 颱風次數、(g) 農作物損失、(h) 經濟成長率、(i) 農業生產指數、(j) 農業生產變動率、(k) 國民生產毛額、(l) 農藥銷售情 2018/6/6 10 預估模式建構(2/8) 輸入:日照、降雨日數、雨水酸鹼值、颱風次數、農作物損失、經濟成長率、農業生產指數、國民生產毛額以及農藥銷售情形。 輸出:單位蔬菜產出量、單位果品產出量。 2018/6/6 11 預估模式建構(3/8) 資料方面以民國82-93 年的蔬果年產量以及影響其氣候和經濟因子之各種相關資料作為訓練樣本，以民國94-95 年之相關資料作為測試資料。 此研究針對蔬果產銷之年產量進行預測。 依據屬性為氣候因素與經濟因素，藉由收集相關資料發展大宗生鮮蔬果之生產量預測模式。 使用Vesta 出版之Qnet 2000 軟體建立倒傳遞類神經模型進行預測。 類神經網路模型之建構分為三個階段。 樣本處理 創建網路 網路訓練暨成效 2018/6/6 12 預估模式建構(4/8) 資料收集資料方面主要搜集台北、新竹、台中、高雄、恆春、宜蘭以及花蓮等7 個縣市(82~93年)。 2018/6/6 13 預估模式建構(5/8) 隱藏節點的個數設定方面運用傳統的試誤法 (Trial-and-Error) 。 避免產生Over-Fitting 的問題。 一般在選取隱藏節點數目方面有下列三種方法： a. 輸入層處理單元數＋輸出層處理單元數 b. (輸入層處理單元數＋輸出層處理單元數)*2 c. 輸入層處理單元數*2+1 2018/6/6 14 預估模式建構(6/8) 使用誤差均方根值 (Root-Mean-Square Error, RMSE)了解網路之收斂情形。 了解訓練資料(Training Set) 和測試資料(Testing Set)的收斂的情況。 2018/6/6 15 預估模式建構(8/8) 2018/6/6 1