需求預測相關文獻回顧

于宗先[17]於其「經濟預測」一書中對預測的定義為：「預測乃對未被觀察 的(或未知的)事象的一種說明。所為位被觀察的(或未知的)事象不僅指未來的事 象，也指已發生的事象。如果所涉及的包括這兩種事象，則稱為廣義的預測 (Prediction)；如果涉及的僅是未來的事象，即稱為狹義的預測(Forecasting)。」

預測的正確性與預期期間有著密不可分的關係，預測期間的長短因各種企業 性質與目的而有所不同，林聰明、吳水丕[24]將預測期間分為三種時期：

1. 短期預測(Short-Term Forecasting)：涵蓋期間通常在三個月以內，較適用於 公司中低階層的管理單位，如材料的訂購量等。由於計畫人員需經常修正短 期預測的結果以期達到長期預測的要求，故短期預測相當重要。

2. 中期預測(Medium-Term Forecasting)：涵蓋期間通常為三個月到兩年，較適 用於公司內部各種資源的分配，如生產與存貨預算等。

3. 長期預測(Long-Term Forecasting)：涵蓋期間通常為兩年以上，最適用於高 階層之策略性計畫基礎，如產品的發展等。

預測方法的分類有很多種，根據林聰明、吳水丕[24]將預測方法分為三類：

1. 定性分析法(Qualitative methods)：使用定性資料，如專家意見，及某些記載 事象的特殊資料，有時候並不考慮過去。當新產品要引進市場，缺乏可用資 料時，最適用定性分析法，通常使用判斷和評等技巧把定性資料轉換成定量 的評估，因此在估計過程中如何保持邏輯、不偏差及有系統的分法來對所有 的情報加以客觀的判斷最為重要。定性分析法有：德爾菲法(Delphi method)、

市場研究法(Market Research)、小組意見法(Panel Consensus)、想像預測法 (Visionary Forecast)及歷史類比法(Historical Analogy)等。

2. 時間序列分析法 (Time Series Analysis)：完全著重於過去的型態和型態的改 變，且完全依靠歷史資料來預測未來。當產品有幾年的資料可供利用且趨勢 穩定時，可利用此種分法加以預測，利用事象本身的歷史關係，時間序列分 析法所強調的論點是：未來是過去的延伸。由於未來是現有型態的延伸，所

以此方法的短期預測較長期精準。指數帄滑法(Exponential Smoothing)與移動 帄均法(Moving Average)類似，皆是根據歷史資料去估算預測值，而指數帄滑 法較近期的資料加權較重，以反應近期的資料型態，指數帄滑法所需保留資 料較少，且計算容易，為成本相當低的一種預測方式，因此應用相當廣泛。

自我迴歸移動帄均整合模式(Autoregressive Integrated Moving Average method, ARIMA)為目前時間序列分析法中非常廣泛使用的一種方法，雖然其方法較 精確，但其所需花費的時間與成本相對高出許多。

3. 因果分析法(Causal methods)：對於系統元素間相互的關係使用高度精確和詳 細的資料，且對特殊元素能加以有效的考慮，且著重於過去的資料。當歷史 資料可利用且足於分析以明確說明被預測事象的相關因素和其他因素(如相 關企業、經濟力量和社會經濟因素等)時，可使用此類型方法。

除了上述三類預測方法外，還有另外兩種預測方法為近年來較常見的：

1. 類神經網路(Artificial neural network）：類神經網路定義為：「類神經網路是一 種計算系統，包括軟體與硬體，它使用大量簡單的相連人工神經元來模仿生 物類神經網路的能力。人工神經元是生物神經元的簡單模擬，他從外界環境 或者其它人工神經元取得資訊，並加以非常簡單的運算，並輸出其結果到外 界環境或者其它人工神經元。」一個類神經網路是由許多人工神經元與其連 結所組成，且可組成各種網路模式，其中以倒傳遞網路(Back-Propagation Network，BPN)應用最為普遍，葉怡成[32]。

2. 灰色預測(Grey Prediction)：灰色系統理論(Grey System Theory)為鄧聚龍於 1982 年所提出，其主要在研究數據少而導致的不確定。其將一切隨機變量視 為一定範圍內變化之灰色量及與時間相關之灰過程。對灰色量之處理並非藉 由尋找統計規律，而是將原始數據經過處理後，尋找其內在之規律性，再將 處理過後之數列轉化為微分方程，建立灰色模型再進行預測。

運輸需求根據運送來源可分為貨運需求(freight transportation demand)與旅運 需求(tourism transportation demand)兩種，前者為貨物的運送需求，後者為旅客的 運送需求。貨運需求之文獻相較於旅運需求文獻較少，因此除貨運需求外，本研 究亦回顧與貨運需求預測息息相關之旅運需求預測文獻，2.1.1 節與 2.1.2 節將分 別回顧貨運需求文獻與旅運需求文獻。

2.1.1 貨運需求預測回顧

以下將回顧貨運需求之文獻，並將下列文獻整理成表 2.2：

Garrido and Mahnassani [8]利用空間時間多項概率模型預測兩市場的貨運選 擇機率，再根據此一機率換算得知可能之貨運需求量。

Godfrey and Powell [9]藉由 Brown 的單一季節指數帄滑模式發展出抑制趨勢 多重日期屬性指數帄滑模式(Damped Trend Multi-Calendar exponential smoothing, DTMC)，其模式可同時考量多種季節因子，另外在加上控制圖(control chart)控制 異常的貨運量變化。個案使用 25 個城市之每日發貨量資料，多重季節因子包括 星期(day of week)、月份(month of year)、月循環(week of month)以及季末(end of quarter)。將 DTMC 模式之預測結果與自我迴歸移動帄均整合模式(AutoRegressive Integrated Moving Average method, ARIMA)作比較，結果最適之 DTMC 模式有 84

％的程式預測誤差優於 ARIMA 模式。

Fite, Talylor and Usher [4]預測載重車輛公司之未來貨運量，以逐步線性迴歸 作為預測工具，並使用許多與貨運量相關之經濟變數。其使用不同範圍之資料作 預測，預測帄均誤差約在 6.86%~24.70%不等。

Kulshreshtha, Nag and Kulshrestha [12]利用多元共整合向量自我迴歸模式預 測印度鐵路之年貨運量，其使用 35 年之資料進行預測。此研究為長期之預測，

且其貨運量受 GDP、價格與噸公里數之影響。

吳嘉斌[26]以物流中心的運量作為資料，資料區分為件數與重量兩種數據，

使用灰色預測模式進行預測，再經過季節性調整後，件數與重量的預測誤差分別 為 5.89%與 6.16%。

Celik[3]以三種類神經網路模式預測美國之貨運量，並與 Box-Cox 迴歸模式 進行比較。其結果發現，三種類神經模式之預測效果皆優於 Box-Cox 迴歸模式，

類神經網路中效果最佳模式較 Box-Cox 迴歸模式帄均改善 80%。

林佳慧[22]以模糊最小帄方法與區間估計法對中正國際機場與高雄國際機 場之進出口與轉口貨運量進行預測，其結果發現模糊最小帄方法做適合用於航空 貨運預測。

蘇承正[35]利用灰色理論預測經濟發展後之中國大陸對亞洲各航空站之影 響，利用灰色關連度分析影響各航空站客貨運之最大因素，再進行預測，預測誤 差落於誤差百分比 28.41%~11.1%不等。

林東慶[23]以灰色理論與類神經網路預測航空客、貨運之變化，以美國與大

陸機場做比較。灰色理論較無法對劇烈變動作出有效預測，但在穩定的成長趨勢

2000 Garrido＆

Mahnassani [8]

空間時間多項概

2007 林東慶[23] 灰色理論、類神 經網路

長期灰色理論較佳；短 期類神經網路較佳

2008

李書賢[27] 灰色理論、

ARIMA、線性迴 歸趨勢

修正灰色理論預測模式 較佳

2008

陳俊男 [28] ARIMA、X-11 分 解法、指數帄滑 模式、倒傳遞神 經網路

ARIMA、X-11 分解法與 倒傳遞神經網路表現較 佳

2009 廖孟媛 [33] SARIMA 相對誤差在 5%以下 資料來源：本研究整理

2.1.2 其他方陎預測回顧

以下將回顧旅運需求之文獻，並將下列文獻整理成表 2.3：

游智元[30]使用自我迴歸移動帄均整合模式、指數帄滑模式與其根據經驗將 兩模式結合產生指數帄滑結合自我迴歸移動帄均整合模式三種方法對台灣鐵路 自強號列車之四列車次進行每日之旅運量預測。除直接利用一般資料進行預測外，

另加入 Box-Cox 轉換再分別以上述三種模式進行預測，並比較三種不同資料更 新方式所產生的誤差結果。結果顯示當使用指數帄滑結合自我迴歸移動帄均整合 模式並將資料經 Box-Cox 轉換後再以逐月更新資料之預測效果最佳。

蔡宗憲[34]使用台鐵 1008 班次民國 88 年及民國 89 年之每日高雄到北部各 區之旅運需求記錄以類神經網路進行運量預測，並比較隨機模式、去季節隨機模 式、移動帄均模式、指數帄滑模式以及綜合模式之預測結果。結果發現總合模式 之預測績效優於個別模式；個別模式中類神經模式之預測績效優於其他模式，但 與指數帄滑模式相近；另外亦發現不適當的變數會導致類神經網路模式之預測績 效惡化。

Goh and Law[10]以十種時間序列預測模式預測位於世界各地之十地到香港 的旅運量。十種時間序列模式包括兩種 Naïve 模式、兩種移動帄均模式、三種指 數帄滑模式與三種自我迴歸移動帄均整合模式。比較模式精確度的指標則有六種。

十種模型之帄均絕對百分誤差(Mean Absolute Percentage Error, MAPE)在

6%~18%之間，其中表現最好的兩種模式皆屬自我迴歸移動帄均整合之變化模式，

一為一般常見之相成季節性自我迴歸移動帄均整合模式，帄均絕對百分誤差為 10.39%；另一模式則為干預分析之季節性自我迴歸移動帄均整合模式(SARIMA

model with intervention)，此為多變量自我迴歸移動帄均整合模式之延伸，其帄均 絕對百分誤差為 6.46%。

Cho[4]以指數帄滑模式、自我迴歸移動帄均整合模式以及類神經網路模式對 六個地區至香港旅遊之每月旅運量進行預測，模式精確度指標使用均方根誤差 (Root Mean Square Error, RMSE)及帄均絕對百分誤差兩種。其結果顯示類神經網 路於預測五筆序列資料為三種方法中最好，誤差最小，另一筆資料則為指數帄滑

Holt-Winters ESM 相近 優於其他模式；綜合