針對模式的強健性評估，本研究考慮可能造成結果變異的情況，分別為訓練 資料量不同、訓練資料挑選不同、資料噪音大小以及模式初始權重不同。於此章 節分析這四種不同情況對 BPN 模式以及 SVM 模式造成的影響，並進行討論。
4-1 訓練資料量的影響
本研究中針對九場資料分別挑選一至九場，以全組合方式建立訓練與測試資 料，而其中 Herb 因有極端的事件資料，故必須在模式訓練資料中，其餘八場為 Polly、Gradys、Tim、Fred、Ted、Ruth、Seth、Doug。各組合內數目如表 3-1 中 所示。
資料的取得在研究過程中，一直以來是相當重要的一個環節，但有時由於測 站故障等天然或人為的因素下，資料並無法順利取得，而在資料量短少的情況下，
模式是否依然可以推估出需要的結果，對於模式的強健性將是一大考驗。在此，
本研究針對不同訓練資料量進行測試，最先加入的是擁有極端資料的 Herb 颱風，
但對於接下來要加入何場資料，目前並無定論說明究竟該如何挑選，故此針對第 一類組合到第九類組合中所有訓練資料進行測試，一共有 255 種不同的訓練資料，
如表 4-1 至表 4-8 所示。測試的結果大致上趨勢相同，故在此使用其中一例來說 明，此例為推估未來五小時流量的結果，如圖 4-1 所示。在圖中可看出，BPN 在 訓練資料量少時，表現的並不良好。在此例中，訓練資料量 200 筆以下時 CE 值更 低於 0，但在逐漸增加訓練資料量後，將提升測試結果的 CE 值，慢慢的增加到接 近 SVM 的水準。反觀，SVM 在不同訓練資料量時，對其測試結果的影響並不大，
能一直維持在一定水平內。這說明了 BPN 受到資料量的影響大過 SVM，BPN 在
訓練資料充足時，方可呈現良好的測試結果。而 SVM 對於訓練資料量的依賴度低 過 BPN，不需要大量的訓練資料即可建構出良好的模式，也就是說，在訓練資料 數的影響下，SVM 的強健性高過於 BPN。
4-2 訓練資料挑選的影響
在收集資料後，該將那些場次挑選為訓練資料，在模式的建立上一直以來尚 未有一定論，通常在架構模式時，會花費大量的時間在於挑選訓練資料上，而挑 選不同的訓練資料對模式表現會有所影響，甚至不確定是否有可能因訓練資料挑 選的不同而造成結果上的差異，因此，模式表現是否會因訓練資料挑選的不同而 不同，這也關乎模式的強健性高低。因此，本研究將表 4-1 至表 4-8 中全部組合 進行測試並計算 CE，結果如表 4-9 至表 4-16，並將每一類組合中 BPN 與 SVM 結果的 MCE 比較如圖 4-2 至圖 4-9 所示。再針對每一類組合中不同訓練資料計算 其 CV，結果如表 4-17 與圖 4-10 至圖 4-16，由於第一類組合只有一個訓練資料，
故無 CV，在此不討論。從圖 4-2 至圖 4-9 中可看出，SVM 的 MCE 略高於 BPN 的 MCE，且差距隨推估時刻的增加而增加，在預報未來五小時流量時最高差達 0.035，而在圖 4-10 至圖 4-16 中卻可發現，BPN 的 CV 隨著預報延時的增加，變 異性也隨著增加。這說明了 BPN 會隨著訓練資料的不同而影響其結果的變化，同 一組合中 BPN 預報結果的 CE 值差可達近 0.3，雖然在 MCE 結果差不多，但卻有 相當大的變異性，也就是說，BPN 受訓練資料影響大過 SVM，而 SVM 並不會因 為訓練資料挑選而有太大的變異。所以，在訓練資料挑選上，SVM 不會像 BPN 受 到相當大的影響，也就是 SVM 並不需要特別去測試訓練資料的組合，其強健性在 建立模式是優於 BPN。
4-3 資料噪音的影響
對於 data-based 的模式而言，用來架構模式的資料是決定模式表現的重要關 鍵，除了資料量以及場次不同的選取方式會對結果產生影響之外，資料中包含噪 音量的多寡，也可能對模式的表現造成影響，而輸入因子與輸出項之間會由於關 連性的強弱造成資料噪音的大小，假設 A 因子與輸出項之間的關連性高於 B 因子，
相對來說，即表示 B 因子對於輸出項而言，資料中所含的噪音會高於 A 因子。若 能藉由改變輸入項來改變噪音量，分析模式表現，便能對模式的容噪音能力有所 認知。若模式容噪音的能力高，則表示模式較不受無用的資料或是有誤差的資料 影響，也就表示模式的強健性較高。
從前人研究得知，颱風因子具有描述降雨趨勢的能力，而降雨資料對流量而 言是相當重要的影響因子，由此猜測颱風資料可能能夠提供較長延時的流量預測 一些資訊。但由於颱風因子在量測上不是非常精密，加上從颱風侵台到產生流量 的過程複雜，颱風因子與流量的關係並不直接，因此對流量而言，颱風因子是具 有相當大噪音量的因子。因此，本研究藉由在 BPN 及 SVM 模式中加入颱風因子 來觀察噪音對模式的影響。
在 BPN 模式中，加入颱風因子使得模式的表現明顯變差，尤其預測時間越長，
模式準確度降低越多，如圖 4-17。預測時間越長代表輸入項與輸出項的相關性越 低，也就表示輸入項對輸出項而言噪音越多。此結果呈現出 BPN 模式對於颱風因 子內包含的噪音無法容忍，且當噪音量越大，對模式影響程度就越大。反觀 SVM 的結果，如圖 4-18。其受影響的程度不明顯，而隨著預測時間拉長，颱風因子對 流量的影響有逐漸顯現的趨勢，在預測 5 小時流量時，有加入颱風因子的 SVM 模 式甚至有略為的增進模式準確度。此現象說明 SVM 容忍噪音的能力優於 BPN，且 SVM 萃取有效資訊的能力也優於 BPN。即從容噪音能力來看，SVM 的強健性亦 優於 BPN。
4-4 初始權重的影響
BPN 因其特性，隱藏層的權重需訂定一初始值，在反覆訓練下修正其權重，
以達到良好的測試結果，但在初始權重不同下，有可能落入區域最佳解的問題，
而初始權重該如何決定也尚未有一定論，一般 BPN 避免權重影響的作法是訓練多 次之後取最佳結果，且需訓練多少次也是因事件而異，這樣的過程相當耗時費力。
而 SVM 是一最佳化問題，解空間為凸面圖形，因此有全域最佳解的特性，在決定 懲罰係數與容許誤差後，將有唯一解。為評估 BPN 受初始權重影響的程度，因此 假定一案例，選用 4-1 節中所使用預報未來五小時流量的結果，並讓 BPN 隨機產 生 60 組初始權重，並將 60 組不同權重產生的結果與 SVM 的結果比較，結果如圖 4-19。從結果可看出，BPN 的測試結果受到初始權重相當大的影響，而 SVM 不論 測試幾次，結果都是相同的，也就是說 SVM 並無初始權重的問題，在建立模式時 無須懷疑每回可能產生不同結果，這表示 SVM 在模式本身的強健性優於 BPN，並 於模式架構過程能節省相當多的時間。