本章以探討營收管理中之需求預測與訂價問題為主，回顧過去研究，
可以發現許多研究曾針對運輸領域之需求進行預測，包含航空、航空貨運 與國道客運等，其中進行短期需求預測的方法有很多種，包含傳統迴歸模 式、應用灰色預測模型等方法，但是在分析方法和整體情境的設計仍稍顯 不完備，故開始有許多文獻利用類神經網路模型進行分析，並將之與上述 分析方法進行比較，許多研究成果都指出應用類神經網路方法於需求預測 之預測解釋能力都比其他方法較好，此外誤差值也較小，故在本研究中選 擇應用類神經網路方法構建需求模型，然而針對停車場空位預測研究較匱 乏，且多數研究僅針對於車輛數量之預估，研究成果較無法實際應用並同 時滿足使用者、業者與整體環境的要求。為改善此項問題，本研究將針對 此一部分利用擁有較好預測能力的類神經網路模型，針對個案停車場進行 短期內車輛平均進離場數量進行預測。
而為使營收管理更為完善，下一步是業者從前述預測過程所了解的需 求分布情形，推測駕駛人使用狀況，並將其結合差別費率的概念進行價格 調整。故本研究將針對此部分，利用預測結果來對於不同停放時段的尖、
離峰區間制定出適宜的停車費率，並應用敘述性偏好法設計問卷以詢問受 訪者對於在尖峰時段提供車位預約服務之意見。透過問卷調查的方式了解 該場停車場駕駛人的偏好費率好以及願付價格，再應用消費者行為理論探 討會改變駕駛人使用情形的因素，並進而利用多項羅吉特模式來進行資料
15
分析，後續再結合預測、差別費率以及車位預約問卷調查結果，進行整體 性的收費方式改善以及車位預約服務的設計。此外，目前對於探討停車場 格位需求預測與費率偏好間的研究也較為稀少，也多為討論一整個區域的 停車場，而不是特別針對某一停車場進行服務方式的調整，如第一章所 提，若業者針對不同的尖、離峰時間皆採取固定的費率，將造成收益減 少，故本研究透過營收管理和行銷管理之概念，設計出更具整體性的收益 計畫和車位預約的服務，有別於以往單純進行需求預測或是差別訂價之策 略研究，本研究成果可以對於民眾、經營業者和整體環境帶來莫大的助 益。
16
17
優秀的計算能力，故漸漸受到各方面研究的肯定。而其預測之所以可越來 越準確，在於使模型不斷地訓練學習，讓其能夠透過反覆學習來自行修正 模型權重，以使其與實際值之誤差越來越小。
3.1.2 類神經網路基本架構
類神經網路主要分為三層結構，基本概念為各輸入值藉由不同權重分 配計算累加後傳遞到隱藏層，經過函數計算後轉換傳送至輸出層，其中輸 入層表示輸入變數，其變數投入的單位數量依問題而定；隱藏層的層數和 單元數則不限制，是用來表現輸入層處理單元間的交互影響關係，儘管越 多層可以使訓練的複雜度增加，但會使最後的學習效果複雜且花費較多的 時間去處理，故層數需經過不斷詴驗才能得其最佳數目， 一般而言都設定 為一層，除非問題過於複雜才會選擇二層隱藏層；輸出層則用以表現輸出 變數，其單元數目同樣是從問題決定，如圖 3-1(葉怡成，1999)。
圖 3-1 類神經網路模型架構圖
3.1.3 類神經網路分類
類神經網路之分類方式可分為 2 類，分別為：
一、依照網路模式架構分類(Yao et al., 1999) 1.前饋式(Forward)
表示神經元分層的排列，分成輸入層、隱藏層、輸出層，每一層僅接 受前一層的輸出作為輸入資料。
2.回饋式
用來處理動態現象或時間序列，具有更強的學習能力。將資料輸入之後，
利用模擬的網路架構取得輸出值，並將輸出值和實際值做比較，若有誤 差，需再回到原本的架構中調整權重，以使預測結果達到準確。
二、依照學習演算法方式分類(Djukanovic et al., 1993)
18
1.監督式
利用已知的輸入和輸出資料，將其投入於網路之後產生輸出值，再將 產出和實際值作比較，若有誤差，會更改網路中的權重，修正輸出值以完 全符合實際，即可由此建立一個適當的模型，之後若投入新資料，就可用 此模型判斷，並輸出對應的正確值。
2.無監督式
無監督式和監督式的差別在於，其沒有事先準備正確的輸出資料，只 有輸入值，故在訓練過程中，並不會知道學習情形是否正確，其特點為透 過資料的輸入，由網路自行從中找到規則，並將其應用到新的資料。
3.混和式
為監督式和無監督式的結合，對於輸入層和隱藏層間的連結採取無監 督式學習的方式，先將要訓練的資料分群，接下來調整隱藏層和輸出層間 的連結權重，使輸入的資料能對應出輸出結果。
4.聯想式
從訓練的範例中，學習其規則，當有不完整的資料輸入時，可以推論 其完整狀態。
本研究將使用前饋式網路的多層感知器(Multi-Layer Perceptron, MLPs) 以設計車輛進、離場數量的預測模型，本研究的類神經網路模式架構如圖 3-2，架構中將設定輸入層之變數為時間區間內總進(離)場車輛數，其所投 入之變數量會因為後續模式設定而有差別；同時輸出層的結果設定為各時 間區間的車輛進(離)場數量，其將呈現為連續性變數；此外由於隱藏層的 數量會影響計算的複雜度，故在本研究中將設定 1 層隱藏層來建構網路，
並且應用類神經模型軟體 STATISTICA Neural Network (SANN) 進行網路 訓練，以建立最合適的模式，而樣本數量的預設值為訓練樣本 70%、測詴 樣本 15%和驗證樣本 15% (Lee et al., 2015)。
圖 3-2 本研究類神經網路模型架構圖
19 過去文獻中主要使用的評估方法為平均絕對偏差(Mean Absolute Deviation, MAD) 、 均 方 誤 差 (Mean Squared Error, MSE) 以 及 平 均 絕 對 百 分 比 誤 差 (Mean Absolute Percent Error, MAPE)等三種，但以本研究來說，由於實際 值會出現 0 輛車輛數，故無法應用 MAPE 進行評估。此外，MSE 的計算方 式是以平均方式計算，會造成誤差較大數值所占有的權重越大，易造成分 析結論有偏頗。故本研究計畫使用平均絕對偏差(Mean Absolute Deviation, MAD)來了解網路訓練和測試的績效情形，除了因為MAD 在計算過程中是