Transcript 類神經網路樣用於大型農產品產銷預測模型的應用.pptx

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





2
2016/8/7
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。

3
2016/8/7
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。



4
2016/8/7
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。





5
2016/8/7
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。

6
2016/8/7
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。

7
2016/8/7
文獻探討(3/4)
依學習策略分類
1. 監督式學習網路
2. 無監督式學習網路
3. 聯想式學習網路
4. 最適化應用網路
 依網路架構分類
1. 前向式架構
2. 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。

8
2016/8/7
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。


9
2016/8/7
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
10
2016/8/7
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。
11
2016/8/7
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。



12
樣本處理
創建網路
網路訓練暨成效
2016/8/7
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)。
13
2016/8/7
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 (Trialand-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
14
2016/8/7
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。
15
2016/8/7
預估模式建構(8/8)
16
2016/8/7
預估模式建構(7/8)
17
2016/8/7
結果與討論(1/3)


由訓練結果得知訓練範本的誤差均方根值與測試範本
的誤差均方根值均低於0.1，可視為收斂成效良好。
輸入值與輸出值之相關性(Correlation)方面，其值均接
近1，顯示本研究能有效掌握大宗生鮮蔬果年產出量預
測類神經網路模式之因子與產出之關聯性。
18
2016/8/7
結果與討論(2/3)



類神經網路模型之平均絕對差(MAD)與平均絕對百分比
差(MAPE)。
實驗結果顯示該網路模型在單位蔬菜與單位果品年產
出量預測上，MAD 值與MAPE 值均相當低。
此結果表示預測值與實際值相當接近，顯示利用倒傳
遞類神經網路進行蔬果產出量之預測是極具可靠性的。
19
2016/8/7
結果與討論(3/3)
20
2016/8/7
結論



學習參數不同，則學習結果會有差異，由不斷參數進
行修正與測試可發現當採用一層隱藏層時，隱藏節點
數11、學習率0.2、最大循環次數50000次時可獲得最
佳收斂效果。
結果可知，運用類神經網路得到預測值與實際值之間
差異程度相當小，運用類神經網路進行預測極具可靠
性。
由蔬果產出量預測模式建立，可掌握市場需求，供農
民資訊，避免生產過剩造成浪費成本的問題，對完全
沒規則的農業產銷預測，並可提供決策者有能更正確
的做判斷。
21
2016/8/7
The End
22
2016/8/7