博碩士論文 104453007 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:6 、訪客IP:3.215.182.36
姓名 李安騣(LI, AN-TSUNG)  查詢紙本館藏   畢業系所 資訊管理學系在職專班
論文名稱 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例
(nono)
相關論文
★ 利用資料探勘技術建立商用複合機銷售預測模型★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 資料探勘應用於半導體雷射產業-以A公司為例★ 使用資料探勘分類技術優化YouBike運補作業
★ 特徵屬性篩選對於不同資料類型之影響★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例
★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型
★ 基於卷積神經網路之身分識別系統★ 能源管理系統電能補值方法誤差率比較分析
★ 企業員工情感分析與管理系統之研發★ 資料淨化於類別不平衡問題: 機器學習觀點
★ 生物式基因演算法-以避難據點之人員分配與賑災物資配送規劃為例 與賑災物資配★ 基於關鍵點篩選於袋字模型之影像分類
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   至系統瀏覽論文 ( 永不開放)
摘要(中) 近幾年電子商務崛起,國際間貨運往來的需求大增,雖然整體而言,出口貿易額是呈現萎縮的情況,但是國際間貨物交易量體逐年提升。在凡事講求快速的這個時代,貨物透過空運遞送的量體相對來說數量還是非常龐大,如何快速的將空運出口貨物迅速且正確的作業完畢,考驗著每一家倉儲業的能力。過去的作業習慣皆依據人的經驗將無法進入自動化倉儲設備的貨物擺放到適當的位置,但由於人員流動且作業經驗無法完全的傳承,導致出口貨物作業時將花費大量的人力與時間去尋找貨物。本研究的目的包括利用資料探勘監督式學習技術挖掘出空運出口貨物存倉時間長短的預測模型、建立空運出口貨物存倉時間的模型,並進一步比較單一分類技術與多重分類技術之差異及藉由本次研究,提供個案公司在預測空運出口貨物存倉時間的相關產業做為參考。
本研究在實驗流程上採用Weka資料探勘軟體,並進行不同分類技術的實驗,本研究在單一分類技術分別採用決策樹推估模式、支援向量機推估模式、類神經網路推估模式、最鄰近演算法等四種單一分類技術,並搭配多重分類技術中的Bagging、AdaBoost加以驗證,以試圖獲得最佳空運出口貨物存倉時間預測模型。
經過實驗結果得知以2015年的訓練資料集而言,在單一分類技術中以最鄰近演算法表現最佳,在多重分類技術中分別以Bagging的最鄰近演算法、AdaBoost的J48表現最佳,透過Weka的實驗結果,正確率(Correctly Classified Instances)與接收者操作特徵曲線(ROC)普遍值達到0.74、0.8左右,具有較佳參考意義。因此,本研究建議個案公司未來在進行空運出口貨物存倉時間預測時,可以優先採用單一分類技術中的最鄰近演算法,並搭配多重分類技術中Bagging的最鄰近演算法、AdaBoost的J48,以進行空運出口貨物存倉時間預測分析。
摘要(英)
In recent years, the rise of e-commerce, the international demand for freight traffic increases, although the whole, the export trade volume is shrinking, the international trade volume of goods is increasing year by year. In this era of rapid demand, the quantity of goods delivered by air is relatively large, and how quickly the air cargo will be transported quickly and correctly, and the capacity of each warehousing industry is tested. Since past operating habits are based on human experience, the goods are not be able to enter the automated storage equipment and be placed in the appropriate location. Moreover, because of the flow of personnel and operating experience can not be fully inherited, export operations require a lot of manpower and time to find goods. The purpose of this study includes the use of data exploration and supervised machine learning technology to excavate the short time of the export of goods inventory forecast model, the establishment of air cargo export time warehouse model. In particular, single and multiple classification techniques are compared in order to find the optimal model and provide relevant companies with a reference to the industry concerned in forecasting the time of export of goods by air.
In this study, different classification techniques were constructed by the Weka data mining software. Particularly, the decision tree (J48), support vector machine, neural network, and nearest neighbor were used for the single classification techniques. On the other hand, the bagging and AdaBoost methods are employed to construct the multiple classifiers for comparisons.
Experimental results show that in the case of 2015 training data set, the best single classifier is the nearest neighbor algorithm whereas the multiple classifiers are the nearest neighbor algorithm by bagging and decision tree by AdaBoost. More specifically, the receiver operating characteristic curves (ROC) of these classifiers generally reach 0.74, 0.8 or so, with a good reference. Therefore, this study suggests that for the future of the case company in the air cargo export time forecast, they can give the priority to employ a single classification technology based on the nearest neighbor algorithm and multiple nearest neighbor classifiers by bagging the and multiple J48 classifies by AdaBoost to carry out air cargo export time forecasting analysis.
關鍵字(中) ★ 資料探勘
★ 監督式學習技術
★ 預測模型
★ 單一分類技術與多重分類技術
關鍵字(英) ★ data mining
★ supervised machine Learning techniques
★ prediction model
★ single classification technique and multiple classification technique
論文目次 摘要 i
Abstract ii
誌謝 iv
目錄 v
圖目錄 vii
表目錄 viii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3 研究對象與限制 4
1.3.1 個案公司介紹 4
1.3.2 資料蒐集範圍 5
1.4 論文架構 5
第二章 文獻探討 7
2.1 資料探勘的技術 7
2.2 監督式學習 10
2.2.1 決策樹(Decision tree) 11
2.2.2 類神經網路(Multiplayer Perceptron) 11
2.2.3 支持向量機(SVM) 12
2.2.4 AdaBoost 13
2.2.5 Bagging 13
2.2.6 K摺交叉驗證(K-Folder Cross-Validation) 14
2.2.7 ROC之介紹 15
2.3 航空貨運集散站 15
2.4 儲位規劃 18
2.4.1 儲存策略 19
2.4.2 儲存指派原則 21
2.5 儲位規劃相關文獻探討 23
第三章 研究方法 25
3.1 研究架構 25
3.2 個案公司 26
3.3 資料蒐集 28
3.4 資料前處理 29
3.5 資料探勘應用軟體 30
3.6 資料探勘分類技術 31
3.6.1 單一分類技術 31
3.6.1.1 決策樹(Decision Tree) 32
3.6.1.2 支援向量機模式(SVM) 33
3.6.1.3 類神經網路推估模式(Multiplayer Perceptron) 34
3.6.1.4 最鄰近演算法(KNN) 35
3.6.2 多重分類技術 36
3.6.2.1 AdaBoost 36
3.6.2.2 Bagging 37
第四章 研究結果 39
4.1 單一分類技術分析結果 40
4.2 多重分類技術分析結果 43
4.3 討論 48
4.3.1 T檢定結果 51
第五章 研究結論 54
5.1研究結論 54
5.2 研究貢獻 54
5.3未來研究方向 55
參考文獻 56
參考文獻 【英文文獻】
1. Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc...
2. Chan, F. T., & Chan, H. K. (2011). Improving the productivity of order picking of a manual-pick and multi-level rack distribution warehouse through the implementation of class-based storage. Expert Systems with Applications, 38(3), 2686-2700.
3. Chan, K., Goldmark, J. P., & Roth, M. B. (2010). Suspended animation extends survival limits of Caenorhabditis elegans and Saccharomyces cerevisiae at low temperature. Molecular biology of the cell, 21(13), 2161-2171.
4. Chang, C. C., & Lin, C. J. (2001). LIBSVM: a library for support vector machines. Software available athttp. WWW. CSIE. NTU. EDU. TW/∼ CJLIN/ PAPERS/ LIBSVM.
5. Eldemir, F. A. H. R. E. T. T. I. N., Graves, R. J., & Malmborg*, C. J. (2004). New cycle time and space estimation models for automated storage and retrieval system conceptualization. International Journal of Production Research, 42(22), 4767-4783.
6. Fayyad, U. M. (1996). Data mining and knowledge discovery: Making sense out of data. IEEE Expert: Intelligent Systems and Their Applications, 11(5), 20-25.
7. Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1992). Knowledge discovery in databases: An overview. AI magazine, 13(3), 57.
8. Grupe, F. H., & Mehdi Owrang, M. (1995). Data base mining discovering new knowledge and competitive advantage. Information System Management, 12(4), 26-31.
9. Gu, J., Goetschalckx, M., & McGinnis, L. F. (2007). Research on warehouse operation: A comprehensive review. European journal of operational research, 177(1), 1-21.
10. Hanson, R. K. (1997). The development of a brief actuarial risk scale for sexual offense recidivism (No. 1997). Solicitor General Canada.
11. Hanson, R. K., & Thornton, D. (1999). Static 99: Improving actuarial risk assessments for sex offenders (Vol. 2). Ottawa, Ontario, Canada: Solicitor General Canada.
12. Hausman, W. H., Schwarz, L. B., & Graves, S. C. (1976). Optimal storage assignment in automatic warehousing systems. Management science, 22(6), 629-638.
13. Huang, B., Mengersen, A., & Lee, V. D. (1988). Molecular cloning of cDNA for caltractin, a basal body-associated Ca2+-binding protein: homology in its protein sequence with calmodulin and the yeast CDC31 gene product. The Journal of Cell Biology, 107(1), 133-140.
14. Hwang, H., BAEK, W. J., & Lee, M. K. (1988). Clustering algorithms for order picking in an automated storage and retrieval system. The International Journal Of Production Research, 26(2), 189-201.
15. Kohavi, R. (1995, August). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Ijcai (Vol. 14, No. 2, pp. 1137-1145).
16. Liu, C. M. (1999). Clustering techniques for stock location and order-picking in a distribution center. Computers & Operations Research, 26(10-11), 989-1002.
17. Liu, C. M. (2004). Optimal storage layout and order picking for warehousing. International Journal of Operations Research, 1(1), 37-46.
18. Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.
19. Quinlan, J. R. (1993). C4. 5: Programs for Empirical Learning Morgan Kaufmann. San Francisco, CA.
20. Quinsey, V. L., Harris, G. T., Rice, M. E., & Cormier, C. A. (1998). Violent offenders: Appraising and managing risk. American Psychological Association.
21. Rosenwein, M. B. (1994). An application of cluster analysis to the problem of locating items within a warehouse. IIE transactions, 26(1), 101-103.
22. Vapnik, V. (1995). The nature of statistical learning theory Springer New York Google Scholar.
23. Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., ... & Zhou, Z. H. (2008). Top 10 algorithms in data mining. Knowledge and information systems, 14(1), 1-37.
【中文文獻】
1. 江曉柔(2013),「物流中心儲位規劃之研究-以某服飾物流中心為例」, 國立雲林科技大學工業工程與管理研究所,碩士論文。
2. 凌士雄(2004),「非對稱性分類分析解決策略之效能比較」,國立中山大學資訊管理學系,碩士論文。
3. 孫海皎、董福慶(1995),「物流中心儲位管理」,經濟部商業自動化系列叢書。
4. 張有恆(2003),「航空業經營與管理」,華泰書局。
5. 張瑜珊(2002),「EIQ分析法在揀貨策略與儲位指派之應用」,國立高雄第一科技大學運輸倉儲營運研究所,碩士論文。
6. 陳立穎(2001),「物流中心之人工揀貨區整體規劃與評估」,元智大學工業工程研究所,碩士論文。
7. 蕭舜益(2005),「運用關聯法則探勘於初等教育資料分析 – 以體適能為例」,朝陽科技大學資訊管理系碩士論文。
8. 賴伊娟(2010),「EIQ與資料探勘應用於儲位規劃之探討」,銘傳大學企業管理研究所,碩士論文。
9. 謝政廷(2007),「應用EIQ分析探討物流中心揀貨作業績效之影響因素」,明新科技大學 工程管理研究所,碩士論文。
10. 譚仕偉(2011),「品項關聯於定位儲位指派應用情形之探討」,銘傳大學企業管理研究所,碩士論文。
11. 蘇昭安(2003),「應用倒傳遞類神經網路在颱風波浪預報之研究」,國立臺灣大學工程科學與海洋工程學系,碩士論文。
【網站資料】
1. Weka开发[6]-LibSVM(accessed 2017/5/16, available at: http://zwustudy.iteye.com/blog/1847574)
2. 遠雄自貿港網站(accessed 2017/5/16, available at: http://www.farglory-holding.com.tw/dindex.jsp)
指導教授 蔡志豐(TSAI, CHIH-FENG) 審核日期 2017-6-12
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明