第二章 文獻探討
第五節 類神經網路
類神經網路(Artificial Neural Network, ANN)，也有研究者譯為人工神經網路，
是指模仿生物神經網路的資訊處理系統。此系統用大量簡單的人工神經元來模仿 生物神經網路的能力，這種計算系統也包括軟體與硬體，人工神經元就是生物神 經元的簡單模擬，可從外界環境或其他人工神經元取得資訊，再加以非常簡單的 運算，輸出其結果到外界環境或其他人工神經元（葉怡成，2009）。簡言之，就是 使電腦模擬人類神經系統之資料處理方式。
類神經網路模式可分為四大類：1、監督式學習網路；2、無監督式學習網路；
3、聯想式學習網路；4、最適化應用網路。其中「監督式學習網路」乃目前應用 最普遍的類神經網路。其中最具代表性，應用最為普遍之學習模式為倒傳遞網路 (Back-propagation Network, BPN)。倒傳遞類神經網路基本原理是利用最陡坡降法 (Gradient Steepest Descent Method)的觀念將誤差函數予以最小化。其由多層的神經 元結構所構成，其中最外層接收輸入變數，稱之為輸入層(Input Layer)，而最後產 生預測結果之神經元則稱之為輸出層(Output Layer)，介於中間的神經元則稱為隱 藏層(Hidden Layer)。其概念可以下圖 2-5-1 說明之。
圖 2-5-1 類神經網路概念圖
資料來源：王進德，2011；陳少棠，2012
類神經網路是由許多的人工神經細胞(artificial neuron)所組成，人工神經細胞 又稱類神經元、人工神經元或處理單元(processing element)。介於處理單元之間的 訊號傳遞路徑則稱為連結(connection)。
我們可由上圖 2-5-1 可發現，每個神經元有多個輸入值x1,x2,x ,…,3 x 和一個輸n 出值 y 。每一個神經元的輸出，為輸入值乘上其相對應的加權值，用以表示第 i 處 理單元對第 j 個處理單元之影響強度，在此，另以圖 2-5-2 說明人工神經元模型。
圖 2-5-2 人工神經元模型 卂考資料：葉怡成（2009）
每一個人工神經元的輸出係以扇狀送出，成為其他許多人工神經元的輸入。
所以人工神經元的輸出值與輸入值的關係式，一般可用輸入值的加權乘積和之函 數來表示：
i ij i j
i
y f
W x 其中，yi
=神經元輸出訊號。
f =模仿生物神經細胞的轉換函數。
xi=神經元輸入訊號。
Wij
=模仿生物神經細胞的加權值。
j=模仿生物神經細胞的偏權值(bias)，即輸入訊號的加權乘積需大於偏權值，
才能被傳輸至其他神經元中。
其中隱藏層可包含一至多層，每一層均有數個神經元互相連接，透過反覆的 調整神經元的權重與偏權值，使推測值與目標輸出值不斷的修正，而越趨近於最 適解。隱藏層的功能主要是增加類神經網路的複雜性，以便模擬複雜的非線性關 係，但是，過度複雜的模型容易造成模型過度學習(Over-Fitting)的問題，以至於神 經網路記憶了訓練組資料結構，造成測詴組預測力降低。倒傳遞類神經網路模式 之學習過程通常以一次一個訓練範例的方式進行，直到學習完所有訓練範例，即 一個學習回合(Learning Epoch)，一個網路可以訓練範例反復學習，直至網路的學 習達到收斂。
類神經網路可處理複雜的樣本識別、分類問題資料壓縮、預測等各個領域。
但其缺點是因為計算量較大，故收斂速度慢；且不同的初始輸入值即偏權值會產 生不同的結果，所以其結果可能會收斂於一個局部的最小誤差值，但不見得會是 最適解。
雖是如此，但類神經網路在實務上應用層陎極廣，且運用其預測之相關研究 已發展的頗為豐碩，尤其以財務金融、工業工程之診斷與決策、資訊科學的最佳 化與排程等領域，甚至連醫學領域都有相關應用研究。例如在金融與財務方陎的 研究有黃兆瑜、葉怡成、連立川(2008)運用遺傳神經網路進行股票買賣決策系統的 實證、Chakraborty& Sharma (2007)利用類神經網路來預測公司的財務危機。
本章節藉由文獻回顧與整理，發現國內過去有關遊客量預測的相關研究，大 多以計量經濟或是時間數列法等發展以較久且較為傳統的預測方法。但是藉由 Cho(2003)的研究顯示在趨勢變動較不明顯之國際遊客市場，以類神經網路預測結 果較佳，或許與類神經網路本身具有模仿神經細胞運作的特性有關，對於在處理 資訊繁雜且較無規律性趨勢的研究對象而言，具有較佳的解釋力，從其廣泛地運 用於財務金融領域即可說明。
綜前所述，彙整各項文獻探討，本文利用 7 個滿意度構陎採集網路口碑的正 負陎情緒，並由相關文獻探討出對於觀光旅遊活動影響較為顯著之 5 項經濟指標，
另加入 Google Trend 網路搜尋熱門度，結合上述共 13 個不同之變數來預測三峽老
街的旅遊溫度。基於本文之研究目的與採用之變數較多，考量類神經網路可建構 非線性模型，且模型準確率較高，對於具時間序列變數系統做預測時，有較佳的 預測能力，其中的倒傳遞運算法即是以最陡坡降法的觀念將誤差函數予以最小 化，符合本研究自變數多而依變數少的關係，故本文嘗詴以類神經網路之倒傳遞 運算法作為本研究之預測模型。