比較分析

本節將針對兩模式之個別預測能力、兩模式比較以及個別模式穩定性進行分 析(表 37、表 38)：

單變量模式用於預測月資料時，樣本內的配適情況良好，但用於樣本外時因 為樣本內有離群值的狀況，所以使得預測準確度不良，最大誤差率超過60%；檢 視此筆資料發現，因為離群值波動相當大，使得預測期前一筆資料的語意變數無 相對應的模糊邏輯關係，且預測期的數值剛好大幅度回檔修正，所以造成極大誤 差；但是若將此數據剔除，預測指標將接近可接受的12%，且越近期的預測準確 度提高很多，若預測筆數增加，預測指標將可達到接受範圍內。

單變量模式用於預測周資料時，樣本內的配適情況良好，且樣本外的準確度 也有達到水準；最大誤差率達到 22.06%，檢視此筆資料發現，和月資料相同，

也是因為前一筆資料的語意變數無相對應的模糊邏輯關係，且預測期的數值剛好

大幅度回檔修正，所以造成較大誤差；若將此模式的其他相同原因的誤差向剔 除，預測指標MAPE 將下降至.5.6%，說明若能將數值穩定化並且將離群值刪去，

此模式將達到準確的成效。

Type-2 模式用於預測月資料時，樣本內的配適情況良好，但不如單變數模式 優良，樣本外則與單變數模式一樣準確度不良，形成原因相同，可以發現若樣本 內的模糊邏輯關係沒有大的變動以及預測期內 type-1 變數和 type-2 變數的落差 不要太大都可能到較為準確的預測值；若type-1 變數和 type-2 變數的落差太大，

容易造成極大誤差的產生，所以選定type-2 變數極為重要。

Type-2 模式用於預測周資料時，樣本內的配適情況良好，且樣本外的準確度 也有達到水準；發現當預測期變多，對於模糊邏輯關係的完善程度將提高，使得 樣本外的最大誤差也較單變數模式改善許多，說明 Type-2 模式在完善的資訊下 能有較好的平衡誤差的能力。

表37 整合兩模式預測指標數值

單變量 Type-2

樣本內 周 月 月(修正後) 周 月 月(修正後) min 誤差 0.05% 0.01% 0.01% 0.03% 1.11% 1.11%

max 誤差 5.01% 11.33% 11.33% 12.15% 15.25% 15.25%

MAPE 1.62% 2.51% 2.82% 2.74% 7.44% 7.18%

RMSE 114.52 167.9 173.2 187.92 532.82 412.38 樣本外 周 月 月(修正後) 周 月 月(修正後) min 誤差 0.80% 3.30% 8.07% 0.66% 11.67% 13.46%

max 誤差 22.06% 62.35% 34.02% 25.95% 62.35% 30.00%

MAPE 6.54% 24.57% 20.34% 7.73% 25.34% 19.24%

RMSE 614.41 2094.12 1566.06 722.08 2061.67 1439.65

比較兩模式發現，在有離群值產生的情況下，都容易產生極大誤差的預測，

但 Type-2 模式較有平衡誤差的能力；若增加樣本內的筆數，使模糊邏輯關係的 完善程度提高，對兩模式都有極大幫助，尤其 Type-2 模式將有充分的資訊能平 衡誤差。

模式穩定性的比較方面，可發現兩模式的指標數值都有品質變差的現象，但 是此乃因為把樣本內的數值調動過後，波動性更加劇烈，易造成樣本內外的模糊 邏輯關係有所差異，但是品質落差的程度很小，說明兩模式的預測穩定性相當不 錯。

表38 整合兩模式穩定性預測指標數值

單變量 Type-2

樣本內 周 月 月(修正後) 周 月 月(修正後) min 誤差 0.02% 0.20% 0.36% 0.00% 0.58% 0.33%

max 誤差 6.28% 10.53% 11.18% 9.03% 18.16% 20.58%

MAPE 1.44% 4.42% 2.01% 2.15% 5.86% 5.29%

RMSE 122.82 282.99 166.2 164.48 376.66 280.83 樣本外 周 月 月(修正後) 周 月 月(修正後) min 誤差 1.58% 3.96% 0.27% 0.70% 6.52% 0.27%

max 誤差 18.82% 49.51% 28.28% 11.34% 35.41% 17.53%

MAPE 6.86% 20.96% 12.49% 5.70% 16.93% 11.05%

RMSE 607.93 1767.63 1159.95 496.29 1360.61 946.06